Huggingface oszczędzający tokenizer

Question

Próbuję zapisać tokenizer w huggingface, aby móc go później załadować z kontenera, w którym nie potrzebuję dostępu do internetu.

BASE_MODEL = "distilbert-base-multilingual-cased"
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
tokenizer.save_vocabulary("./models/tokenizer/")
tokenizer2 = AutoTokenizer.from_pretrained("./models/tokenizer/")

Jednak ostatnia linia podaje błąd:

OSError: Can't load config for './models/tokenizer3/'. Make sure that:

- './models/tokenizer3/' is a correct model identifier listed on 'https://huggingface.co/models'

- or './models/tokenizer3/' is the correct path to a directory containing a config.json file

wersja transformatorów: 3.1.0

Nie pomogło niestety załadowanie zapisanego tokenizera z przetrenowanego modelu w Pytorch .

Edytuj 1

Dzięki poniższej odpowiedzi @ ashwin spróbowałem save_pretrainedzamiast tego i otrzymuję następujący błąd:

OSError: Can't load config for './models/tokenizer/'. Make sure that:

- './models/tokenizer/' is a correct model identifier listed on 'https://huggingface.co/models'

- or './models/tokenizer/' is the correct path to a directory containing a config.json file

zawartość folderu tokenizera jest poniżej:

Próbowałem zmienić nazwę tokenizer_config.jsonna config.jsoni wtedy pojawił się błąd:

ValueError: Unrecognized model in ./models/tokenizer/. Should have a `model_type` key in its config.json, or contain one of the following strings in its name: retribert, t5, mobilebert, distilbert, albert, camembert, xlm-roberta, pegasus, marian, mbart, bart, reformer, longformer, roberta, flaubert, bert, openai-gpt, gpt2, transfo-xl, xlnet, xlm, ctrl, electra, encoder-decoder

Answer 1

save_vocabulary(), zapisuje tylko plik słownikowy tokenizera (lista tokenów BPE).

Aby zapisać cały tokenizer, użyj save_pretrained()

Zatem w następujący sposób:

BASE_MODEL = "distilbert-base-multilingual-cased"
tokenizer = AutoTokenizer.from_pretrained(BASE_MODEL)
tokenizer.save_pretrained("./models/tokenizer/")
tokenizer2 = DistilBertTokenizer.from_pretrained("./models/tokenizer/")

Edytować:

z nieznanego powodu: zamiast

tokenizer2 = AutoTokenizer.from_pretrained("./models/tokenizer/")

za pomocą

tokenizer2 = DistilBertTokenizer.from_pretrained("./models/tokenizer/")

Pracuje.