transformers本地加载roberta模型pytorch

本地加载roberta-base模型文件,roberta-large同理,

只不过hidden_size从768变为1024,

在该网站下载模型文件: roberta-base at main (huggingface.co)

所需的有 config.json,  merges.txt,  pytorch_model.bin(下载后重命名),  vocab.json

路径组织结构:

└─model
    │  merges.txt
    │  vocab.json
    │  
    └─roberta-base
            config.json
            pytorch_model.bin

此处transformers版本是2.11.0,

不同版本的transformers里import的用法可能不同,所以强调了版本,

可针对自己的版本去看官方文档

from transformers import RobertaTokenizer

vocab_file = 'model/vocab.json'

merges_file = 'model/merges.txt'

tokenizer = RobertaTokenizer(vocab_file, merges_file)

RobertaTokenizer 和 BertTokenizer 处理数据时不一样,

Roberta模型没有token_type_ids,也就是segment_ids

还有 Bert 的数据格式是

  • pair of sequences: [CLS] A [SEP] B [SEP]

Roberta 的则是

  • pair of sequences: <s> A </s></s> B </s>

参见:RobertaTokenizer中的build_inputs_with_special_tokens 

         与 BertTokenizer中的build_inputs_with_special_tokens

from transformers.modeling_roberta import RobertaModel

 bert = RobertaModel.from_pretrained('model/roberta-base/')