70 lines
8.0 KiB
Markdown
70 lines
8.0 KiB
Markdown
<!--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.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# Relleno y truncamiento
|
|
|
|
Las entradas agrupadas por lotes (batched) suelen tener longitudes diferentes, por lo que no se pueden convertir en tensores de tamaño fijo. El relleno (también conocido como "Padding") y el truncamiento (conocido como "Truncation") son estrategias para abordar este problema y crear tensores rectangulares a partir de lotes de longitudes variables. El relleno agrega un **padding token** especial para garantizar que las secuencias más cortas tengan la misma longitud que la secuencia más larga en un lote o la longitud máxima aceptada por el modelo. El truncamiento funciona en la otra dirección al truncar secuencias largas.
|
|
|
|
En la mayoría de los casos, es bastante eficaz rellenar el lote hasta la longitud de la secuencia más larga y truncar hasta la longitud máxima que un modelo puede aceptar. Sin embargo, la API admite más estrategias si las necesitas. Los tres argumentos que necesitas son: `padding`, `truncation` y `max_length`.
|
|
|
|
El argumento `padding` controla el relleno. Puede ser un booleano o una cadena:
|
|
|
|
- `True` o `'longest'`: rellena hasta la longitud de la secuencia más larga en el lote (no se aplica relleno si solo proporcionas una única secuencia).
|
|
- `'max_length'`: rellena hasta una longitud especificada por el argumento `max_length` o la longitud máxima aceptada
|
|
por el modelo si no se proporciona `max_length` (`max_length=None`). El relleno se aplicará incluso si solo proporcionas una única secuencia.
|
|
- `False` o `'do_not_pad'`: no se aplica relleno. Este es el comportamiento predeterminado.
|
|
|
|
El argumento `truncation` controla el truncamiento. Puede ser un booleano o una cadena:
|
|
|
|
- `True` o `'longest_first'`: trunca hasta una longitud máxima especificada por el argumento `max_length` o
|
|
la longitud máxima aceptada por el modelo si no se proporciona `max_length` (`max_length=None`). Esto
|
|
truncará token por token, eliminando un token de la secuencia más larga en el par hasta alcanzar la longitud adecuada.
|
|
- `'only_second'`: trunca hasta una longitud máxima especificada por el argumento `max_length` o la longitud máxima
|
|
aceptada por el modelo si no se proporciona `max_length` (`max_length=None`). Esto solo truncará
|
|
la segunda oración de un par si se proporciona un par de secuencias (o un lote de pares de secuencias).
|
|
- `'only_first'`: trunca hasta una longitud máxima especificada por el argumento `max_length` o la longitud máxima
|
|
aceptada por el modelo si no se proporciona `max_length` (`max_length=None`). Esto solo truncará
|
|
la primera oración de un par si se proporciona un par de secuencias (o un lote de pares de secuencias).
|
|
- `False` o `'do_not_truncate'`: no se aplica truncamiento. Este es el comportamiento predeterminado.
|
|
|
|
El argumento `max_length` controla la longitud del relleno y del truncamiento. Puede ser un número entero o `None`, en cuyo caso se establecerá automáticamente en la longitud máxima que el modelo puede aceptar. Si el modelo no tiene una longitud máxima de entrada específica, se desactiva el truncamiento o el relleno hasta `max_length`.
|
|
|
|
La siguiente tabla resume la forma recomendada de configurar el relleno y el truncamiento. Si usas pares de secuencias de entrada en alguno de los siguientes ejemplos, puedes reemplazar `truncation=True` por una `ESTRATEGIA` seleccionada en
|
|
`['only_first', 'only_second', 'longest_first']`, es decir, `truncation='only_second'` o `truncation='longest_first'` para controlar cómo se truncan ambas secuencias en el par, como se detalló anteriormente.
|
|
|
|
| Truncation | Padding | Instrucción |
|
|
|-----------------------------------------|--------------------------------------|---------------------------------------------------------------------------------------------|
|
|
| sin truncamiento | sin relleno | `tokenizer(batch_sentences)` |
|
|
| | relleno hasta la longitud máxima del lote | `tokenizer(batch_sentences, padding=True)` o |
|
|
| | | `tokenizer(batch_sentences, padding='longest')` |
|
|
| | relleno hasta la longitud máxima del modelo | `tokenizer(batch_sentences, padding='max_length')` |
|
|
| | relleno hasta una longitud específica | `tokenizer(batch_sentences, padding='max_length', max_length=42)` |
|
|
| | relleno hasta un múltiplo de un valor | `tokenizer(batch_sentences, padding=True, pad_to_multiple_of=8)` |
|
|
| truncamiento hasta la longitud máxima del modelo | sin relleno | `tokenizer(batch_sentences, truncation=True)` o |
|
|
| | | `tokenizer(batch_sentences, truncation=ESTRATEGIA)` |
|
|
| | relleno hasta la longitud máxima del lote | `tokenizer(batch_sentences, padding=True, truncation=True)` o |
|
|
| | | `tokenizer(batch_sentences, padding=True, truncation=ESTRATEGIA)` |
|
|
| | relleno hasta la longitud máxima del modelo | `tokenizer(batch_sentences, padding='max_length', truncation=True)` o |
|
|
| | | `tokenizer(batch_sentences, padding='max_length', truncation=ESTRATEGIA)` |
|
|
| | relleno hasta una longitud específica | No es posible |
|
|
| truncamiento hasta una longitud específica | sin relleno | `tokenizer(batch_sentences, truncation=True, max_length=42)` o |
|
|
| | | `tokenizer(batch_sentences, truncation=ESTRATEGIA, max_length=42)` |
|
|
| | relleno hasta la longitud máxima del lote | `tokenizer(batch_sentences, padding=True, truncation=True, max_length=42)` o |
|
|
| | | `tokenizer(batch_sentences, padding=True, truncation=ESTRATEGIA, max_length=42)` |
|
|
| | relleno hasta la longitud máxima del modelo | No es posible |
|
|
| | relleno hasta una longitud específica | `tokenizer(batch_sentences, padding='max_length', truncation=True, max_length=42)` o |
|
|
| | | `tokenizer(batch_sentences, padding='max_length', truncation=ESTRATEGIA, max_length=42)` |
|