1GB文本标记只需20秒!抱抱脸团队发布最新NLP工具|资源

赖可 发自 凹非寺
量子位 报道 | 公众号 QbitAI

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:

1GB文本标记只需20秒!抱抱脸团队发布最新NLP工具|资源

也可以用Tokenizers进行新词训练:

1GB文本标记只需20秒!抱抱脸团队发布最新NLP工具|资源

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

1GB文本标记只需20秒!抱抱脸团队发布最新NLP工具|资源

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

参考资料

Hugging Face raises $15 million to build the definitive natural language processing library


https://www.alleywatch.com/2019/12/hugging-face-natural-language-processing-open-source-clement-delangue/

— 完 —

版权所有,未经授权不得以任何形式转载及使用,违者必究。