Skip to content

Commit

Permalink
Merge pull request #290 from 1375626371/main
Browse files Browse the repository at this point in the history
zh-CN - Chapter 6finished
  • Loading branch information
lvwerra authored Aug 4, 2022
2 parents a9b6d48 + 85f75d7 commit b4b2316
Show file tree
Hide file tree
Showing 12 changed files with 3,489 additions and 1 deletion.
27 changes: 26 additions & 1 deletion chapters/zh-CN/_toctree.yml
Original file line number Diff line number Diff line change
Expand Up @@ -80,7 +80,7 @@
title: 章末小测验
quiz: 4

- title: 5. The 🤗 Datasets library
- title: 5. 🤗 Datasets库
sections:
- local: chapter5/1
title: 本章简介
Expand All @@ -99,3 +99,28 @@
- local: chapter5/8
title: 章末小测验
quiz: 5
- title: 6. 🤗 Tokenizers库
sections:
- local: chapter6/1
title: 本章简介
- local: chapter6/2
title: 根据已有的tokenizer训练新的tokenizer
- local: chapter6/3
title: 快速标记器的特殊能力
- local: chapter6/3b
title: QA 管道中的快速标记器
- local: chapter6/4
title: 标准化和预标记化
- local: chapter6/5
title: 字节对编码标记化
- local: chapter6/6
title: WordPiece 标记化
- local: chapter6/7
title: Unigram标记化
- local: chapter6/8
title: 逐块地构建标记器
- local: chapter6/9
title: 标记器,回顾!
- local: chapter6/10
title: 章末小测验
quiz: 6
14 changes: 14 additions & 0 deletions chapters/zh-CN/chapter6/1.mdx
Original file line number Diff line number Diff line change
@@ -0,0 +1,14 @@
# 本章简介

[第三章] (/course/chapter3) 中,我们研究了如何在给定任务上微调模型。 当我们这样做时,我们需要使用与模型预训练相同的标记器——但是当我们想从头开始训练模型时该怎么办? 不过,使用在来自其他领域或语言的语料库上预训练的标记器通常不是最理想的。 例如,在英语语料库上训练的标记器在日语文本语料库上表现不佳,因为两种语言中空格和标点符号的使用非常不同。

在本章中,您将学习如何在文本语料库上训练一个全新的标记器,然后将其用于预训练语言模型。 这一切都将在 [🤗 Tokenizers](https://github.com/huggingface/tokenizers) 库的帮助下完成,该库在 [🤗 Transformers](https://github.com /huggingface/transformers) 库之内。 我们将仔细研究这个库提供的功能,并探讨快速标记器与“慢”版本的区别。

我们将涵盖的主题包括:

* 如何训练一个新的标记器,类似于给定检查点在新的文本语料库上使用的标记器
* 快速标记器的特殊功能
* 目前 NLP 中使用的三种主要子词标记化算法之间的差异
* 如何使用🤗 Tokenizers 库从头开始构建标记器并在一些数据上对其进行训练

本章介绍的技术将使您为 [第 7 章](/course/chapter7/6) 中的部分做好准备,在那部分中,我们着眼于为 Python 源代码创建语言模型。 让我们首先看一下什么是“训练”标记器?
268 changes: 268 additions & 0 deletions chapters/zh-CN/chapter6/10.mdx
Original file line number Diff line number Diff line change
@@ -0,0 +1,268 @@
<!-- DISABLE-FRONTMATTER-SECTIONS -->

# 章末小测验

让我们测试一下您在本章中学到了什么!

### 1.你应该什么时候训练一个新的标记器?
<Question
choices={[
{
text: "当您的数据集与现有的预训练模型所使用的数据集相似时,并且您希望预训练一个新模型",
explain: "在这种情况下,为了节省时间和计算资源,一个更好的选择是使用与预训练模型相同的标记器,并对该模型进行微调。"
},
{
text: "当您的数据集与现有的预训练模型所使用的数据集相似时,并且您希望使用此预训练模型对新模型进行微调",
explain: "要根据预先训练的模型对模型进行微调,您应该始终使用相同的标记器。"
},
{
text: "当您的数据集与现有预训练模型所使用的数据集不同时,您希望预训练一个新模型",
explain: "正确! 在这种情况下,使用现有预训练模型标记器将没有任何优势。",
correct: true
},
{
text: "当您的数据集与现有预训练模型所使用的数据集不同时,但是您希望使用此预训练模型对新模型进行微调",
explain: "要根据预先训练的模型对模型进行微调,您应该始终使用相同的标记器。"
}
]}
/>

