File size: 16,120 Bytes
6bfd4dd |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 |
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"id": "6627cfba-e3f0-4a37-92b7-7f145005b0a7",
"metadata": {},
"outputs": [],
"source": [
"from transformers import PreTrainedTokenizerFast\n",
"from phonemizer import phonemize\n",
"from phonemizer.backend import EspeakBackend\n",
"from phonemizer.separator import Separator\n",
"\n",
"test_string = 'इसरो ने चंद्रयान-3 मिशन के लिए तीन मुख्य उद्देश्य निर्धारित किए हैं, जिनमें शामिल हैं: लैंडर की चंद्रमा की सतह पर सुरक्षित और सॉफ्ट लैंडिंग कराना। चंद्रमा पर रोवर की विचरण क्षमताओं का अवलोकन और प्रदर्शन। चंद्रमा की संरचना को बेहतर ढंग से समझने और उसके विज्ञान को अभ्यास में लाने के लिए चंद्रमा की सतह पर उपलब्ध रासायनिक और प्राकृतिक तत्वों, मिट्टी, पानी आदि पर वैज्ञानिक प्रयोग करना।'\n",
"\n",
"phonemized = phonemize(\n",
" [test_string],\n",
" language = 'hi',\n",
" backend = 'espeak',\n",
" separator = Separator(phone = None, word = ' ', syllable = None),\n",
" strip = True,\n",
" preserve_punctuation = True,\n",
" njobs = 1\n",
" )"
]
},
{
"cell_type": "code",
"execution_count": 2,
"id": "5d23d7bd-2034-4e97-a262-901ab4d454fc",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"69\n",
"70\n"
]
}
],
"source": [
"words = test_string.split()\n",
"phn_words = phonemized[0].split()\n",
"print(len(words))\n",
"print(len(phn_words))"
]
},
{
"cell_type": "markdown",
"id": "54275b7e-39f1-4e3a-aa00-799434f9aba0",
"metadata": {},
"source": [
"### Scratch Unigram Tokenizer"
]
},
{
"cell_type": "code",
"execution_count": 3,
"id": "45224695-ee8a-4130-a349-f5740dc064a4",
"metadata": {},
"outputs": [],
"source": [
"hin_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_scratch_UnigramTokenizer/\")\n",
"hin_phonemized_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_phonemized_scratch_UnigramTokenizer/\")"
]
},
{
"cell_type": "code",
"execution_count": 4,
"id": "75896d0b-fc2f-45b0-a387-bc6fdc19a390",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"79\n",
"['▁इसरो', '▁ने', '▁चंद्र', 'यान', '-', '3', '▁मिशन', '▁के', '▁लिए', '▁तीन', '▁मुख्य', '▁उद्देश्य', '▁निर्धारित', '▁किए', '▁हैं,', '▁जिनमें', '▁शामिल', '▁हैं:', '▁लैंड', 'र', '▁की', '▁चंद्रमा', '▁की', '▁सतह', '▁पर', '▁सुरक्षित', '▁और', '▁सॉफ्ट', '▁लैंडिंग', '▁कराना', '।', '▁चंद्रमा', '▁पर', '▁रोवर', '▁की', '▁विचरण', '▁क्षमताओं', '▁का', '▁अवलोकन', '▁और', '▁प्रदर्शन', '।', '▁चंद्रमा', '▁की', '▁संरचना', '▁को', '▁बेहतर', '▁ढंग', '▁से', '▁समझने', '▁और', '▁उसके', '▁विज्ञान', '▁को', '▁अभ्यास', '▁में', '▁लाने', '▁के', '▁लिए', '▁चंद्रमा', '▁की', '▁सतह', '▁पर', '▁उपलब्ध', '▁रासायनिक', '▁और', '▁प्राकृतिक', '▁तत्वों', ',', '▁मिट्टी', ',', '▁पानी', '▁आदि', '▁पर', '▁वैज्ञानिक', '▁प्रयोग', '▁करना।']\n"
