-
Notifications
You must be signed in to change notification settings - Fork 27.4k
New issue
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
[WIP] Fast tokenizer for debertaV2 #14928
Changes from all commits
File filter
Filter by extension
Conversations
Jump to
Diff view
Diff view
There are no files selected for viewing
Original file line number | Diff line number | Diff line change | ||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
@@ -0,0 +1,247 @@ | ||||||||||||||||||||||||||
# coding=utf-8 | ||||||||||||||||||||||||||
# Copyright 2020 Microsoft and the HuggingFace Inc. team. | ||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||
# Licensed under the Apache License, Version 2.0 (the "License"); | ||||||||||||||||||||||||||
# you may not use this file except in compliance with the License. | ||||||||||||||||||||||||||
# You may obtain a copy of the License at | ||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||
# http://www.apache.org/licenses/LICENSE-2.0 | ||||||||||||||||||||||||||
# | ||||||||||||||||||||||||||
# Unless required by applicable law or agreed to in writing, software | ||||||||||||||||||||||||||
# distributed under the License is distributed on an "AS IS" BASIS, | ||||||||||||||||||||||||||
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. | ||||||||||||||||||||||||||
# See the License for the specific language governing permissions and | ||||||||||||||||||||||||||
# limitations under the License. | ||||||||||||||||||||||||||
""" Tokenization class for model DeBERTa.""" | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
import os | ||||||||||||||||||||||||||
from shutil import copyfile | ||||||||||||||||||||||||||
from typing import Optional, Tuple | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
from ...file_utils import is_sentencepiece_available | ||||||||||||||||||||||||||
from ...tokenization_utils_fast import PreTrainedTokenizerFast | ||||||||||||||||||||||||||
from ...utils import logging | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if is_sentencepiece_available(): | ||||||||||||||||||||||||||
from .tokenization_deberta_v2 import DebertaV2Tokenizer | ||||||||||||||||||||||||||
else: | ||||||||||||||||||||||||||
DebertaV2Tokenizer = None | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
logger = logging.get_logger(__name__) | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
PRETRAINED_VOCAB_FILES_MAP = { | ||||||||||||||||||||||||||
"vocab_file": { | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge": "https://huggingface.co/microsoft/deberta-v2-xlarge/resolve/main/spm.model", | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge": "https://huggingface.co/microsoft/deberta-v2-xxlarge/resolve/main/spm.model", | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge-mnli": "https://huggingface.co/microsoft/deberta-v2-xlarge-mnli/resolve/main/spm.model", | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge-mnli": "https://huggingface.co/microsoft/deberta-v2-xxlarge-mnli/resolve/main/spm.model", | ||||||||||||||||||||||||||
} | ||||||||||||||||||||||||||
} | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
PRETRAINED_POSITIONAL_EMBEDDINGS_SIZES = { | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge": 512, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge": 512, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge-mnli": 512, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge-mnli": 512, | ||||||||||||||||||||||||||
} | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
PRETRAINED_INIT_CONFIGURATION = { | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge": {"do_lower_case": False}, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge": {"do_lower_case": False}, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xlarge-mnli": {"do_lower_case": False}, | ||||||||||||||||||||||||||
"microsoft/deberta-v2-xxlarge-mnli": {"do_lower_case": False}, | ||||||||||||||||||||||||||
} | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
VOCAB_FILES_NAMES = {"vocab_file": "spm.model"} | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
class DebertaV2TokenizerFast(PreTrainedTokenizerFast): | ||||||||||||||||||||||||||
r""" | ||||||||||||||||||||||||||
Constructs a DeBERTa-v2 fast tokenizer. Based on [SentencePiece](https://github.com/google/sentencepiece). | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Args: | ||||||||||||||||||||||||||
vocab_file (`str`): | ||||||||||||||||||||||||||
[SentencePiece](https://github.com/google/sentencepiece) file (generally has a *.spm* extension) that | ||||||||||||||||||||||||||
contains the vocabulary necessary to instantiate a tokenizer. | ||||||||||||||||||||||||||
do_lower_case (`bool`, *optional*, defaults to `False`): | ||||||||||||||||||||||||||
Whether or not to lowercase the input when tokenizing. | ||||||||||||||||||||||||||
bos_token (`string`, *optional*, defaults to "[CLS]"): | ||||||||||||||||||||||||||
The beginning of sequence token that was used during pre-training. Can be used a sequence classifier token. | ||||||||||||||||||||||||||
When building a sequence using special tokens, this is not the token that is used for the beginning of | ||||||||||||||||||||||||||
