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 get_added_vocab 怎样读取新增词元与编号映射

来源:17golang原创

时间:2026-11-20 09:03:10 267浏览 收藏

在 Transformers 里,想查看分词器当前登记的新增词元,直接调用 tokenizer.get_added_vocab()。它返回一个字典,键是词元字符串,值是对应的 token id;如果要看完整词表,再调用 tokenizer.get_vocab()。两者不要混用,更不要把 get_added_vocab() 的字典长度当成本次 add_tokens() 调用新增的数量。

官方地址:https://huggingface.co/docs/transformers/main/main_classes/tokenizer#get_added_vocab

读取映射只需要 get_added_vocab();单次新增数量看 add_tokens() 的返回值;模型是否需要扩展嵌入矩阵,则是后续的模型兼容问题。

get_added_vocab 返回的到底是什么

get_added_vocab() 没有参数,返回类型是 dict[str, int]。它展示的是当前 tokenizer 状态中的新增词元映射,例如 {"": 30522}。这个接口适合做词表检查、保存日志或根据词元反查编号,不会重新分词,也不会修改模型参数。

需要注意“新增”是相对于分词器的基础词表和附加词元状态而言,并不是“本次函数调用刚刚新增”。如果分词器之前已经添加过词元,下一次读取仍会看到它;某些特殊词元也可能出现在这份映射中。

from transformers import AutoTokenizer

# 使用同一份分词器状态,后续读取的编号才有明确上下文。
tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-chinese")

# 这一步只扩展 tokenizer 的词元登记,不代表模型嵌入矩阵已经同步。
tokenizer.add_tokens(["", ""])

# 返回值是“新增词元 -> token id”,不是词元列表,也不是新增数量。
added_vocab = tokenizer.get_added_vocab()
for token, token_id in added_vocab.items():
    # 记录字符串和编号,便于后续与输入 id 或配置文件对照。
    print(f"{token} => {token_id}")

如果只关心某个词元,可以用字典的 get() 查询;查询结果为 None 时,表示当前新增映射里没有它。不要因为完整词表中能找到同一个字符串,就推断它一定是后来添加的。

怎样区分新增映射、完整词表和单次新增数

这三个结果回答的是不同问题:add_tokens() 的返回值回答“这一次实际增加了多少个词元”;get_added_vocab() 回答“当前附加词元有哪些、各自编号是什么”;get_vocab() 回答“当前可用词表的完整字符串到编号映射是什么”。

调用适合回答的问题不要这样理解
add_tokens(tokens)本次调用新增了几个词元不是当前全部新增词元清单
get_added_vocab()附加词元到编号的映射不是本次调用的增量日志
get_vocab()完整词表到编号的映射不能单独证明某个词元何时加入
len(tokenizer)当前 tokenizer 词表规模不是新增词元数量
结构说明图:Transformers 分词器、基础词表、新增词元和 get_added_vocab 编号映射
图1:结构说明图,查看完整词表与新增词元映射的静态关系;图中内容用于解释接口,不是运行截图。
# 先保存本次调用的返回值,它才是本次新增数量。
added_count = tokenizer.add_tokens(["", "", ""])

# 读取累计状态;重复添加或之前已存在的词元不应被当作本次新增。
added_vocab = tokenizer.get_added_vocab()
full_vocab = tokenizer.get_vocab()

print("本次新增数量:", added_count)
print("当前新增映射数量:", len(added_vocab))
print("当前完整词表数量:", len(full_vocab))

# 用明确的键查询,避免把完整词表的存在误认为新增状态。
print("order id:", added_vocab.get(""))

普通词元和特殊词元怎样分别读取

普通词元通常通过 add_tokens() 登记,特殊词元则常通过 add_special_tokens() 登记。两者都可能进入 tokenizer 的附加词元体系,但特殊词元还会影响解码时的跳过规则,以及 tokenizer 上的 pad_token、cls_token 等属性。

因此,排查映射时建议同时记录词元字符串、编号和来源类别,而不是只输出一串 id。尤其在批处理脚本中,先读取 get_added_vocab() 再按业务前缀筛选,可以避免把完整词表中的普通词元误列为自定义词元。

# 特殊词元通过专用接口登记,读取时仍可从新增映射中看到它。
special_count = tokenizer.add_special_tokens({"additional_special_tokens": [""]})
added_vocab = tokenizer.get_added_vocab()

# 只筛选本项目约定的前缀,不把所有特殊词元都当成业务字段。
project_tokens = {
    token: token_id
    for token, token_id in added_vocab.items()
    if token.startswith("")
}

print("本次特殊词元新增数量:", special_count)
print("项目词元映射:", project_tokens)

这里的筛选是观察动作,不会改变词表。若需要保存结果,建议保存完整映射和筛选规则,而不是只保存排序后的编号列表;这样以后更容易判断词元名称发生了什么变化。

读取映射时不要越过模型嵌入边界

get_added_vocab() 只提供 tokenizer 侧的登记信息。它不会检查模型的输入嵌入矩阵是否已经覆盖这些编号,也不会自动调用 resize_token_embeddings()。因此,本文的读取代码可以用于盘点、审计和生成配置,但不能据此宣称模型已经可以安全训练或推理。

边界说明图:新增词元映射、输入 token id 与模型嵌入矩阵之间的关系
图2:边界说明图,区分 tokenizer 的新增映射和模型嵌入矩阵;图中是静态关系说明,不是模型运行结果。

如果业务确实要让模型使用新词元,应该把“读取映射”和“同步模型结构”拆成两个明确阶段:先确认 tokenizer 的词元和编号,再根据模型文档决定是否扩展嵌入矩阵,并为新增行设计初始化、训练和保存策略。仅查看映射时,不需要修改训练权重。

另外,官方文档提示不同 tokenizer 实现对“已经存在于基础词表中的词元”可能有不同处理细节。跨 slow/fast 实现迁移时,不要只比较字典长度,应同时比较词元字符串、编号和实际序列化配置。

常见问题

为什么 get_added_vocab() 的数量比本次新增数大? 因为前者是当前 tokenizer 的累计附加状态,后者是本次 add_tokens() 返回的增量结果。

为什么完整词表能找到词元,却不在新增映射里? 它可能是基础词表原本就有的词元。get_vocab() 只说明当前可用,不说明加入来源。

读取新增映射会自动改变模型吗? 不会。该接口只返回字典;模型嵌入矩阵、训练权重和 checkpoint 保存都需要独立处理。

小结

读取 Transformers 新增词元的最短路径是 tokenizer.get_added_vocab(),它给出 token 到 id 的映射。需要单次增量时保存 add_tokens() 返回值,需要完整词表时使用 get_vocab()。把这三种结果分开记录,就能避免把累计状态、完整词表和模型嵌入矩阵混成一个概念。

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>