]
}
],
"source": [
"print(len(hin_scratch_tokenizer.encode(test_string)))\n",
"print(hin_scratch_tokenizer.tokenize(test_string))"
]
},
{
"cell_type": "code",
"execution_count": 5,
"id": "02468de9-a22b-430c-ba3f-a48169c25b6e",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"82\n",
"['▁ɪs', 'ɾoː', '▁neː', '▁cəndɾəjaːn', '▁tiːn', '▁mɪʃən', '▁keː', '▁lɪeː', '▁tiːn', '▁mʊkhjə', '▁ʊdːeːʃjə', '▁nɪɾdhaːɾɪt', '▁kɪeː', '▁hɛ̃', ',', '▁ɟɪnmẽː', '▁ʃaːmɪl', '▁hɛ̃', ':', '▁', 'lɛ̃ɖəɾ', '▁ki', '▁cʌndɾəmaː', '▁ki', '▁sʌtəh', '▁pʌɾ', '▁sʊɾʌkʃɪt', '▁ɔːɾ', '▁sɔphʈ', '▁lɛ̃ɖĩɡ', '▁', 'kəɾaːnaː', '▁cʌndɾəmaː', '▁pʌɾ', '▁', 'ɾoːʋəɾ', '▁ki', '▁ʋɪcəɾəɳ', '▁', 'kʃəmtaːw', '▁kaː', '▁ʌʋloːkən', '▁ɔːɾ', '▁pɾədʌrʃən', '▁cʌndɾəmaː', '▁ki', '▁sʌnɾəcnaː', '▁koː', '▁beːhətəɾ', '▁ɖhʌŋɡ', '▁seː', '▁sʌməɟhneː', '▁ɔːɾ', '▁ʊskeː', '▁ʋɪɡjaːn', '▁koː', '▁ʌbhjaːs', '▁mẽː', '▁laːneː', '▁keː', '▁lɪeː', '▁cʌndɾəmaː', '▁ki', '▁sʌtəh', '▁pʌɾ', '▁ʊpəlʌbdh', '▁ɾaːsaːjnɪk', '▁ɔːɾ', '▁pɾaːkɾɪtɪk', '▁', 'tʌtʋõ', ',', '▁mɪʈʈi', ',', '▁paːni', '▁aːdɪ', '▁pʌɾ', '▁ʋɛːɡjaːnɪk', '▁pɾəjoːɡ', '▁kʌɾnaː']\n"
]
}
],
"source": [
"print(len(hin_phonemized_scratch_tokenizer.encode(phonemized[0])))\n",
"print(hin_phonemized_scratch_tokenizer.tokenize(phonemized[0]))"
]
},
{
"cell_type": "markdown",
"id": "2abc2dee-ab30-4721-908b-cbac40a694d5",
"metadata": {},
"source": [
"### Scratch WordPiece Tokenizer"
]
},
{
"cell_type": "code",
"execution_count": 6,
"id": "05bb2b9e-ade4-48c2-ba58-d43536a6d547",
"metadata": {},
"outputs": [],
"source": [
"hin_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_scratch_WordPieceTokenizer/\")\n",
"hin_phonemized_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_phonemized_scratch_WordPieceTokenizer/\")"
]
},
{
"cell_type": "code",
"execution_count": 7,
"id": "ead210ee-08ee-40cd-ba81-c3bd8a123ac5",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"82\n",
"['इसरो', 'ने', 'चंद्र', '##यान', '-', '3', 'मिशन', 'के', 'लिए', 'तीन', 'मुख्य', 'उद्देश्य', 'निर्धारित', 'किए', 'हैं', ',', 'जिनमें', 'शामिल', 'हैं', ':', 'लैंड', '##र', 'की', 'चंद्रमा', 'की', 'सतह', 'पर', 'सुरक्षित', 'और', 'सॉफ्ट', 'लैंडिंग', 'कराना', '।', 'चंद्रमा', 'पर', 'रोवर', 'की', 'विचरण', 'क्षमताओं', 'का', 'अवलोकन', 'और', 'प्रदर्शन', '।', 'चंद्रमा', 'की', 'संरचना', 'को', 'बेहतर', 'ढंग', 'से', 'समझने', 'और', 'उसके', 'विज्ञान', 'को', 'अभ्यास', 'में', 'लाने', 'के', 'लिए', 'चंद्रमा', 'की', 'सतह', 'पर', 'उपलब्ध', 'रासायनिक', 'और', 'प्राकृतिक', 'तत्वों', ',', 'मिट्टी', ',', 'पानी', 'आदि', 'पर', 'वैज्ञानिक', 'प्रयोग', 'करना', '।']\n"
