add missing file
This commit is contained in:
parent
d355d2020f
commit
2d315ba9a9
1 changed files with 72 additions and 0 deletions
72
convert/tokenizer.go
Normal file
72
convert/tokenizer.go
Normal file
|
@ -0,0 +1,72 @@
|
|||
package convert
|
||||
|
||||
import (
|
||||
"encoding/json"
|
||||
"io/ioutil"
|
||||
"os"
|
||||
)
|
||||
|
||||
type Tokenizer struct {
|
||||
Version string `json:"version"`
|
||||
AddedTokens []Token `json:"added_tokens"`
|
||||
Model TokenizerModel `json:"model"`
|
||||
}
|
||||
|
||||
type TokenizerModel struct {
|
||||
Type string `json:"type"`
|
||||
Vocab map[string]int `json:"vocab"`
|
||||
Merges []string `json:"merges"`
|
||||
Tokens []Token
|
||||
}
|
||||
|
||||
type Token struct {
|
||||
ID int `json:"id"`
|
||||
Content string `json:"content"`
|
||||
Special bool `json:"special"`
|
||||
UserDefined bool
|
||||
}
|
||||
|
||||
func (t *Tokenizer) getMaxID() int {
|
||||
var maxID int
|
||||
for _, v := range t.Model.Vocab {
|
||||
maxID = max(maxID, v)
|
||||
}
|
||||
|
||||
for _, v := range t.AddedTokens {
|
||||
maxID = max(maxID, v.ID)
|
||||
}
|
||||
return maxID
|
||||
}
|
||||
|
||||
func newTokenizer(dirpath string) (*Tokenizer, error) {
|
||||
f, err := os.Open(dirpath)
|
||||
if err != nil {
|
||||
panic(err)
|
||||
}
|
||||
defer f.Close()
|
||||
|
||||
data, err := ioutil.ReadAll(f)
|
||||
if err != nil {
|
||||
return nil, err
|
||||
}
|
||||
|
||||
var tdata Tokenizer
|
||||
|
||||
if err := json.Unmarshal(data, &tdata); err != nil {
|
||||
return nil, err
|
||||
}
|
||||
|
||||
maxID := tdata.getMaxID()
|
||||
tdata.Model.Tokens = make([]Token, maxID+1)
|
||||
|
||||
for k, v := range tdata.Model.Vocab {
|
||||
tdata.Model.Tokens[v] = Token{ID: v, Content: k, Special: false, UserDefined: false}
|
||||
}
|
||||
|
||||
for _, v := range tdata.AddedTokens {
|
||||
v.UserDefined = true
|
||||
tdata.Model.Tokens[v.ID] = v
|
||||
}
|
||||
|
||||
return &tdata, nil
|
||||
}
|
Loading…
Reference in a new issue