【AI大模型】Transformers大模型库（三）：特殊标记（special tokens）

在Hugging Face的transformers库中，不同的模型预训练时可能会使用特定的特殊标记（special tokens），这些标记用于帮助模型理解输入序列的结构，尤其是在处理序列分类、问答、文本生成等任务时。

Python秒杀

1751人浏览 · 2024-09-16 08:15:00

Python秒杀 · 2024-09-16 08:15:00 发布

一、引言

这里的Transformers指的是huggingface开发的大模型库，为huggingface上数以万计的预训练大模型提供预测、训练等服务。

🤗 Transformers 提供了数以千计的预训练模型，支持 100 多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨是让最先进的 NLP 技术人人易用。

🤗 Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。同时，每个定义的 Python 模块均完全独立，方便修改和快速研究实验。

🤗 Transformers 支持三个最热门的深度学习库： Jax, PyTorch 以及 TensorFlow — 并与之无缝整合。你可以直接使用一个框架训练你的模型然后用另一个加载和推理。

本文重点介绍特殊标记（special tokens）。

二、特殊标记（special tokens）

2.1 概述

在Hugging Face的transformers库中，不同的模型预训练时可能会使用特定的特殊标记（special tokens），这些标记用于帮助模型理解输入序列的结构，尤其是在处理序列分类、问答、文本生成等任务时。以下是一些常见的特殊标记及其用途：

2.2 主要功能

[CLS] (Classification Token)，编码101：通常用于序列分类任务的开始。模型会基于这个标记的输出来进行分类决策。

[SEP] (Separator Token)，编码102：用于分隔序列中的不同部分，比如在问答任务中分隔问题和文本，在多句子输入中分隔句子。对应编码102

[PAD] (Padding Token)，编码0：用于填充，确保所有批次的输入序列长度一致。它在模型计算时通常会被忽略。对应编码

[MASK]，编码103：主要用于BERT的掩码语言模型任务，模型会预测这个标记所遮掩的单词是什么。

[UNK] (Unknown Token)，编码100：代表词汇表中未包含的单词。

[BOS] (Beginning of Sentence) 和 [EOS] (End of Sentence)：在某些模型中使用，分别表示句子的开始和结束。

2.3 代码示例

使用这些特殊标记的例子，比如在BERT模型中准备输入：

from transformers import BertTokenizer
 
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
text = "Hello, I'm a text."
text_pair = "And this is another text."
inputs1 = tokenizer.encode_plus(text, text_pair, add_special_tokens=True)
print(inputs1) 
"""
{'input_ids': [101, 7592, 1010, 1045, 1005, 1049, 1037, 3793, 1012, 102, 1998, 2023, 2003, 2178, 3793, 1012, 102], 'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1], 'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}
"""
print(tokenizer.decode(inputs1['input_ids']))
"""
[CLS] hello, i'm a text. [SEP] and this is another text. [SEP]
"""
inputs2 = tokenizer.encode(text,add_special_tokens=True)
print(inputs2)  
"""
[101, 7592, 1010, 1045, 1005, 1049, 1037, 3793, 1012, 102]
"""
 
print(tokenizer.encode(['[UNK]','[SEP]','[PAD]', '[CLS]', '[MASK]','BOS','EOS']))
 
#[101, 100, 102, 0, 101, 103, 100, 100, 102]，去掉头部101和尾部102即为特殊标记的编码ID

将句子Hello, I’m a text进行encode时，会自动在开头和结尾加上[CLS]和[SEP]，如果采用encode_plus对两个句子进行拼接，会加入[SEP]进行句子语义切割。告诉计算机这是两句话。

add_special_tokens=True为默认值，默认在encode编码的时候加入特殊标识，如果为False则可以不加入，但可能会丢失断句的信息。

三、总结

本文对使用transformers的特殊标记（special tokens）进行说明，特殊标记主要用于分割句子，在模型训练中引入“断句”、“开头”、“结尾”相关的信息。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望