fpt-corp / vibert Goto Github PK

Khi chạy đoạn code bên dưới thì em nhận được list id của các từ đã bị bỏ dấu so với câu đầu vào. Em muốn hỏi cách để encode và sử dụng thư viện cho đúng ạ. Em mong muốn encoded_ids là [2, 9, 10, 11, 3]. Em cảm ơn mọi người đã giải đáp ạ.

import torch
from transformers import AutoTokenizer, AutoModel

if __name__ == "__main__":
    #model_name = "FPTAI/velectra-base-discriminator-cased"
    model_name = "FPTAI/vibert-base-cased"
    tokenizer = AutoTokenizer.from_pretrained(model_name)

    vocab = tokenizer.get_vocab()
    id2token = {idx: token for token, idx in vocab.items()}

    word_ids = [9, 10, 11]
    sent = tokenizer.decode(word_ids)
    print(sent)       # có là và
    encoded_ids = tokenizer.encode(sent)
    for word_id in encoded_ids:
        print(word_id, id2token[word_id])
        # 2 [CLS]
        # 382 co
        # 523 la
        # 391 va
        # 3 [SEP]

Dear anh @phuonglh ,
Em đang tìm hiểu cách sử dụng viBERT để làm thực nghiệm cho luận văn TN, em thấy trên cả git này lẫn huggingface đều không có sample code hướng dẫn encode & decode nên viết thử 1 đoạn encode & decode bằng AutoTokenizer và AutoModel, kết quả là nó chạy nhưng khi decode lại thì lại ra chuỗi tiếng Việt không dấu. Vậy không biết làm như nào để vẫn giữ được tiếng Việt có dấu vậy anh?

Anh hướng dẫn giúp em nhé. Cảm ơn anh rất nhiều :)