Transformers documentation

BERTweet

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

该模型于 2020-05-20 在 HF papers 上发布,并于 2020-11-16 贡献至 Hugging Face Transformers。

BERTweet

BERTweet

BERTweet 与 BERT-base 采用相同的架构,但它是像 RoBERTa 一样在英文推文上预训练的。它在词性标注、命名实体识别和文本分类等与推文相关的任务上表现非常出色。

您可以在 VinAI Research 组织下找到所有原始的 BERTweet 检查点。

有关如何将 BERTweet 应用于不同语言任务的更多示例,请参阅 BERT 文档。

以下示例演示了如何使用 Pipeline、AutoModel 以及命令行来预测 <mask> 标记。

Pipeline
AutoModel
from transformers import pipeline


pipeline = pipeline(
    task="fill-mask",
    model="vinai/bertweet-base",
    device=0
)
pipeline("Plants create <mask> through a process known as photosynthesis.")

备注

  • 请使用 AutoTokenizer 或 BertweetTokenizer,因为它们预加载了针对推文特有标记(如话题标签(#)、提及(@)、表情符号和常见缩写)进行适配的自定义词汇表。请确保同时安装 emoji 库。
  • 输入应在右侧进行填充(padding="max_length"),因为 BERT 使用绝对位置嵌入。

BertweetTokenizer

class transformers.BertweetTokenizer

< >

( vocab_filemerges_filenormalization = Falsebos_token = '<s>'eos_token = '</s>'sep_token = '</s>'cls_token = '<s>'unk_token = '<unk>'pad_token = '<pad>'mask_token = '<mask>'**kwargs )

参数

  • vocab_file (str) — 词汇表文件的路径。
  • merges_file (str) — 合并文件的路径。
  • normalization (bool,可选,默认为 False) — 是否应用归一化预处理。
  • bos_token (str, 可选, 默认为 "<s>") — 预训练期间使用的序列起始标记。也可用作序列分类标记。

    在构建序列时,如果使用了特殊标记,序列开头使用的并不是这个标记。实际使用的标记是 cls_token。

  • eos_token (str, 可选, 默认为 "</s>") — 序列结束标记。在构建包含特殊标记的序列时,序列结束使用的并非此标记,而是 sep_token。

    在构建包含特殊标记的序列时,序列末尾使用的并不是这个标记。 实际使用的是 sep_token。

  • sep_token (str,可选,默认为 "</s>") — 分隔符 token,用于从多个序列构建序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。它也用作使用特殊 token 构建的序列的最后一个 token。
  • cls_token (str,可选,默认为 "<s>") — 用于序列分类(对整个序列进行分类,而非逐 token 分类)的分类器 token。当使用特殊 token 构建序列时,它是序列的第一个 token。
  • unk_token (str,可选,默认为 "<unk>") — 未知标记。不在词汇表中的标记无法转换为 ID,因此会被设置为该标记。
  • pad_token (str,可选,默认为 "<pad>") — 用于填充的标记,例如在对长度不同的序列进行批处理时。
  • mask_token (str, 可选,默认为 "<mask>") — 用于掩码值的标记。这是在以掩码语言建模方式训练该模型时所使用的标记,也是模型将尝试预测的标记。

使用字节对编码(Byte-Pair-Encoding)构建 BERTweet 分词器。

该分词器继承自 PreTrainedTokenizer,其中包含了大部分主要方法。用户应参考该父类以获取有关这些方法的更多信息。

add_from_file

< >

( f )

从文本文件加载现有的字典,并将其符号添加到当前实例中。

convert_tokens_to_string

< >

( tokens )

将单个字符串中的标记序列(字符串)进行转换。

normalizeToken

< >

( token )

对推文中的标记进行归一化

normalizeTweet

< >

( tweet )

规范化原始推文

save_vocabulary

< >

( save_directory: strfilename_prefix: str | None = None )

将词汇表和合并文件保存到目录中。

Update on GitHub