Question

我在项目中使用的是变压器3.0.0版，并且有一些疑问。

我想对蛋白质序列使用带蒙版lm预训练的bert模型。为了获得字符级令牌生成器，我从BertTokenizer派生了

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vocab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')

由此我构建了一个带有自定义整理功能的pytorch数据集。整理功能要做的就是获取所有输入张量并将它们堆叠

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或另一个类是否已经能够做到这一点（并且做得更好？）。或完全使用其他Dataset / DataLoader类。

问题2：另外，我想根据被掩盖的LM掩盖某些输入，但是我没有设法在转换器库中找到任何实现。有什么建议吗？

Answer 1

经过更多的挖掘后，我发现了一个DataCollator，它实现了在https://github.com/huggingface/transformers/blob/615be03f9d961c0c9722fe10e7830e011066772e/src/transformers/data/data_collator.py#L69处用mask令牌随机替换令牌。因此，我将DataSource更改为返回原始文本，而不是在__getitem__方法中返回BatchEncoding，然后在collate函数中进行编码和屏蔽。

拥抱的脸：用于蒙版lm问题的标记器

1 个答案: