Personalizando tokenizers

Os tokenizers são desacoplados de seus vocabulários aprendidos. Isso permite que você inicialize um tokenizer vazio para treinamento ou crie um diretamente com seu próprio vocabulário. O pipeline de tokenização subjacente permanece o mesmo (normalizador, pré-tokenizador, algoritmo de tokenização), então você não precisa recriá-lo do zero.

Este guia mostra como treinar e criar um tokenizador personalizado.

Treinando um tokenizador

Um tokenizer treinável vazio substitui o vocabulário por um novo vocabulário de destino. Isso é útil para se adaptar a um novo domínio, como finanças, um idioma com poucos recursos ou código.

Crie um tokenizador vazio e carregue um conjunto de dados.

from datasets import load_dataset
from transformers import GemmaTokenizer

tokenizer = GemmaTokenizer()
dataset = load_dataset("Josephgflowers/Finance-Instruct-500k", split="train")

Use o método TokenizersBackend.train_new_from_iterator() para treinar o tokenizador. Este método aceita uma função geradora para retornar blocos de texto do conjunto de dados, em vez de carregar tudo na memória de uma só vez. O argumento vocab_size define o tamanho do vocabulário dos tokenizadores.

def batch_iterator(batch_size=1000):
    for i in range(0, len(dataset), batch_size):
        yield dataset[i : i + batch_size]["assistant"]

trained_tokenizer = tokenizer.train_new_from_iterator(
    batch_iterator(),
    vocab_size=32000,
)
encoded = trained_tokenizer("The stock market rallied today.")
print(encoded["input_ids"])
[5866, 11503, 98, 5885, 8617, 13381, 30]

Adicione novos tokens especiais com o argumento new_special_tokens ou use special_tokens_map para renomear os tokens especiais antigos para os novos tokens especiais.

Salve o novo tokenizer de finanças com save_pretrained() ou salve e envie para o Hub com push_to_hub(). Isso cria um arquivo tokenizer.json que captura o vocabulário recém-treinado, as regras de mesclagem e a configuração completa do pipeline.

trained_tokenizer.save_pretrained("./finance-gemma-tokenizer")
trained_tokenizer.push_to_hub("finance-gemma-tokenizer")

Vocabulário personalizado

Um tokenizer vazio suporta vocabulário personalizado com os argumentos vocab e merges.

vocab é o conjunto completo de tokens que um tokenizer conhece e cada entrada mapeia um token para seu id de entrada.
merges define como o algoritmo BPE deve combinar tokens adjacentes.

from transformers import GemmaTokenizer

vocab={
    "<pad>": 0,
    "</s>": 1,
    "<s>": 2,
    "<unk>": 3,
    "<mask>": 4,
    "▁the": 5,
    "▁stock": 6,
    "▁market": 7,
    "▁": 8,
    "r": 9,
    "a": 10,
    "l": 11,
    "i": 12,
    "e": 13,
    "d": 14,
    "ra": 15,
    "li": 16,
    "lie": 17,
    "lied": 18,
    "ral": 19,
    "ralli": 20,
    "rallie": 21,
    "rallied": 22,
}
merges=[
    ("r", "a"),       # r + a → ra
    ("l", "i"),       # l + i → li
    ("li", "e"),      # li + e → lie
    ("lie", "d"),     # lie + d → lied
    ("ra", "l"),      # ra + l → ral
    ("ral", "li"),    # ral + li → ralli
    ("ralli", "e"),   # ralli + e → rallie
    ("rallie", "d"),  # rallie + d → rallied
]

tokenizer = GemmaTokenizer(vocab=vocab, merges=merges)
encoded = tokenizer("the stock market rallied")
print(encoded["input_ids"])

Subclassing de TokenizersBackend

Tokenizers suporta quatro backends diferentes. Em geral, você deve usar o TokenizersBackend para definir um novo tokenizer, pois ele é mais rápido.

O PythonBackend é um tokenizador em Python puro que não depende de backends como Rust, SentencePiece ou mistral-common. Você deve usar o PythonBackend apenas se estiver construindo um tokenizador muito especializado que não possa ser expresso pelo backend Rust.

Subclasse o TokenizersBackend com atributos de classe, como o lado do padding e o algoritmo de tokenização a ser usado.
Defina o pipeline de tokenização no __init__. Isso inclui o algoritmo de tokenização a ser usado, como dividir o texto bruto antes do algoritmo e como decodificar os tokens de volta para texto.

from tokenizers import Tokenizer, decoders, pre_tokenizers
from tokenizers.models import BPE
from transformers import TokenizersBackend

class NewTokenizer(TokenizersBackend):
    padding_side = "left"
    model = BPE

    def __init__(
        self,
        vocab=None,
        merges=None,
        unk_token="<unk>",
        bos_token="<s>",
        eos_token="</s>",
        pad_token="<pad>",
    ):
        self._vocab = vocab or {
            str(unk_token): 0,
            str(bos_token): 1,
            str(eos_token): 2,
            str(pad_token): 3,
        }
        self._merges = merges or []

        self._tokenizer = Tokenizer(
            BPE(vocab=self._vocab, merges=self._merges, fuse_unk=True)
        )
        self._tokenizer.pre_tokenizer = pre_tokenizers.ByteLevel(add_prefix_space=False)
        self._tokenizer.decoder = decoders.ByteLevel()

        super().__init__(
            unk_token=unk_token,
            bos_token=bos_token,
            eos_token=eos_token,
            pad_token=pad_token,
        )

Treine ou salve o novo tokenizer vazio.

tokenizer = NewTokenizer()

# train on new corpus
corpus = ["The stock market rallied today.", "Bond yields fell sharply."]
trained_tokenizer = tokenizer.train_new_from_iterator(corpus, vocab_size=32000)
# save tokenizer
trained_tokenizer.save_pretrained("./new-tokenizer")

Update on GitHub

Transformers

Personalizando tokenizers

Treinando um tokenizador

Vocabulário personalizado

Subclassing de TokenizersBackend