Tokenizer多个文本编码（token编码规则）

赖可 发自 凹非寺
量子位 报道 | 公众号 QbitAI

专注NLP的强大团队抱抱脸（hugging face)又发新资源！这一次是帮助NLP过程中，词语切分（tokenization）更快的Tokenizers。

只要20秒就能编码1GB文本，适用Rust、Python和Node.js，已经在GitHub上获得了800多星。

前不久，这个团队也凭借自己的技术实力获得了1500万美元的天使投资。

速度快，功能多样

在NLP模型训练中，词语标记和切分往往是一个瓶颈。Tokenizer能够训练新的词汇，并且进行标记。

功能多样：适用于BPE/byte-level-BPE/WordPiece/SentencePiece各种NLP处理模型。

可以完成所有的预处理：截断(Truncate)、填补(Pad)、添加模型需要的特殊标记。

速度超级快：只需要20秒就可以在CPU上标记1GB的文本。

目前适用三种编程语言：Rust/Python/Node.js

使用示例

github的资源页面上提供了在Python上使用Tokenizers的示例，进行简单的设置就可以使用：

也可以用Tokenizers进行新词训练：

虽然目前只可用于三种语言Python、JS、Rust，抱抱脸团队表示，将来会继续升级以适用更多～

抱抱脸团队最新进展

抱抱脸团队是一个创业团队。他们的Transformers是github上最火的NLP项目，已经获得了20K星。

作为专注于自然语言处理的创业公司，他们的目标是开发一个可以使用文字、照片、表情包的聊天机器人，名字叫做social AI 。

目前已经经过了三轮融资，共2000万美元。其中，在2019年底的A轮融资中，公司获得了1500万美元，并打算将员工增加两倍。

目前公司尚未盈利。创始人Clement Delangue在获得A轮融资后表示，除了对话AI之外，公司正在构建通用的NLP技术，希望让NLP技术满足公司的多样化需求。

传送门

https://github.com/huggingface/tokenizers

参考资料
https://techcrunch.com/2019/12/17/hugging-face-raises-15-million-to-build-the-definitive-natural-language-processing-library/
https://www.alleywatch.com/2019/12/hugging-face-natural-language-processing-open-source-clement-delangue/

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态