README.md

---
language:
  - ko
tags:
  - roberta
  - tokenizer only
license:
  - mit
---

## 라이브러리 버전

- transformers: 4.21.1
- datasets: 2.4.0
- tokenizers: 0.12.1

## 훈련 코드

```python
from datasets import load_dataset
from tokenizers import ByteLevelBPETokenizer

tokenizer = ByteLevelBPETokenizer(unicode_normalizer="nfkc", trim_offsets=True)
ds = load_dataset("Bingsu/my-korean-training-corpus", use_auth_token=True)
# 공개된 데이터를 사용할 경우
# ds = load_dataset("cc100", lang="ko")  # 50GB


# 이 데이터는 35GB이고, 데이터가 너무 많으면 컴퓨터가 터져서 일부만 사용했습니다.
ds_sample = ds["train"].train_test_split(0.35, seed=20220819)["test"]


def gen_text(batch_size: int = 5000):
    for i in range(0, len(ds_sample), batch_size):
        yield ds_sample[i : i + batch_size]["text"]


tokenizer.train_from_iterator(
    gen_text(),
    vocab_size=50265,  # roberta-base와 같은 크기
    min_frequency=2,
    special_tokens=[
        "<s>",
        "<pad>",
        "</s>",
        "<unk>",
        "<mask>",
    ],
)
tokenizer.save("my_tokenizer.json")
```

약 7시간 소모 (i5-12600 non-k)
![image](https://i.imgur.com/LNNbtGH.png)


이후 토크나이저의 post-processor를 RobertaProcessing으로 교체합니다.

```python
from tokenizers import Tokenizer
from tokenizers.processors import RobertaProcessing

tokenizer = Tokenizer.from_file("my_tokenizer.json")
tokenizer.post_processor = RobertaProcessing(
    ("</s>", tokenizer.token_to_id("</s>")),
    ("<s>", tokenizer.token_to_id("<s>")),
    add_prefix_space=False,
)

tokenizer.save("my_tokenizer2.json")
```
`add_prefix_space=False`옵션은 [roberta-base](https://huggingface.co/roberta-base)를 그대로 따라하기 위한 것입니다.

그리고 `model_max_length` 설정을 해주었습니다.

```python
from transformers import RobertaTokenizerFast

rt = RobertaTokenizerFast(tokenizer_file="tokenizer.json")
rt.save_pretrained("./my_roberta_tokenizer")
```
저장된 폴더의 `tokenizer_config.json` 파일에 `"model_max_length": 512,`를 추가.


## 사용법

#### 1.

```python
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Bingsu/BBPE_tokenizer_test")

# tokenizer는 RobertaTokenizerFast 클래스가 됩니다.
```

#### 2.

`tokenizer.json`파일을 먼저 다운받습니다.

```python
from transformers import BartTokenizerFast, BertTokenizerFast

bart_tokenizer = BartTokenizerFast(tokenizer_file="tokenizer.json")
bert_tokenizer = BertTokenizerFast(tokenizer_file="tokenizer.json")
```

roberta와 같이 BBPE를 사용한 bart는 물론이고 bert에도 불러올 수 있습니다.
다만 이렇게 불러왔을 경우, model_max_len이 지정이 되어있지 않으니 지정해야 합니다.