【模型学习】

https://zhuanlan.zhihu.com/p/522344841

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
tokenizer("男女主角亦有专属声优这一模式是由谁改编的？", "任天堂游戏谜之村雨城")
{
'input_ids': [101, 5615, 3235, 2111, 7164, 2167, 4461, 2084, 3496, 3173, 2224, 7700, 2072, 4723, 3709, 4380, 5611, 7363, 4282, 6377, 5718, 10083, 102, 2212, 3198, 3102, 5089, 3974, 7379, 2120, 4492, 8289, 3086, 102],
'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 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, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
}

在这个示例中，我们使用了Hugging Face的Transformers库中的AutoTokenizer类来创建一个预训练的分词器（tokenizer）。AutoTokenizer.from_pretrained方法用于从预训练模型的检查点（model_checkpoint）加载分词器。然后，我们使用这个分词器对两个文本进行预处理，将它们转换为模型可以理解的输入ID序列、token类型ID序列和注意力掩码（attention mask）序列。

解释
input_ids：这是一个列表，表示输入文本被分词后的ID序列。每个ID对应一个词汇的编码。在这个示例中，input_ids表示了两个文本被分词后的ID序列。

token_type_ids：这是一个列表，表示每个子词的类型（通常用于区分输入文本中的两个文本）。在这个示例中，token_type_ids的值为0或1，表示两个文本的分词结果。

attention_mask：这是一个列表，表示每个子词是否有效（即是否在输入文本中）。在这个示例中，attention_mask的值为1，表示所有子词都是有效的。

示例代码
以下是一个完整的示例代码，展示了如何使用AutoTokenizer对文本进行预处理：

from transformers import AutoTokenizer

# 使用预训练的分词器
tokenizer = AutoTokenizer.from_pretrained("bert-base-chinese")

# 示例文本
text1 = "男女主角亦有专属声优这一模式是由谁改编的？"
text2 = "任天堂游戏谜之村雨城"

# 预处理文本
inputs = tokenizer(text1, text2, return_tensors='pt', max_length=50, truncation=True)

# 查看预处理结果
print(inputs)

input_ids**：这是一个列表，表示输入文本被分词后的ID序列 , 什么意思

attention_mask 干什么用的
attention_mask在自然语言处理（NLP）中主要用于指示模型在处理输入文本时哪些位置的子词是有效的（即应该考虑），哪些位置的子词是不重要的（如填充符号或特殊标记）。它通常是一个二进制掩码（0或1），其中1表示有效的子词，0表示不重要的子词。

详细解释
有效子词（1）：当attention_mask的值为1时，表示该位置的子词是有效的，模型应该考虑它。在预处理文本时，通常会将有效的子词设置为1。

不重要子词（0）：当attention_mask的值为0时，表示该位置的子词是不重要的。这些子词通常是填充符号（padding symbols）或特殊标记（如[CLS]和[SEP]），它们在模型的计算过程中不提供有用的信息。

示例
假设我们有一个文本"男女主角是由谁改编的？任天堂游戏谜之村雨城"，经过分词后变成了以下子词ID序列：
attention_mask在自然语言处理（NLP）中主要用于指示模型在处理输入文本时哪些位置的子词是有效的（即应该考虑），哪些位置的子词是不重要的（如填充符号或特殊标记）。它通常是一个二进制掩码（0或1），其中1表示有效的子词，0表示不重要的子词。

详细解释
有效子词（1）：当attention_mask的值为1时，表示该位置的子词是有效的，模型应该考虑它。在预处理文本时，通常会将有效的子词设置为1。

不重要子词（0）：当attention_mask的值为0时，表示该位置的子词是不重要的。这些子词通常是填充符号（padding symbols）或特殊标记（如[CLS]和[SEP]），它们在模型的计算过程中不提供有用的信息。

示例
假设我们有一个文本"男女主角是由谁改编的？任天堂游戏谜之村雨城"，经过分词后变成了以下子词ID序列：
为了将这个序列输入模型，我们需要为其创建一个attention_mask。假设我们使用了一个最大长度为50的序列，并且文本长度为23，那么我们需要将attention_mask设置为长度为50的序列，其中前23个位置为1，后27个位置为0：
为了将这个序列输入模型，我们需要为其创建一个attention_mask。假设我们使用了一个最大长度为50的序列，并且文本长度为23，那么我们需要将attention_mask设置为长度为50的序列，其中前23个位置为1，后27个位置为0：
在这个attention_mask中，前23个位置（对应有效的子词）被设置为1，后27个位置（对应填充符号）被设置为0。模型在处理这个输入序列时，只会考虑前23个有效的子词，忽略后面的填充符号。

使用场景
attention_mask在多种场景中都非常有用，包括但不限于：

文本分类：在分类任务中，可能需要将输入文本截断到一个固定的长度，并使用attention_mask来指示模型哪些位置的子词是有效的。

序列对齐：在机器翻译任务中，源文本和目标文本的长度可能不同，使用attention_mask可以帮助模型区分哪些位置的子词是源文本的哪些位置的子词。

问答任务：在问答任务中，输入文本可能包含多个段落，使用attention_mask可以帮助模型区分哪些位置的子词属于哪个段落。

通过attention_mask，模型可以更准确地理解输入文本的结构和内容，从而提高模型的性能和准确性。