sequence. The token used is the `cls_token`. | ||||||||||||||||||||||||||
eos_token (`string`, *optional*, defaults to "[SEP]"): | ||||||||||||||||||||||||||
The end of sequence token. When building a sequence using special tokens, this is not the token that is | ||||||||||||||||||||||||||
used for the end of sequence. The token used is the `sep_token`. | ||||||||||||||||||||||||||
unk_token (`str`, *optional*, defaults to `"[UNK]"`): | ||||||||||||||||||||||||||
The unknown token. A token that is not in the vocabulary cannot be converted to an ID and is set to be this | ||||||||||||||||||||||||||
token instead. | ||||||||||||||||||||||||||
sep_token (`str`, *optional*, defaults to `"[SEP]"`): | ||||||||||||||||||||||||||
The separator token, which is used when building a sequence from multiple sequences, e.g. two sequences for | ||||||||||||||||||||||||||
sequence classification or for a text and a question for question answering. It is also used as the last | ||||||||||||||||||||||||||
token of a sequence built with special tokens. | ||||||||||||||||||||||||||
pad_token (`str`, *optional*, defaults to `"[PAD]"`): | ||||||||||||||||||||||||||
The token used for padding, for example when batching sequences of different lengths. | ||||||||||||||||||||||||||
cls_token (`str`, *optional*, defaults to `"[CLS]"`): | ||||||||||||||||||||||||||
The classifier token which is used when doing sequence classification (classification of the whole sequence | ||||||||||||||||||||||||||
instead of per-token classification). It is the first token of the sequence when built with special tokens. | ||||||||||||||||||||||||||
mask_token (`str`, *optional*, defaults to `"[MASK]"`): | ||||||||||||||||||||||||||
The token used for masking values. This is the token used when training this model with masked language | ||||||||||||||||||||||||||
modeling. This is the token which the model will try to predict. | ||||||||||||||||||||||||||
sp_model_kwargs (`dict`, *optional*): | ||||||||||||||||||||||||||
Will be passed to the `SentencePieceProcessor.__init__()` method. The [Python wrapper for SentencePiece](https://github.com/google/sentencepiece/tree/master/python) can be used, among other things, to set: | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
- `enable_sampling`: Enable subword regularization. | ||||||||||||||||||||||||||
- `nbest_size`: Sampling parameters for unigram. Invalid for BPE-Dropout. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
- `nbest_size = {0,1}`: No sampling is performed. | ||||||||||||||||||||||||||
- `nbest_size > 1`: samples from the nbest_size results. | ||||||||||||||||||||||||||
- `nbest_size < 0`: assuming that nbest_size is infinite and samples from the all hypothesis (lattice) | ||||||||||||||||||||||||||
using forward-filtering-and-backward-sampling algorithm. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
- `alpha`: Smoothing parameter for unigram sampling, and dropout probability of merge operations for | ||||||||||||||||||||||||||
BPE-dropout. | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
vocab_files_names = VOCAB_FILES_NAMES | ||||||||||||||||||||||||||
pretrained_vocab_files_map = PRETRAINED_VOCAB_FILES_MAP | ||||||||||||||||||||||||||
pretrained_init_configuration = PRETRAINED_INIT_CONFIGURATION | ||||||||||||||||||||||||||
max_model_input_sizes = PRETRAINED_POSITIONAL_EMBEDDINGS_SIZES | ||||||||||||||||||||||||||
slow_tokenizer_class = DebertaV2Tokenizer | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
def __init__( | ||||||||||||||||||||||||||
self, | ||||||||||||||||||||||||||
vocab_file=None, | ||||||||||||||||||||||||||
tokenizer_file=None, | ||||||||||||||||||||||||||
do_lower_case=False, | ||||||||||||||||||||||||||
split_by_punct=False, | ||||||||||||||||||||||||||
Comment on lines
+116
to
+117
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. It seems to me that these arguments will require to change respectively the To start with, I would advise to add a specific test for these arguments which would allow to check that the tokenization is identical between the slow tokenizer and the fast tokenizer for all possible values for these arguments. There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Hello @SaulLu As for the lower_case arg, I followed Alberts’s tokenizer. As you mentioned, Albert has a modification to the normalizer in the converter: transformers/src/transformers/convert_slow_tokenizer.py Lines 502 to 511 in 501307b
which I duplicated in my PR: transformers/src/transformers/convert_slow_tokenizer.py Lines 825 to 826 in c6f2e1b
Eyeballing the As for EDIT: forgot to mention, tests are indeed a good idea, will see what is the best way to test this behavior. There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more.
Indeed, for the first use case we initialize the fast tokenizer by using the conversion script. However, we also want to be able to initialize this fast tokenizer from the fast files only. It will thus be necessary to also modify the (note that you allowed me to notice that we should have the same kind of thing for Albert, I'll open a new PR for that).
