tokenizer、tokenizer.encode、tokenizer.encode_plus比较

一、概念

在我们使用Transformers库进行自然语言处理任务建模的过程中，基本离不开Tokenizer类。我们需要这些Tokenizer类来帮助我们加载预训练模型的分词模块，并将文本转化为预训练模型可接受的输入格式。

而在实际建模的实践中，我们参考优秀的开源代码，时常会见到对Tokenizer类的不同应用方式和场景，例如实例化某个Tokenizer类并调用.tokenize()方法，又或者调用.encode()方法、.encode_plus()方法。这里，我们对这些方法的具体应用场景进行说明。

二、比较

Transformers中几乎所有的Tokenizer类都继承了同一个超类，即PreTrainedTokenizer。下面我们以BertTokenizer为例，对以下四个通用的类方法的作用分别进行讲解。

1、tokenizer(input_texts)/tokenizer.encode_plus(input_texts)

对于输入文本，我们可以直接使用tokenizer(input_texts, padding=True, truncation=True, return_tensors="pt")或者tokenizer.encode_plus(input_texts, padding=True, truncation=True, return_tensors="pt")对文本进行编码，二者几乎等价。该方法返回一个字典，分别包含"input_ids"、"token_type_ids"和"attention_mask"三个键以及对应的取值。我们可以设置return_tensors='pt'来让这些值都是tensor类型，便于输入AutoModel中。

参数方面，我们需要关注的主要参数如下：

padding：设置为True或者longest则填充到批次中的最长序列（如果只提供单个序列，则不进行填充）；设置为max_length则填充到用参数max_length指定的最大长度，或者如果未提供该参数，则填充到模型可接受的最大输入长度；设置为False或者do_not_pad则不进行填充（即可以输出一个包含不同长度序列的批次），默认为此设置。
truncation：设置为True或longest_first则截断到用参数max_length指定的最大长度，或者如果未提供该参数，则截断到模型可接受的最大输入长度；设置为False或do_not_truncate（默认值）则不截断。
max_length：如果未设置或设置为None，在截断/填充参数需要最大长度时，将使用预定义的模型最大长度。
return_tensors：默认None，如果设置了该值，将返回张量而不是Python整数列表。可接受的值有"tf"（返回 TensorFlow 的 tf.constant 对象）、"pt"（返回 PyTorch 的 torch.Tensor 对象）、"np"（返回 Numpy 的 np.ndarray 对象）。

python 复制代码

from transformers import BertTokenizer


text = 'we are learning python, which is one of the most popular programming languages in the world.'
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
outputs = tokenizer(text, padding=True, truncation=True, return_tensors="pt")
# outputs = tokenizer.encode_plus(text, padding=True, truncation=True, return_tensors="pt")
for key in outputs.keys():
    print(key, outputs[key])

2、tokenizer.tokenize(input_texts)

tokenizer.tokenize(input_texts)仅对输入的文本进行分词 ，返回的是列表类型，包含的对每个输入句子的Word Piece级分词结果。

python 复制代码

from transformers import BertTokenizer


text = 'we are learning python, which is one of the most popular programming languages in the world.'
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
outputs = tokenizer.tokenize(text)
print(outputs)

这里再重温一下Word Piece分词。预训练模型的词典固然庞大，但是我们无法无限扩大词典的规模，这样很低效。而且，很多单词的词根是相同的，这意味着我们通过使用几个词根的组合，就可以表示多个单词从而提高存储效率，这就有了Word Piece分词。

举一个简单的例子，假设有单词"try"、"trying"、"learn"、"learning"，如果全部存储原词则需要存储4个词，而如果我们把"ing"拆出来，我们会发现只需要存储3个Token（即"learn"、"try"和"#ing"），且通过这三个Token的组合可以完美表示上面的所有单词，这就节省了25%的存储空间！当然，不同的预训练模型Word Piece词典的结构各有不同，例如这里bert-base-cased模型对于"learning"就是原词存储的。

3、tokenizer.encode(input_texts)

tokenizer.encode(input_texts, padding=True, truncation=True, return_tensors="pt")方法综合了分词+索引编码两个方法（tokenize()+convert_tokens_to_ids()），先对文本进行分词，然后匹配对应的词索引，返回Token索引列表。对于该索引列表，返回结果中默认包含开头的 $CLS$ 索引和结尾的 $SEP$ 索引。

python 复制代码

from transformers import BertTokenizer


text = 'we are learning python, which is one of the most popular programming languages in the world.'
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
outputs = tokenizer.encode(text, padding=True, truncation=True, return_tensors="pt")
print(outputs)

有encode自然有decode，tokenizer.decode可以将编码后的索引列表转换回分词列表 ，使用tokenizer.decode(input_ids, skip_special_tokens=False)即可，需要注意的是decode的输入类型为list而不是tensor，所以在encode的时候不设置return_tensors参数。此外，如果我们将skip_special_tokens参数设置为False默认会返回 $CLS$ 和 $SEP$ 两个特殊Token标记，这是Bert类模型的输入格式要求，设置为True则返回不带特殊Token的原始文本（不是Word Piece）。

python 复制代码

from transformers import BertTokenizer


text = 'we are learning python, which is one of the most popular programming languages in the world.'
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
outputs = tokenizer.encode(text, padding=True, truncation=True)
print('Encode:', outputs)
outputs = tokenizer.decode(outputs, skip_special_tokens=False)
print('Decode:', outputs)