Documentation: Spanish translation of fast_tokenizers.mdx (#16882)
* Spanish translation of fast_tokenizers.mdx * add fast_tokenizers to the spanish _toctree.yml * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> * Update docs/source/es/fast_tokenizers.mdx Co-authored-by: Omar U. Espejel <espejelomar@gmail.com> Co-authored-by: Omar U. Espejel <espejelomar@gmail.com>
This commit is contained in:
parent
ae82da2181
commit
e2d678b71c
|
@ -15,6 +15,8 @@
|
||||||
title: Entrenamiento distribuido con 🤗 Accelerate
|
title: Entrenamiento distribuido con 🤗 Accelerate
|
||||||
title: Tutoriales
|
title: Tutoriales
|
||||||
- sections:
|
- sections:
|
||||||
|
- local: fast_tokenizers
|
||||||
|
title: Usa tokenizadores de 🤗 Tokenizers
|
||||||
- sections:
|
- sections:
|
||||||
- local: language_modeling
|
- local: language_modeling
|
||||||
title: Modelado de lenguaje
|
title: Modelado de lenguaje
|
||||||
|
|
|
@ -0,0 +1,70 @@
|
||||||
|
<!--Copyright 2022 The HuggingFace Team. All rights reserved.
|
||||||
|
|
||||||
|
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.
|
||||||
|
-->
|
||||||
|
|
||||||
|
# Usa los tokenizadores de 🤗 Tokenizers
|
||||||
|
|
||||||
|
[`PreTrainedTokenizerFast`] depende de la biblioteca [🤗 Tokenizers](https://huggingface.co/docs/tokenizers). Los tokenizadores obtenidos desde la biblioteca 🤗 Tokenizers pueden ser
|
||||||
|
cargados de forma muy sencilla en los 🤗 Transformers.
|
||||||
|
|
||||||
|
Antes de entrar en detalles, comencemos creando un tokenizador dummy en unas cuantas líneas:
|
||||||
|
|
||||||
|
```python
|
||||||
|
>>> from tokenizers import Tokenizer
|
||||||
|
>>> from tokenizers.models import BPE
|
||||||
|
>>> from tokenizers.trainers import BpeTrainer
|
||||||
|
>>> from tokenizers.pre_tokenizers import Whitespace
|
||||||
|
|
||||||
|
>>> tokenizer = Tokenizer(BPE(unk_token="[UNK]"))
|
||||||
|
>>> trainer = BpeTrainer(special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"])
|
||||||
|
|
||||||
|
>>> tokenizer.pre_tokenizer = Whitespace()
|
||||||
|
>>> files = [...]
|
||||||
|
>>> tokenizer.train(files, trainer)
|
||||||
|
```
|
||||||
|
|
||||||
|
Ahora tenemos un tokenizador entrenado en los archivos que definimos. Lo podemos seguir utilizando en ese entorno de ejecución (runtime en inglés), o puedes guardarlo
|
||||||
|
en un archivo JSON para reutilizarlo en un futuro.
|
||||||
|
|
||||||
|
## Cargando directamente desde el objeto tokenizador
|
||||||
|
|
||||||
|
Veamos cómo utilizar este objeto tokenizador en la biblioteca 🤗 Transformers. La clase
|
||||||
|
[`PreTrainedTokenizerFast`] permite una instanciación fácil, al aceptar el objeto
|
||||||
|
*tokenizer* instanciado como argumento:
|
||||||
|
|
||||||
|
```python
|
||||||
|
>>> from transformers import PreTrainedTokenizerFast
|
||||||
|
|
||||||
|
>>> fast_tokenizer = PreTrainedTokenizerFast(tokenizer_object=tokenizer)
|
||||||
|
```
|
||||||
|
|
||||||
|
Este objeto ya puede ser utilizado con todos los métodos compartidos por los tokenizadores de 🤗 Transformers! Visita la [página sobre tokenizadores
|
||||||
|
](main_classes/tokenizer) para más información.
|
||||||
|
|
||||||
|
## Cargando desde un archivo JSON
|
||||||
|
|
||||||
|
Para cargar un tokenizador desde un archivo JSON, comencemos por guardar nuestro tokenizador:
|
||||||
|
|
||||||
|
```python
|
||||||
|
>>> tokenizer.save("tokenizer.json")
|
||||||
|
```
|
||||||
|
|
||||||
|
La localización (path en inglés) donde este archivo es guardado puede ser incluida en el método de inicialización de [`PreTrainedTokenizerFast`]
|
||||||
|
utilizando el parámetro `tokenizer_file`:
|
||||||
|
|
||||||
|
```python
|
||||||
|
>>> from transformers import PreTrainedTokenizerFast
|
||||||
|
|
||||||
|
>>> fast_tokenizer = PreTrainedTokenizerFast(tokenizer_file="tokenizer.json")
|
||||||
|
```
|
||||||
|
|
||||||
|
Este objeto ya puede ser utilizado con todos los métodos compartidos por los tokenizadores de 🤗 Transformers! Visita la [página sobre tokenizadores
|
||||||
|
](main_classes/tokenizer) para más información.
|
Loading…
Reference in New Issue