我正在为我的项目使用变压器版本 3.0.0 并且有一些问题。
我想对蛋白质序列使用带有掩码 lm 预训练的 bert 模型。为了获得我从 BertTokenizer 派生的字符级标记器
from transformers import BertTokenizer
class DerivedBertTok(BertTokenizer):
def __init__(self, **kwargs):
super().__init__(**kwargs)
def tokenize(self, text):
if isinstance(text, np.ndarray):
assert len(text) == 1
text = text[0]
return [x if x in self.vocab else self.unk_token for x in text]
我的词汇看起来像这样
[PAD]
[CLS]
[SEP]
[UNK]
[MASK]
A
R
N
D
B
C
E
Q
Z
G
H
I
L
K
M
F
P
S
T
W
Y
V
用法似乎与我在文档中看到的非常相似:
d_tokenizer = DerivedBertTok(
vocab_file=vocab_path,
do_lower_case=False,
do_basic_tokenize=False,
tokenize_chinese_chars=False
)
d_tokenizer.encode_plus(np.array(["AXEF"])[0],
max_length=20,
pad_to_max_length=True,
add_special_tokens=True,
truncation=True,
return_tensors='pt')
从这里我正在构建一个带有自定义整理功能的 pytorch 数据集。collate 函数所做的就是获取所有输入张量并将它们堆叠起来
from transformers import BatchEncoding
def collate_fn(self, batch):
# this function will not work for higher dimension inputs
elem = batch[0]
elem_type = type(elem)
if isinstance(elem, BatchEncoding):
new_shapes = {key: (len(batch), value.shape[1]) for key, value in elem.items()}
outs = {key: value.new_empty(new_shapes[key]) for key, value in elem.items()}
if torch.utils.data.get_worker_info() is not None:
[v.share_memory_() for v in outs.values()]
return {key: torch.stack(tuple((d[key].view(-1) for d in batch)), 0, out=outs[key]) for key in elem.keys()}
else:
raise ValueError(f"type: {elem_type} not understood")
问题 1:所以我想知道 BatchEncoding 或其他类是否已经能够做到这一点(并且做得更好?)。或者完全使用不同的 Dataset/DataLoader 类。
问题 2:此外,我想根据屏蔽 LM 的要求屏蔽一些输入,但是我没有设法在转换器库中找到任何实现。有什么建议这样做吗?