Huggingface Tokenizers

为研究和生产环境优化的快速分词器。基于 Rust 的实现可在 <20 秒内对 1GB 数据进行分词。支持 BPE、WordPiece 和 Unigram 算法。训练自定义词汇表、跟踪对齐信息、处理填充/截断。与 transformers 无缝集成。当您需要高性能分词或自定义分词器训练时使用。

技能元数据


来源	可选 — 使用 `hermes skills install official/mlops/huggingface-tokenizers` 安装
路径	`optional-skills/mlops/huggingface-tokenizers`
版本	`1.0.0`
作者	Orchestra Research
许可证	MIT
依赖项	`tokenizers`, `transformers`, `datasets`
标签	`Tokenization`, `HuggingFace`, `BPE`, `WordPiece`, `Unigram`, `Fast Tokenization`, `Rust`, `Custom Tokenizer`, `Alignment Tracking`, `Production`

参考：完整 SKILL.md

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。这是技能激活时代理看到的指令。

HuggingFace Tokenizers - 面向 NLP 的快速分词

具备 Rust 性能和 Python 易用性的快速、生产就绪型分词器。

何时使用 HuggingFace Tokenizers

在以下情况使用 HuggingFace Tokenizers：

需要极快的分词速度（每 GB 文本 <20 秒）
从头训练自定义分词器
需要对齐跟踪（token → 原始文本位置）
构建生产级 NLP 管道
需要高效地对大型语料库进行分词

性能：

速度：在 CPU 上对 1GB 数据进行分词耗时 <20 秒
实现：Rust 核心，带有 Python/Node.js 绑定
效率：比纯 Python 实现快 10-100 倍

改用其他替代方案：

SentencePiece：与语言无关，T5/ALBERT 使用
tiktoken：OpenAI 用于 GPT 模型的 BPE 分词器
transformers AutoTokenizer：仅加载预训练模型（内部使用此库）

快速开始

安装

# Install tokenizers
pip install tokenizers

# With transformers integration
pip install tokenizers transformers

加载预训练分词器

from tokenizers import Tokenizer

# Load from HuggingFace Hub
tokenizer = Tokenizer.from_pretrained("bert-base-uncased")

# Encode text
output = tokenizer.encode("Hello, how are you?")
print(output.tokens)  # ['hello', ',', 'how', 'are', 'you', '?']
print(output.ids)     # [7592, 1010, 2129, 2024, 2017, 1029]

# Decode back
text = tokenizer.decode(output.ids)
print(text)  # "hello, how are you?"

训练自定义 BPE 分词器

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.pre_tokenizers import Whitespace

# Initialize tokenizer with BPE model
tokenizer = Tokenizer(BPE(unk_token="[UNK]"))
tokenizer.pre_tokenizer = Whitespace()

# Configure trainer
trainer = BpeTrainer(
    vocab_size=30000,
    special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"],
    min_frequency=2
)

# Train on files
files = ["train.txt", "validation.txt"]
tokenizer.train(files, trainer)

# Save
tokenizer.save("my-tokenizer.json")

训练时间：100MB 语料库约需 1-2 分钟，1GB 语料库约需 10-20 分钟

带填充的批量编码

# Enable padding
tokenizer.enable_padding(pad_id=3, pad_token="[PAD]")

# Encode batch
texts = ["Hello world", "This is a longer sentence"]
encodings = tokenizer.encode_batch(texts)

for encoding in encodings:
    print(encoding.ids)
# [101, 7592, 2088, 102, 3, 3, 3]
# [101, 2023, 2003, 1037, 2936, 6251, 102]

分词算法

BPE (Byte-Pair Encoding, 字节对编码)

