当前位置:首页 > 文章列表 > 科技周边 > 人工智能 > Transformers BatchEncoding.word_ids 怎样关联子词与原始单词位置

Transformers BatchEncoding.word_ids 怎样关联子词与原始单词位置

来源:17golang原创 2026-11-18 12:46:37 0浏览 收藏

在 fast tokenizer 返回的 BatchEncoding 上调用 word_ids(batch_index=样本下标),即可得到与该样本 token 位置对应的单词索引列表。同一个单词拆出的多个子词会重复同一个索引;没有对应单词的特殊位置返回 None。若已经有人工分词或词级标签,应传入单词列表并设置 is_split_into_words=True,明确你要对齐的单词边界。

官方文档:https://huggingface.co/docs/transformers/main_classes/tokenizer

先保留原始单词列表的边界

做词级标注时,我会先保留“每条样本有哪些词”,再考虑 token 的数量。原因很直接:一个词可能拆成多个 token,模型输入位置不能直接当作词标签位置。这里分享的是实现上的选择,不是某次训练结果或性能结论。

已经分好的词列表需要显式设置 is_split_into_words=True;原始字符串也可以分词,但其词边界由 tokenizer 的预分词逻辑决定,不保证与业务词表一致,尤其不能把中文输入默认理解成已经完成业务分词。

原始单词和子词映射的静态关联
原创结构图:原词列表和 token 编码分别分组,word_ids 连接两类位置,不代表实际分词输出。

逐个样本读取 token 与 word_id

from transformers import AutoTokenizer

# 使用支持对齐信息的 fast tokenizer;首次加载可能下载分词器文件。
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased", use_fast=True)
if not tokenizer.is_fast:
    raise RuntimeError("此示例需要 fast tokenizer")

# 每个内层列表是一条样本,元素顺序就是原始单词位置。
words_batch = [["Mira", "reorganized", "files"], ["The", "dashboard", "loaded"]]
encoded = tokenizer(
    words_batch,
    is_split_into_words=True,
    padding=True,
    truncation=True,
    max_length=32,
)
for batch_index, words in enumerate(words_batch):
    # batch_index 选择样本,不能省略后拿首条映射套用整个批次。
    word_ids = encoded.word_ids(batch_index=batch_index)
    tokens = encoded.tokens(batch_index=batch_index)
    for token, word_id in zip(tokens, word_ids):
        source = None if word_id is None else words[word_id]
        print(batch_index, token, word_id, source)

示例只加载分词器,不加载模型,不进行训练。具体子词拆分应以所用词表返回为准,本文不预设某个单词一定拆成几段,也没有把示例描述为已执行记录。

batch_index 是批次内样本下标,默认值为 0。每条样本都要读取自己的映射,再用该映射回到自己的单词列表。word_id 的 0 表示第一个单词,是有效值;判断特殊位置必须比较是否为 None,不能使用“值为假”的判断把 0 也排除。

把单词标签关联到子词位置

如果每个原词只有一个标签,我倾向于先采用“仅首个子词监督”的简单策略,方便检查每个词在损失中出现一次。后续子词和特殊位置填 -100,是官方 token classification 教程采用的忽略标签方式;仍需确认自己的损失函数使用相同约定。word_ids 提供位置关联,并不会替你选择监督策略。

# 示例标签只用于说明位置关联,类别编码由具体任务定义。
word_labels = [[1, 0, 0], [0, 0, 0]]
aligned_labels = []
for batch_index, labels in enumerate(word_labels):
    ids = encoded.word_ids(batch_index=batch_index)
    sample_labels = []
    previous = None
    for word_id in ids:
        # 特殊位置和同词的后续子词不参与此处的监督。
        if word_id is None or word_id == previous:
            sample_labels.append(-100)
        else:
            sample_labels.append(labels[word_id])
        previous = word_id
    aligned_labels.append(sample_labels)
encoded["labels"] = aligned_labels

这段代码接在上面的示例后使用,仅处理单句批次。每条词标签列表必须与相应原始单词列表等长。若想让所有子词都参与监督,需要另行定义标签传播;BIO 标签尤其不能简单重复起始标签。这个选择影响任务语义,不能靠 word_ids 自动决定。

单词标签与模型标签位置的关系
原创说明图:word_id 关联词级标签与 token 位置,None 和重复子词按示例策略使用忽略标签。

处理特殊位置、截断和句对

情况如何理解处理方式
多个位置的 word_id 相同同一原词对应多个子词按任务选择首子词或完整传播
word_id 为 None没有对应原词的位置不用于索引原词标签
批次映射看起来重复可能总在读取样本 0显式传 batch_index
末尾单词未出现在映射中编码可能被截断结合实际编码长度和截断设置判断

padding=True 会补齐批内序列;填充位置没有原词可关联。truncation=True 则意味着映射只覆盖保留的 token,不能把它当作完整原文的反向索引。若启用溢出窗口,还需另外维护编码窗口与原始样本的对应关系,本例没有启用该模式。

句对输入需要同时考虑 sequence_ids:它区分第一段、第二段及特殊位置。只凭 word_id 无法可靠区分它属于哪一段,所以本例的“与上一个 word_id 比较”策略不能原样套用句对,应把序列归属一并纳入判断。

word_id 是词表里的 token ID 吗?

不是。input_ids 是模型词表编号,word_ids 是 token 对应的原词位置,两者用途不同。

换成普通 Python tokenizer 也能直接调用吗?

这类对齐能力依赖 fast tokenizer 的底层编码信息。应先检查 is_fast;换一个不支持的实现,不会因为返回对象仍像字典就自动获得映射。

能用 word_ids 找字符区间吗?

它直接返回词位置。需要字符范围时,应使用对应的字符对齐方法,不能把词索引当字符偏移。

参考:BatchEncoding API、词元分类与标签对齐教程。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
LibreOffice Math 怎样单独设置公式变量使用的字体LibreOffice Math 怎样单独设置公式变量使用的字体
上一篇
LibreOffice Math 怎样单独设置公式变量使用的字体
Go image.Rectangle.Inset 怎样收缩矩形并处理过小区间
下一篇
Go image.Rectangle.Inset 怎样收缩矩形并处理过小区间
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1095次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1091次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1256次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1197次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    1045次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码