使用 spacy 通过令牌 ID 提取张量

Question

我正在使用 spacy 3.0 使用转换器模型对文本进行矢量化。 由于数据隐私的原因，矢量化必须在与训练模型的机器不同的机器上。 为了减少我生成的数据量以及必须在机器之间传输的数据量，我像这样提取文本的令牌 ID：

import spacy
nlp = spacy.load("de_dep_news_trf")
doc = nlp("Eine Bank steht im Park.")
print(doc._.trf_data.tokens["input_ids"])

返回

tensor([[    3,   917,  2565,  1302,   106,  3087, 26914,     4]])

现在有了 id，是否可以使用 spacy 从语言模型（ de_dep_news_trf ）中提取正确的张量？

Answer 1

不幸的是，这是不可能的。 问题在于 Transformer 模型为上下文中的各个标记生成嵌入。 意思是，如果你在两个不同的句子中有相同的token_id ，它们可能会有（显着）不同的嵌入。 唯一的方法是返回与每个标记关联的张量，但您不能仅根据input_ids生成它们。