登录
推荐 文章 Go 技术 课程 下载 专题 AI
首页 >  科技周边 >  人工智能

Transformers BatchEncoding 怎样读取溢出序列映射

来源:17golang原创

时间:2026-11-19 12:58:28 309浏览 收藏

使用快速分词器并设置 return_overflowing_tokens=True 后,可以通过 encoded["overflow_to_sample_mapping"] 读取每个分块所属的输入样本下标。遍历分块时,列表位置是分块编号,列表中的值是本次 tokenizer 调用所收到的批样本下标。两者不要互换。

官方地址:https://huggingface.co/docs/transformers

映射值指向原样本还是分块

假设本次输入批次 texts 有两条原始文本,第一条较长,第二条较短。BatchEncoding 中的 input_ids 按分块保存编码;overflow_to_sample_mapping 与这些编码行一一对应。一条输入可以占多个编码行,因此输出行数不再等于输入样本数。

下面仅用三行展示索引关系,不声称具体文本一定切成三个窗口:

分块下标映射值对应原样本
00texts[0]
10texts[0]
21texts[1]

这里的 0、1 属于当前批次,不是数据集永久行号,也不是 token 位置。实际窗口数量随文本、分词器和长度配置而变化。

输入批次与编码分块通过溢出映射关联的静态结构
图1:原创结构图。输入分组保存 texts,编码分组保存 input_ids 和映射;连线表达所属关系,不表示执行流程。

怎样同时开启截断与重叠窗口

下面使用单文本批处理,避免句对截断策略混入基础例子。准备安装了 transformers 的 Python 环境;首次加载会涉及分词器文件下载,也可以替换成已准备好的本地分词器目录。这里只展示读取元数据,不加载模型、不发起推理。

from transformers import AutoTokenizer

# 使用快速实现,以获得逐分块的批样本映射
tokenizer = AutoTokenizer.from_pretrained(
    "google-bert/bert-base-uncased", use_fast=True
)
if not tokenizer.is_fast:
    raise RuntimeError("此示例需要快速分词器")

texts = [
    "The archive room stores paper records. " * 60,
    "The reading room closes early.",
]
encoded = tokenizer(
    texts,
    truncation=True,
    max_length=32,
    stride=8,
    return_overflowing_tokens=True,
    padding=False,
)
# 分块编号来自 enumerate;sample_index 才能用于索引 texts
sample_map = encoded["overflow_to_sample_mapping"]
for chunk_index, sample_index in enumerate(sample_map):
    print(chunk_index, sample_index, len(encoded["input_ids"][chunk_index]))

max_length 约束编码长度;stride 表示窗口间复用的 token 数量,不是每次向前移动的字符数。特殊 token 会占用长度预算,所以也不能把 32 简单当成每块正文 token 的数量。此处 8 是演示重叠参数,不是针对所有模型推荐的设置。输出三列依次是分块号、当前批次样本下标与该分块编码长度;不要照搬一个固定窗口总数作为预期输出。

怎样给每个分块附上业务标识

批次之外应另存业务标识。假设 doc_ids 与 texts 按相同顺序排列,用映射值索引 doc_ids,再把所得标识写入分块记录。这种关联依靠明确下标,不依靠对解码文本的相似度猜测。

# 与上例 texts 保持同一批次、同一顺序
doc_ids = ["archive-note", "reading-note"]
chunk_records = []
for chunk_index, sample_index in enumerate(sample_map):
    # 每个分块通过映射回到稳定的文档标识
    chunk_records.append({
        "chunk_index": chunk_index,
        "doc_id": doc_ids[sample_index],
        "input_ids": encoded["input_ids"][chunk_index],
        "attention_mask": encoded["attention_mask"][chunk_index],
    })

# 训练或推理时仅提交模型支持的输入字段
model_inputs = {
    key: value
    for key, value in encoded.items()
    if key in tokenizer.model_input_names
}

此时 doc_ids、sample_map、chunk_index、doc_id、input_ids 与 attention_mask 各有角色。前三者用于建立归属,后三者是分块记录中的身份和编码字段。把 sample_map 保存在旁路元数据中即可,不应未经处理把整个 BatchEncoding 当成模型的关键字参数。

由于本例不做 padding,编码行可能长短不同,model_inputs 目前仍是列表结构。后续需要张量批处理时再按模型要求填充或使用合适的数据整理器;过滤字段本身不会补齐长度,也不会自动完成模型调用。

分块编号、批次映射与业务文档标识的静态归属关系
图2:原创结构图。元数据分组说明分块怎样找到 doc_id,模型字段分组说明 input_ids 与 attention_mask 的角色,避免混用业务标识与模型输入。

哪些参数容易让对应关系混乱

首先,不要用 zip(texts, encoded["input_ids"]) 建立归属:一条长文本生成多个分块后,两个列表不是一对一。其次,stride 过大可能超过扣除特殊 token 后的窗口容量,应结合分词器和输入结构选择,不能只和 max_length 做机械比较。

如果处理的是问题与上下文句对,应明确截断哪一侧。例如保留问题、分割上下文的任务通常考虑 truncation="only_second";不要将单文本例子的策略原封不动地用于任意句对。映射解决的是“分块属于哪个输入样本”,不会告诉你答案字符是否落在该分块内,也不能替代 offset_mapping 或其他对齐信息。

在分批调用 tokenizer 时,映射下标会重新以当前批次为基准。应在处理该批次时马上关联业务 ID;分块排序、过滤后也要同步移动 ID,不能拿旧下标去索引另一批 texts。有关分块参数与映射定义,参见 官方 Tokenizer 文档及 官方课程中的分块归属说明。

相关问题

没有超长文本还需要读取映射吗?

需要保留归属的统一处理逻辑时仍可读取,但实际是否产生额外窗口取决于输入长度。不要预设每条都必须有多个块。

映射是字符偏移吗?

不是。它是批样本下标,不表示分块在文本中的起止字符。

单个样本的映射全是 0 正常吗?

正常。该次调用只有一条输入时,所有窗口都属于下标 0。

stride 重叠的内容会重复归属吗?

窗口有重叠不改变它们的原样本归属。后续聚合需要按任务另行处理重叠,不要把重复内容当成新的原文档。

声明:本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
相关阅读
更多>
最新阅读
更多>
课程推荐
更多>