工作原理：

从字符级词汇表开始
查找最频繁的字符对
合并为新 token 并加入词汇表
重复直到达到词汇表大小

使用者：GPT-2, GPT-3, RoBERTa, BART, DeBERTa

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.pre_tokenizers import ByteLevel

tokenizer = Tokenizer(BPE(unk_token="<|endoftext|>"))
tokenizer.pre_tokenizer = ByteLevel()

trainer = BpeTrainer(
    vocab_size=50257,
    special_tokens=["<|endoftext|>"],
    min_frequency=2
)

tokenizer.train(files=["data.txt"], trainer=trainer)

优势：

很好地处理未登录词（OOV）（分解为子词）
词汇表大小灵活
适用于形态丰富的语言

权衡：

分词取决于合并顺序
可能会意外拆分常见单词

WordPiece

工作原理：

从字符词汇表开始
对合并对评分：frequency(pair) / (frequency(first) × frequency(second))
合并得分最高的对
重复直到达到词汇表大小

使用者：BERT, DistilBERT, MobileBERT

from tokenizers import Tokenizer
from tokenizers.models import WordPiece
from tokenizers.trainers import WordPieceTrainer
from tokenizers.pre_tokenizers import Whitespace
from tokenizers.normalizers import BertNormalizer

tokenizer = Tokenizer(WordPiece(unk_token="[UNK]"))
tokenizer.normalizer = BertNormalizer(lowercase=True)
tokenizer.pre_tokenizer = Whitespace()

trainer = WordPieceTrainer(
    vocab_size=30522,
    special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"],
    continuing_subword_prefix="##"
)

tokenizer.train(files=["corpus.txt"], trainer=trainer)

优势：

优先进行有意义的合并（高分 = 语义相关）
在 BERT 中成功应用（达到最先进结果）

权衡：

如果没有子词匹配，未知单词会变成 [UNK]
保存的是词汇表而非合并规则（文件较大）

Unigram

工作原理：

从大词汇表（所有子串）开始
计算当前词汇表下语料库的损失
移除对损失影响最小的 token
重复直到达到词汇表大小

使用者：ALBERT, T5, mBART, XLNet（通过 SentencePiece）

from tokenizers import Tokenizer
from tokenizers.models import Unigram
from tokenizers.trainers import UnigramTrainer

tokenizer = Tokenizer(Unigram())

trainer = UnigramTrainer(
    vocab_size=8000,
    special_tokens=["<unk>", "<s>", "</s>"],
    unk_token="<unk>"
)

tokenizer.train(files=["data.txt"], trainer=trainer)

优势：

概率性（找到最可能的分词方式）
适用于没有词边界的语言
处理多样的语言上下文

权衡：

训练计算成本高
需要调整的超参数更多

分词管道

完整管道：Normalization（标准化） → Pre-tokenization（预分词） → Model（模型） → Post-processing（后处理）

Normalization（标准化）

清理和标准化文本：

from tokenizers.normalizers import NFD, StripAccents, Lowercase, Sequence

tokenizer.normalizer = Sequence([
    NFD(),           # Unicode normalization (decompose)
    Lowercase(),     # Convert to lowercase
    StripAccents()   # Remove accents
])

# Input: "Héllo WORLD"
# After normalization: "hello world"

常用标准化器：

NFD, NFC, NFKD, NFKC - Unicode 标准化形式
Lowercase() - 转换为小写
StripAccents() - 去除重音符号（é → e）
Strip() - 去除空白字符
Replace(pattern, content) - 正则表达式替换

Pre-tokenization（预分词）

将文本分割为类似单词的单元：

from tokenizers.pre_tokenizers import Whitespace, Punctuation, Sequence, ByteLevel

# Split on whitespace and punctuation
tokenizer.pre_tokenizer = Sequence([
    Whitespace(),
    Punctuation()
])

# Input: "Hello, world!"
# After pre-tokenization: ["Hello", ",", "world", "!"]

常用预分词器：

Whitespace() - 按空格、制表符、换行符分割
ByteLevel() - GPT-2 风格的字节级分割
Punctuation() - 隔离标点符号
Digits(individual_digits=True) - 单独分割数字
Metaspace() - 用 ▁ 替换空格（SentencePiece 风格）

