mindformers.models.glm2.ChatGLM4Tokenizer
- class mindformers.models.glm2.ChatGLM4Tokenizer(vocab_file, clean_up_tokenization_spaces=False, encode_special_tokens=False, eos_token='<|endoftext|>', pad_token='<|endoftext|>', **kwargs)[源代码]
构造一个基于Byte-Pair-Encoding的ChatGLM4模型分词器。
- 参数:
vocab_file (str) - 对应词表的路径。
clean_up_tokenization_spaces (bool) - 是否清理掉多余的空格。默认值:
False
。encode_special_tokens (bool) - 是否清理特殊token。默认值:
False
。eos_token (str, tokenizers.AddedToken) - 序列结束标记。默认值: "<|endoftext|>" 。
pad_token (str, tokenizers.AddedToken) - 用于使tokens数组大小相同以便进行批处理的特殊标记,然后将被注意力机制或损失计算忽略。默认值: "<|endoftext|>" 。
kwargs - 其它传递到Tokenizer基类的参数。
- 返回:
ChatGLM4Tokenizer 实例。
样例:
>>> from mindformers import ChatGLM4Tokenizer >>> tokenizer = ChatGLM4Tokenizer('tokenizer.model') >>> prompts = ["晚上睡不着应该怎么办"] >>> token_id = tokenizer(prompts) >>> input_ids = token_id['input_ids'] >>> print(input_ids) [[151331, 151333, 101160, 120410, 99379, 103298]] >>> response = tokenizer.decode(input_ids) >>> print(response) ['晚上睡不着应该怎么办']