我使用以下模型来标记来自多种语言的句子:https://tfhub.dev/google/universal-sentence-encoder-cmlm/multilingual-preprocess/2
对于以下输入:
"I wish you a pleasant flight and a good meal aboard this plane."
输出以下标记:
[101, 146, 34450, 15100, 170, 147508, 48088, 14999, 170, 17072, 66369, 351617, 15272, 69746, 119, 102]
我想从这个输出中恢复令牌的文本表示形式。例如:
[START, I, wish, ..., plane, .]
到目前为止,我一直在寻找标记<=>文本映射,但发现的资源主要是关于BERT的,它有几个单语言模型,而我想保持语言无关。
知道怎么做吗?
提前感谢你的帮助,
google/universal-sentence-encoder-cmlm/multilingual-preprocess/2
模型的默认缓存位置是/tmp/tfhub_modules/8e75887695ac632ead11c556d4a6d45194718ffb
(更多关于缓存的信息)。在assets
目录中,您将找到cased_vocab.txt
,这是使用的词汇表:
!cat /tmp/tfhub_modules/.../assets/cased_vocab.txt | sed -n 102p
> [CLS]
!cat /tmp/tfhub_modules/.../assets/cased_vocab.txt | sed -n 147p
> I
!cat /tmp/tfhub_modules/.../assets/cased_vocab.txt | sed -n 34451p
> wish
...
注意,sed
假设索引是基于1的,而预处理器的输出是基于0的。