1GB文本标记只需20秒!抱抱脸团队发布最新NLP工具

新闻 开发工具
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。

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

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

 

责任编辑:张燕妮 来源: 量子位
相关推荐

2014-08-04 15:13:27

光纤

2014-10-20 16:32:22

万兆光纤韩国

2019-09-27 15:21:03

GitHub代码开发者

2010-11-11 10:21:19

ESXi 4.1

2021-08-30 15:49:19

暗网数据泄露网络攻击

2009-02-10 09:21:02

2020-02-19 15:02:23

代码开发工具

2021-08-02 10:23:16

人工智能无人机技术

2020-05-19 10:33:31

机器翻译GitHubNLP

2023-01-10 14:25:24

微软AI

2018-01-17 17:11:13

OpenAI开源工具包

2022-02-09 20:34:05

SSDSATA协议

2019-08-21 14:35:18

压缩文件优化过程Java

2013-10-22 10:17:17

2011-09-29 09:52:34

惠普一体机

2011-08-10 12:28:49

2020-11-12 18:51:43

Java编程语言

2011-09-05 16:58:15

2011-05-05 11:19:05

笔记本七喜U41-A101

2011-03-15 09:43:27

OperaWeb
点赞
收藏

51CTO技术栈公众号