It is indeed exactly the same approach that I would have tested first. However, I can't confirm that the pre_tokenizers.Punctuation module behaves exactly like the slow tokenizer feature. But some tests should answer this question 😄 |
||||||||||||||||||||||||||
bos_token="[CLS]", | ||||||||||||||||||||||||||
eos_token="[SEP]", | ||||||||||||||||||||||||||
unk_token="[UNK]", | ||||||||||||||||||||||||||
sep_token="[SEP]", | ||||||||||||||||||||||||||
pad_token="[PAD]", | ||||||||||||||||||||||||||
cls_token="[CLS]", | ||||||||||||||||||||||||||
mask_token="[MASK]", | ||||||||||||||||||||||||||
**kwargs | ||||||||||||||||||||||||||
) -> None: | ||||||||||||||||||||||||||
super().__init__( | ||||||||||||||||||||||||||
vocab_file, | ||||||||||||||||||||||||||
tokenizer_file=tokenizer_file, | ||||||||||||||||||||||||||
do_lower_case=do_lower_case, | ||||||||||||||||||||||||||
bos_token=bos_token, | ||||||||||||||||||||||||||
eos_token=eos_token, | ||||||||||||||||||||||||||
unk_token=unk_token, | ||||||||||||||||||||||||||
sep_token=sep_token, | ||||||||||||||||||||||||||
pad_token=pad_token, | ||||||||||||||||||||||||||
cls_token=cls_token, | ||||||||||||||||||||||||||
mask_token=mask_token, | ||||||||||||||||||||||||||
split_by_punct=split_by_punct, | ||||||||||||||||||||||||||
**kwargs, | ||||||||||||||||||||||||||
) | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if not os.path.isfile(vocab_file): | ||||||||||||||||||||||||||
raise ValueError( | ||||||||||||||||||||||||||
f"Can't find a vocabulary file at path '{vocab_file}'. To load the vocabulary from a Google pretrained " | ||||||||||||||||||||||||||
"model use `tokenizer = AutoTokenizer.from_pretrained(PRETRAINED_MODEL_NAME)`" | ||||||||||||||||||||||||||
) | ||||||||||||||||||||||||||
Comment on lines
+142
to
+146
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. I think these lines should be removed. Indeed, for all the tokenizers having a slow version and a fast version we wish to leave the possibility of initializing the tokenizer starting from the two types of files: the files of the slow version or the files of the fast version. It seems to me that these lines would prevent to initialize a deberta-v2 fast tokenizer with only fast files.
Suggested change
I think that removing these lines could solve the current problem with the |
||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
self.do_lower_case = do_lower_case | ||||||||||||||||||||||||||
self.vocab_file = vocab_file | ||||||||||||||||||||||||||
self.can_save_slow_tokenizer = False if not self.vocab_file else True | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
def build_inputs_with_special_tokens(self, token_ids_0, token_ids_1=None): | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
Build model inputs from a sequence or a pair of sequence for sequence classification tasks by concatenating and | ||||||||||||||||||||||||||
adding special tokens. A DeBERTa sequence has the following format: | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
- single sequence: [CLS] X [SEP] | ||||||||||||||||||||||||||
- pair of sequences: [CLS] A [SEP] B [SEP] | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Args: | ||||||||||||||||||||||||||
token_ids_0 (`List[int]`): | ||||||||||||||||||||||||||
List of IDs to which the special tokens will be added. | ||||||||||||||||||||||||||
token_ids_1 (`List[int]`, *optional*): | ||||||||||||||||||||||||||
Optional second list of IDs for sequence pairs. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Returns: | ||||||||||||||||||||||||||
`List[int]`: List of [input IDs](../glossary#input-ids) with the appropriate special tokens. | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if token_ids_1 is None: | ||||||||||||||||||||||||||
return [self.cls_token_id] + token_ids_0 + [self.sep_token_id] | ||||||||||||||||||||||||||
cls = [self.cls_token_id] | ||||||||||||||||||||||||||
sep = [self.sep_token_id] | ||||||||||||||||||||||||||
return cls + token_ids_0 + sep + token_ids_1 + sep | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
def get_special_tokens_mask(self, token_ids_0, token_ids_1=None, already_has_special_tokens=False): | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
Retrieves sequence ids from a token list that has no special tokens added. This method is called when adding | ||||||||||||||||||||||||||
special tokens using the tokenizer `prepare_for_model` or `encode_plus` methods. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Args: | ||||||||||||||||||||||||||
token_ids_0 (`List[int]`): | ||||||||||||||||||||||||||
List of IDs. | ||||||||||||||||||||||||||
token_ids_1 (`List[int]`, *optional*): | ||||||||||||||||||||||||||