Post-processing（后处理）

为模型输入添加特殊 token：

from tokenizers.processors import TemplateProcessing

# BERT-style: [CLS] sentence [SEP]
tokenizer.post_processor = TemplateProcessing(
    single="[CLS] $A [SEP]",
    pair="[CLS] $A [SEP] $B [SEP]",
    special_tokens=[
        ("[CLS]", 1),
        ("[SEP]", 2),
    ],
)

常用模式：

# GPT-2: sentence <|endoftext|>
TemplateProcessing(
    single="$A <|endoftext|>",
    special_tokens=[("<|endoftext|>", 50256)]
)

# RoBERTa: <s> sentence </s>
TemplateProcessing(
    single="<s> $A </s>",
    pair="<s> $A </s> </s> $B </s>",
    special_tokens=[("<s>", 0), ("</s>", 2)]
)

对齐跟踪

跟踪 token 在原始文本中的位置：

output = tokenizer.encode("Hello, world!")

# Get token offsets
for token, offset in zip(output.tokens, output.offsets):
    start, end = offset
    print(f"{token:10} → [{start:2}, {end:2}): {text[start:end]!r}")

# Output:
# hello      → [ 0,  5): 'Hello'
# ,          → [ 5,  6): ','
# world      → [ 7, 12): 'world'
# !          → [12, 13): '!'

使用场景：

命名实体识别（将预测结果映射回文本）
问答系统（提取答案片段）
Token 分类（将标签对齐到原始位置）

与 transformers 集成

使用 AutoTokenizer 加载

from transformers import AutoTokenizer

# AutoTokenizer automatically uses fast tokenizers
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

# Check if using fast tokenizer
print(tokenizer.is_fast)  # True

# Access underlying tokenizers.Tokenizer
fast_tokenizer = tokenizer.backend_tokenizer
print(type(fast_tokenizer))  # <class 'tokenizers.Tokenizer'>

将自定义 tokenizer 转换为 transformers 格式

from tokenizers import Tokenizer
from transformers import PreTrainedTokenizerFast

# Train custom tokenizer
tokenizer = Tokenizer(BPE())
# ... train tokenizer ...
tokenizer.save("my-tokenizer.json")

# Wrap for transformers
transformers_tokenizer = PreTrainedTokenizerFast(
    tokenizer_file="my-tokenizer.json",
    unk_token="[UNK]",
    pad_token="[PAD]",
    cls_token="[CLS]",
    sep_token="[SEP]",
    mask_token="[MASK]"
)

# Use like any transformers tokenizer
outputs = transformers_tokenizer(
    "Hello world",
    padding=True,
    truncation=True,
    max_length=512,
    return_tensors="pt"
)

常见模式

从迭代器训练（大型数据集）

from datasets import load_dataset

# Load dataset
dataset = load_dataset("wikitext", "wikitext-103-raw-v1", split="train")

# Create batch iterator
def batch_iterator(batch_size=1000):
    for i in range(0, len(dataset), batch_size):
        yield dataset[i:i + batch_size]["text"]

# Train tokenizer
tokenizer.train_from_iterator(
    batch_iterator(),
    trainer=trainer,
    length=len(dataset)  # For progress bar
)

性能：处理 1GB 数据约需 10-20 分钟

启用截断和填充

# Enable truncation
tokenizer.enable_truncation(max_length=512)

# Enable padding
tokenizer.enable_padding(
    pad_id=tokenizer.token_to_id("[PAD]"),
    pad_token="[PAD]",
    length=512  # Fixed length, or None for batch max
)

# Encode with both
output = tokenizer.encode("This is a long sentence that will be truncated...")
print(len(output.ids))  # 512

多进程处理

from tokenizers import Tokenizer
from multiprocessing import Pool

# Load tokenizer
tokenizer = Tokenizer.from_file("tokenizer.json")

def encode_batch(texts):
    return tokenizer.encode_batch(texts)