### 2.当使用“ train_new_from_iterator()”时,使用文本列表生成器与文本列表相比有什么优点?
<Question
choices={[
{
text: "这是方法 < code > train_new_from_iterator() </code > 接受的唯一类型。",
explain: "文本列表是一种特殊的文本列表生成器,因此该方法也会接受这种方法。再试一次!"
},
{
text: "您将避免立即将整个数据集载入内存中。",
explain: "没错!每一批文本都会在你迭代的时候从内存中释放出来,如果你使用数据集存储文本的话,增益将尤其明显。",
correct: true
},
{
text: "这将允许 Tokenizers 库使用并行处理。",
explain: "不,无论如何它都将使用并行处理。"
},
{
text: "你训练的标记器将产生更好的文本。",
explain: "Tokenizer 不生成文本——您是否将其与语言模型混淆了?"
}
]}
/>

### 3.使用“快速”标记器的优点是什么?
<Question
choices={[
{
text: "当你批处理大量的输入时,它可以比一个满速的标记器更快地处理输入。",
explain: "正确!由于在 Rust 中实现了并行性,它将在批量处理输入上更快。你还能想到其他什么好处吗?",
correct: true
},
{
text: "快速的标记法总是比慢速的标记法快。",
explain: "一个快速的标记器当你只给它一个或很少的文本实际上可能会更慢,因为它不能使用并行。"
},
{
text: "它可以填充和截断文本。",
explain: "是的,但是慢速的标记符也会这样做。"
},
{
text: "它有一些额外的功能,允许你将标记映射到创建它们的文本范围。",
explain: "事实上,这些被称为偏移映射,但这并不是唯一的优点。",
correct: true
}
]}
/>

### 4.“token-classification”管道如何处理跨多个标记的实体?
<Question
choices={[
{
text: "具有相同标签的实体合并为一个实体。",
explain: "这有点过于简单化了,再试一次!"
},
{
text: "实体的开始有一个标签,实体的持续有一个标签。",
explain: "正确!",
correct: true
},
{
text: "在给定的单词中,只要第一个标记具有实体的标签,则认为整个单词都带有该实体的标签。",
explain: "这是一个处理实体的策略,这里还有什么其他的答案吗?",
correct: true
},
{
text: "当一个标记具有给定实体的标记时,除非标记为新实体的开始,否则具有相同标记的任何其他后续标记都被视为同一实体的一部分。",
explain: "这是最常见的将实体组合在一起的方法---- 尽管这不是唯一正确的答案。",
correct: true
}
]}
/>

### 5.“question-answering”流水线如何处理长上下文?
<Question
choices={[
{
text: "实际上并不是这样,因为它在模型接受的最大长度上截断了长上下文。",
explain: "有一个技巧你可以用来处理很长的上下文,你还记得是什么吗?"
},
{
text: "它将上下文分成若干部分,并对所得结果进行平均。",
explain: "不,对结果进行平均是没有意义的,因为上下文的某些部分不包括答案。"
},
{
text: "它将上下文拆分为若干部分(有重叠部分) ,并在每个部分中查找一个答案的最大得分。",
explain: "这就是正确答案!",
correct: true
},
{
text: "它将上下文分成若干部分(不重叠,以提高效率) ,并在每个部分中找到一个答案的最大得分。",
explain: "不,它包括部分之间的一些重叠,以避免出现答案将分成两部分的情况。"
}
]}
/>

### 6.什么是标准化?
<Question
choices={[
{
text: "这是 tokenizer 在初始阶段对文本执行的任何清理。",
explain: "这是正确的——例如,它可能涉及删除重音符号或空格,或缩小输入的大小写。",
correct: true
},
{
text: "这是一种数据增强技术,包括通过删除稀有单词使文本更加标准。",
explain: "不对! 再试一次。"
},
{
text: "在最后的后处理步骤中,tokenizer 添加特殊标记。",
explain: "这个阶段简单地称为后期处理。"
},
{
text: "这是当嵌入的平均值为0和标准差为1时,通过减去平均值和除以标准差。",
explain: "在计算机视觉中,这个过程通常被称为标准化,但在 NLP 中,这并不是标准化的意思。"
}
]}
/>

