【中文编码】利用bert-base-chinese中的Tokenizer实现中文编码嵌入
最近接触文本处理，查询了一些资料，记录一下中文文本编码的处理方法吧。
先下载模型和词表：bert-base-chinese镜像下载
如下图示，下载好的以下文件均存放在 bert-base-chinese 文件夹下
1. 词编码嵌入简介
按我通俗的理解，就是文本要进入模型，得编码成数字的形式，那么，怎么给定数字的形式呢，不能随便给一个数字吧，此时就需要一个词表，该表中有很多很多的字，每个字都有在该表中唯一的位置，每个字编码时，采用其在词表中的位置。
下载文件中的 vocab.txt 就是已经设定好的词表，打开看看：
2. 词编码嵌入实现
利用transformers库中的BertTokenizer实现分词编码，实例化一个tokenizer，载入预先下载好的词表，调用encode函数进行编码，encode函数有5个常用参数：
①text： 需要编码的文本；
②add_special_tokens： 是否添加特殊token，即CLS分类token和SEP分隔token；
③max_length： 文本的最大长度，根据需要处理的最长文本长度设置；
④pad_to_max_length： 是否填充到最大长度，以0补位；
⑤return_tensors： 返回的tensor类型，有4种为 [‘pt’, ‘tf’, ‘np’, ‘jax’] 分别代表 pytorch tensor、tensorflow tensor、int32数组形式和 jax tensor；
from transformers import BertTokenizerbert_name = './bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
text = '一念月落，一念身错，一念关山难涉过。棋逢过客，执子者不问因果。'
input_ids = tokenizer.encode(text,add_special_tokens=True,max_length=128,pad_to_max_length=True,return_tensors='pt')
print('text:\n', text)
print('text字符数:', len(text))
print('input_ids:\n', input_ids)
print('input_ids大小:', input_ids.size())
输出为：
text:一念月落，一念身错，一念关山难涉过。棋逢过客，执子者不问因果。
text字符数: 31
input_ids:tensor([[ 101, 671, 2573, 3299, 5862, 8024, 671, 2573, 6716, 7231, 8024, 671,2573, 1068, 2255, 7410, 3868, 6814, 511, 3470, 6864, 6814, 2145, 8024,2809, 2094, 5442, 679, 7309, 1728, 3362, 511, 102, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,0, 0, 0, 0, 0, 0, 0, 0]])
input_ids大小: torch.Size([1, 128])
查看一下tokenizer的信息：
可以看到整个词表的大小为21128个字，共有5种特殊token标记：
[PAD]: 填充标记，编码为0；
[UNK]: 未知字符标记，即该字不在所定义的词表中，编码为100；
[CLS]: 分类标记，蕴含整个文本的含义，编码为101；
[SEP]: 分隔字符标记，用于断开两句话，编码为102；
[MASK]: 掩码标记，该字被遮挡，编码为103；
测试一下这些特殊token：
from transformers import BertTokenizerbert_name = './bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
text = '[CLS]一念月落，一念身错，[SEP]一念关山难涉过。[MASK]逢过客，执子者不问因果。[PAD][PAD][PAD],檒檒'
input_ids = tokenizer.encode(text,add_special_tokens=False,max_length=128,pad_to_max_length=False,return_tensors='pt')
print('text:\n', text)
print('text字符数:', len(text))
print('input_ids:\n', input_ids)
print('input_ids大小:', input_ids.size())
输出为：
text:[CLS]一念月落，一念身错，[SEP]一念关山难涉过。[MASK]逢过客，执子者不问因果。[PAD][PAD][PAD],檒檒
text字符数: 64
input_ids:tensor([[ 101, 671, 2573, 3299, 5862, 8024, 671, 2573, 6716, 7231, 8024, 102,671, 2573, 1068, 2255, 7410, 3868, 6814, 511, 103, 6864, 6814, 2145,8024, 2809, 2094, 5442, 679, 7309, 1728, 3362, 511, 0, 0, 0,117, 100, 100]])
input_ids大小: torch.Size([1, 39])
也可以利用tokenize函数直接实现分词，并采用convert_tokens_to_ids函数和convert_ids_to_tokens函数实现词与编码的相互转换：
from transformers import BertTokenizerbert_name = './bert-base-chinese'
tokenizer = BertTokenizer.from_pretrained(bert_name)
text = '一念月落，一念身错，一念关山难涉过。棋逢过客，执子者不问因果。'
tokens = tokenizer.tokenize(text)
input_ids = tokenizer.convert_tokens_to_ids(tokens)
tokenxx = tokenizer.convert_ids_to_tokens(input_ids)print('中文分词:\n', tokens)
print('分词-->编码:\n', input_ids)
print('编码-->分词:\n', tokenxx)
输出为：
中文分词:['一', '念', '月', '落', '，', '一', '念', '身', '错', '，', '一', '念', '关', '山', '难', '涉', '过', '。', '棋', '逢', '过', '客', '，', '执', '子', '者', '不', '问', '因', '果', '。']
分词-->编码:[671, 2573, 3299, 5862, 8024, 671, 2573, 6716, 7231, 8024, 671, 2573, 1068, 2255, 7410, 3868, 6814, 511, 3470, 6864, 6814, 2145, 8024, 2809, 2094, 5442, 679, 7309, 1728, 3362, 511]
编码-->分词:['一', '念', '月', '落', '，', '一', '念', '身', '错', '，', '一', '念', '关', '山', '难', '涉', '过', '。', '棋', '逢', '过', '客', '，', '执', '子', '者', '不', '问', '因', '果', '。']
除了BertTokenizer，还有AutoTokenizer也是常用的分词类，使用方法与BertTokenizer类似，可以参考这篇文章了解不同的Tokenizer。