Optional second list of IDs for sequence pairs. | ||||||||||||||||||||||||||
already_has_special_tokens (`bool`, *optional*, defaults to `False`): | ||||||||||||||||||||||||||
Whether or not the token list is already formatted with special tokens for the model. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Returns: | ||||||||||||||||||||||||||
`List[int]`: A list of integers in the range [0, 1]: 1 for a special token, 0 for a sequence token. | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if already_has_special_tokens: | ||||||||||||||||||||||||||
return super().get_special_tokens_mask( | ||||||||||||||||||||||||||
token_ids_0=token_ids_0, token_ids_1=token_ids_1, already_has_special_tokens=True | ||||||||||||||||||||||||||
) | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if token_ids_1 is not None: | ||||||||||||||||||||||||||
return [1] + ([0] * len(token_ids_0)) + [1] + ([0] * len(token_ids_1)) + [1] | ||||||||||||||||||||||||||
return [1] + ([0] * len(token_ids_0)) + [1] | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
def create_token_type_ids_from_sequences(self, token_ids_0, token_ids_1=None): | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
Create a mask from the two sequences passed to be used in a sequence-pair classification task. A DeBERTa | ||||||||||||||||||||||||||
sequence pair mask has the following format: | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
``` | ||||||||||||||||||||||||||
0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 | ||||||||||||||||||||||||||
| first sequence | second sequence | | ||||||||||||||||||||||||||
``` | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
If `token_ids_1` is `None`, this method only returns the first portion of the mask (0s). | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Args: | ||||||||||||||||||||||||||
token_ids_0 (`List[int]`): | ||||||||||||||||||||||||||
List of IDs. | ||||||||||||||||||||||||||
token_ids_1 (`List[int]`, *optional*): | ||||||||||||||||||||||||||
Optional second list of IDs for sequence pairs. | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
Returns: | ||||||||||||||||||||||||||
`List[int]`: List of [token type IDs](../glossary#token-type-ids) according to the given | ||||||||||||||||||||||||||
sequence(s). | ||||||||||||||||||||||||||
""" | ||||||||||||||||||||||||||
sep = [self.sep_token_id] | ||||||||||||||||||||||||||
cls = [self.cls_token_id] | ||||||||||||||||||||||||||
if token_ids_1 is None: | ||||||||||||||||||||||||||
return len(cls + token_ids_0 + sep) * [0] | ||||||||||||||||||||||||||
return len(cls + token_ids_0 + sep) * [0] + len(token_ids_1 + sep) * [1] | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
def save_vocabulary(self, save_directory: str, filename_prefix: Optional[str] = None) -> Tuple[str]: | ||||||||||||||||||||||||||
if not self.can_save_slow_tokenizer: | ||||||||||||||||||||||||||
raise ValueError( | ||||||||||||||||||||||||||
"Your fast tokenizer does not have the necessary information to save the vocabulary for a slow " | ||||||||||||||||||||||||||
"tokenizer." | ||||||||||||||||||||||||||
) | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if not os.path.isdir(save_directory): | ||||||||||||||||||||||||||
logger.error(f"Vocabulary path ({save_directory}) should be a directory") | ||||||||||||||||||||||||||
return | ||||||||||||||||||||||||||
out_vocab_file = os.path.join( | ||||||||||||||||||||||||||
save_directory, (filename_prefix + "-" if filename_prefix else "") + VOCAB_FILES_NAMES["vocab_file"] | ||||||||||||||||||||||||||
) | ||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
if os.path.abspath(self.vocab_file) != os.path.abspath(out_vocab_file): | ||||||||||||||||||||||||||
copyfile(self.vocab_file, out_vocab_file) | ||||||||||||||||||||||||||
There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Can you please allow the tokenizer to be also saved, if the file it loaded from is removed? There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. That's a really good point! There was a problem hiding this comment. Choose a reason for hiding this commentThe reason will be displayed to describe this comment to others. Learn more. Isn't this already supported in deberta-v2? specifically line 481, 482 transformers/src/transformers/models/deberta_v2/tokenization_deberta_v2.py Lines 476 to 483 in 5c2d839
|
||||||||||||||||||||||||||
|
||||||||||||||||||||||||||
return (out_vocab_file,) |
There was a problem hiding this comment.
Choose a reason for hiding this comment
The reason will be displayed to describe this comment to others. Learn more.
Note: this change is not technically related to the PR, but I found this bit of the documentation to be outdated. If you want a separate PR, lmk.