# Process large corpus in parallel
with Pool(8) as pool:
    # Split corpus into chunks
    chunk_size = 1000
    chunks = [corpus[i:i+chunk_size] for i in range(0, len(corpus), chunk_size)]

    # Encode in parallel
    results = pool.map(encode_batch, chunks)

加速比：8 核 CPU 下提升 5-8 倍

性能基准测试

训练速度

语料库大小	BPE (30k 词表)	WordPiece (30k)	Unigram (8k)
10 MB	15 秒	18 秒	25 秒
100 MB	1.5 分钟	2 分钟	4 分钟
1 GB	15 分钟	20 分钟	40 分钟

硬件：16 核 CPU，在英文维基百科上测试

Tokenization 速度

实现方式	1 GB 语料库	吞吐量
纯 Python	~20 分钟	~50 MB/min
HF Tokenizers	~15 秒	~4 GB/min
加速比	80×	80×

测试条件：英文文本，平均句子长度 20 个单词

内存使用

任务	内存
加载 tokenizer	~10 MB
训练 BPE (30k 词表)	~200 MB
编码 100 万条句子	~500 MB

支持的模型

可通过 from_pretrained() 获取的预训练 tokenizer：

BERT 系列：

bert-base-uncased, bert-large-cased
distilbert-base-uncased
roberta-base, roberta-large

GPT 系列：

gpt2, gpt2-medium, gpt2-large
distilgpt2

T5 系列：

t5-small, t5-base, t5-large
google/flan-t5-xxl

其他：

facebook/bart-base, facebook/mbart-large-cc25
albert-base-v2, albert-xlarge-v2
xlm-roberta-base, xlm-roberta-large

浏览全部模型：https://huggingface.co/models?library=tokenizers

参考资料

训练指南 - 训练自定义 tokenizer、配置训练器、处理大型数据集
算法深入解析 - 详细解释 BPE、WordPiece、Unigram
管道组件 - 标准化器、预分词器、后处理器、解码器
Transformers 集成 - AutoTokenizer、PreTrainedTokenizerFast、特殊 token

资源

文档：https://huggingface.co/docs/tokenizers
GitHub：https://github.com/huggingface/tokenizers ⭐ 9,000+
版本：0.20.0+
课程：https://huggingface.co/learn/nlp-course/chapter6/1
论文：BPE (Sennrich et al., 2016), WordPiece (Schuster & Nakajima, 2012)

技能元数据​

参考：完整 SKILL.md​

HuggingFace Tokenizers - 面向 NLP 的快速分词

何时使用 HuggingFace Tokenizers​

快速开始​

安装​

加载预训练分词器​

训练自定义 BPE 分词器​

带填充的批量编码​

分词算法​

BPE (Byte-Pair Encoding, 字节对编码)​

WordPiece​

Unigram​

分词管道​

Normalization（标准化）​

Pre-tokenization（预分词）​

Post-processing（后处理）​

对齐跟踪​

与 transformers 集成​

使用 AutoTokenizer 加载​

将自定义 tokenizer 转换为 transformers 格式​

常见模式​

从迭代器训练（大型数据集）​

启用截断和填充​

多进程处理​

性能基准测试​

训练速度​

Tokenization 速度​

内存使用​

支持的模型​

参考资料​

资源​

技能元数据

参考：完整 SKILL.md

何时使用 HuggingFace Tokenizers

快速开始

安装

加载预训练分词器

训练自定义 BPE 分词器

带填充的批量编码

分词算法

BPE (Byte-Pair Encoding, 字节对编码)

WordPiece

Unigram

分词管道

Normalization（标准化）

Pre-tokenization（预分词）

Post-processing（后处理）

对齐跟踪

与 transformers 集成

使用 AutoTokenizer 加载

将自定义 tokenizer 转换为 transformers 格式

常见模式

从迭代器训练（大型数据集）

启用截断和填充

多进程处理

性能基准测试

训练速度

Tokenization 速度

内存使用

支持的模型

参考资料

资源