### 7.什么是子词标记化的前标记化?
<Question
choices={[
{
text: "这是标记化之前的步骤,应用数据增强(如随机遮罩)。",
explain: "不,这一步是预处理的一部分。"
},
{
text: "这是标记化之前的步骤,在这个步骤中,所需的清理操作应用于文本。",
explain: "不,这是标准化步骤。"
},
{
text: "这是应用 tokenizer 模型之前的步骤,将输入拆分为单词。",
explain: "这就是正确答案!",
correct: true
},
{
text: "这是应用 tokenizer 模型之前的步骤,将输入拆分为标记。",
explain: "不,分解为标记是 tokenizer 模型的工作。"
}
]}
/>

### 8.选择描述标记化 BPE 模式最准确的句子。
<Question
choices={[
{
text: "BPE 是一个子词标记算法,从小词汇表开始,学习合并规则。",
explain: "的确如此!",
correct: true
},
{
text: "BPE 是一种子词标记算法,从大词汇表开始,逐步从中删除标记。",
explain: "不,另一种标记算法所采用的方法。"
},
{
text: "BPE 标记器通过合并最常见的一对标记来学习合并规则。",
explain: "没错!",
correct: true
},
{
text: "BPE 记号赋予器通过合并一对记号来学习合并规则,该记号最大化了特权频繁对和较少个别部分的分数。",
explain: "不,这是另一个标记算法应用的策略。"
},
{
text: "BPE 通过将单词分割成字符,然后应用合并规则将单词分解成子单词。",
explain: "没错!",
correct: true
},
{
text: "BPE 通过从词汇表的开头找到最长的子词,然后在文本的其余部分重复这个过程,将单词转化为子词。",
explain: "不,这是另一种标记化算法的做事方式。"
},
]}
/>

### 9.选择适用于 WordPiece 标记模型的句子。
<Question
choices={[
{
text: "WordPiece 是一个子词标记算法,它从一个小词汇表开始,学习合并规则。",
explain: "的确如此!",
correct: true
},
{
text: "WordPiece 是一种子词标记算法,从大词汇表开始,逐步从中删除标记。",
explain: "不,这是一种不同的标记算法所采用的方法。"
},
{
text: "WordPiece 标记器通过合并最常见的两个标记来学习合并规则。",
explain: "不,这是另一个标记算法应用的策略。"
},
{
text: "WordPiece 标记器通过合并两个标记来学习合并规则,这两个标记最大限度地提高了频繁出现的标记的分数,而这两个标记的独立部分出现频率较低。",
explain: "没错!",
correct: true
},
{
text: "根据模型,WordPiece 通过找到最有可能的切分符号,将单词标记为子单词。",
explain: "不,这是另一个标记化算法的工作原理。"
},
{
text: "WordPiece 通过从词汇表的开头找到最长的子词,然后在文本的其余部分重复这个过程,将单词转化为子词。",
explain: "是的,这就是 WordPiece 进行编码的过程。",
correct: true
},
]}
/>

### 10.选择适用于 Unigram 标记模式的句子。
<Question
choices={[
{
text: "Unigram 是一个子词标记算法,它从一个很小的词汇表开始学习合并规则。",
explain: "不,这是一种不同的标记算法所采用的方法。"
},
{
text: "Unigram 是一种子词标记算法,它从大词汇表开始,逐步从中删除标记。",
explain: "没错!",
correct: true
},
{
text: "Unigram 通过最小化在整个语料库中的损失来调整词汇量。",
explain: "没错!",
correct: true
},
{
text: "Unigram 通过保留最频繁的子词来调整它的词汇量。",
explain: "不,这个不正确。"
},
{
text: "根据模型,Unigram 通过找到最可能的分割符号来将词转化为子词。",
explain: "没错!",
correct: true
},
{
text: "Unigram 通过将单词分割成字符,然后应用合并规则将其分解成子单词。",
explain: "不,这是另一个标记化算法的工作原理。"
},
]}
/>
Loading

0 comments on commit b4b2316

Please sign in to comment.