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

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。

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。
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
- 下一篇
- Go image.Rectangle.Inset 怎样收缩矩形并处理过小区间
-
- 科技周边 · 人工智能 | 1小时前 |
- Hugging Face ClassLabel.int2str 怎样把标签编号还原为类别名称
- 175浏览 收藏
-
- 科技周边 · 人工智能 | 1小时前 | python · 人工智能 · Hugging Face Datasets Dataset.split NamedSplit 数据集切分
- Hugging Face Dataset.split 怎样识别数据集对象对应的切分名称
- 476浏览 收藏
-
- 科技周边 · 人工智能 | 3小时前 |
- PyTorch torch.get_default_dtype 怎样读取新建浮点张量默认使用的数据类型
- 316浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 |
- FAISS 向量索引选择与召回精度的对比方法
- 212浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | python · FAISS IndexIDMap2 remove_ids 向量删除 自定义ID
- FAISS IndexIDMap2 怎样按自定义 ID 删除向量
- 334浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | 人工智能 · GPU CPU embedding Sentence Transformers multi-process 设备分配
- Sentence Transformers 多进程编码任务的设备分配方法
- 301浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | python · 人工智能 · skip take Hugging Face Datasets streaming IterableDataset
- Hugging Face Datasets IterableDataset 怎样跳过前 N 条样本
- 294浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | 人工智能 · Hugging Face Datasets IterableDataset repeat
- Hugging Face Datasets repeat 怎样按指定次数重放样本
- 195浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- 大模型 API 流式输出的断线续传处理方案
- 403浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · 批处理 · PyTorch chunk_size torch.func.vmap vmap in_dims out_dims
- PyTorch torch.func.vmap 怎样把单样本函数批量化
- 230浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · PyTorch 性能测量 torch.compile TorchDynamo Inductor
- PyTorch torch.compile 怎样区分首次编译耗时和后续执行耗时
- 231浏览 收藏
-
- 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
- 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
- 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
- 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
- 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
-
- 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
- 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
- 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
-
- 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
- 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
-
- Go bufio.Scanner Split 自定义分词时为什么会漏掉最后一个 token
- 2026-09-10 243浏览
-
- CodeGeeX for Jetbrains IDEs正式上线!
- 2023-01-17 284浏览
-
- 技术阿里云实现ocr批量图片和pdf文件表格图片转换excel文档/支持票据图片提取/普通图片文字提取处理
- 2023-01-18 387浏览
-
- 直播预告|FeatureStore Meetup V2
- 2023-01-10 328浏览
-
- 深入浅出特征工程 – 基于 OpenMLDB 的实践指南(上)
- 2023-02-25 426浏览