]
}
],
"source": [
"print(len(hin_scratch_tokenizer.encode(test_string)))\n",
"print(hin_scratch_tokenizer.tokenize(test_string))"
]
},
{
"cell_type": "code",
"execution_count": 8,
"id": "57db11bb-1acc-4392-93c9-4b530e72d48c",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"78\n",
"['ɪsɾoː', 'neː', 'cəndɾə', '##jaːn', 'tiːn', 'mɪʃən', 'keː', 'lɪeː', 'tiːn', 'mʊkʰjə', 'ʊdːeːʃjə', 'nɪɾdʰaːɾɪt', 'kɪeː', 'hɛ̃', '[UNK]', 'ɟɪnmẽː', 'ʃaːmɪl', 'hɛ̃', '[UNK]', 'lɛ̃ɖ', '##əɾ', 'ki', 'cʌndɾəmaː', 'ki', 'sʌtəh', 'pʌɾ', 'sʊɾʌkʃɪt', 'ɔːɾ', 'sɔpʰʈ', 'lɛ̃ɖĩɡ', 'kəɾaːnaː', 'cʌndɾəmaː', 'pʌɾ', 'ɾoːʋəɾ', 'ki', 'ʋɪcəɾəɳ', 'kʃəmtaːw', 'kaː', 'ʌʋloːkən', 'ɔːɾ', 'pɾədʌrʃən', 'cʌndɾəmaː', 'ki', 'sʌnɾəcnaː', 'koː', 'beːhətəɾ', 'ɖʰʌŋɡ', 'seː', 'sʌməɟʰneː', 'ɔːɾ', 'ʊskeː', 'ʋɪɡjaːn', 'koː', 'ʌbʰjaːs', 'mẽː', 'laːneː', 'keː', 'lɪeː', 'cʌndɾəmaː', 'ki', 'sʌtəh', 'pʌɾ', 'ʊpəlʌbdʰ', 'ɾaːsaːjnɪk', 'ɔːɾ', 'pɾaːkɾɪtɪk', 'tʌtʋõ', '[UNK]', 'mɪʈʈi', '[UNK]', 'paːni', 'aːdɪ', 'pʌɾ', 'ʋɛːɡjaːnɪk', 'pɾəjoːɡ', 'kʌɾnaː']\n"
]
}
],
"source": [
"print(len(hin_phonemized_scratch_tokenizer.encode(phonemized[0])))\n",
"print(hin_phonemized_scratch_tokenizer.tokenize(phonemized[0]))"
]
},
{
"cell_type": "markdown",
"id": "fddfd47d-370c-4968-a166-578063047ace",
"metadata": {},
"source": [
"### Scratch BPE Tokenizer"
]
},
{
"cell_type": "code",
"execution_count": 9,
"id": "637194b7-bbae-4e53-a0a1-16aab1660254",
"metadata": {},
"outputs": [],
"source": [
"hin_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_scratch_BPETokenizer/\")\n",
"hin_phonemized_scratch_tokenizer = PreTrainedTokenizerFast.from_pretrained(\"trained_tokenizers/hindi_phonemized_scratch_BPETokenizer/\")"
]
},
{
"cell_type": "code",
"execution_count": 10,
"id": "c7cb49a5-a7a9-42bd-89f0-71865bd40a71",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"246\n",
"['à¤ĩसर', 'à¥ĭ', 'Ġन', 'à¥ĩ', 'Ġà¤ļ', 'à¤Ĥ', 'द', 'à¥į', 'रय', 'ा', 'न', '-', '3', 'Ġम', 'ि', 'शन', 'Ġà¤ķ', 'à¥ĩ', 'Ġल', 'ि', 'à¤ı', 'Ġत', 'à¥Ģ', 'न', 'Ġम', 'à¥ģ', 'à¤ĸ', 'à¥į', 'य', 'Ġà¤īद', 'à¥į', 'द', 'à¥ĩ', 'श', 'à¥į', 'य', 'Ġन', 'ि', 'र', 'à¥į', 'ध', 'ा', 'र', 'ि', 'त', 'Ġà¤ķ', 'ि', 'à¤ı', 'Ġह', 'à¥Īà¤Ĥ,', 'Ġà¤ľ', 'ि', 'नम', 'à¥ĩà¤Ĥ', 'Ġश', 'ा', 'म', 'ि', 'ल', 'Ġह', 'à¥Īà¤Ĥ:', 'Ġल', 'à¥Īà¤Ĥ', 'डर', 'Ġà¤ķ', 'à¥Ģ', 'Ġà¤ļ', 'à¤Ĥ', 'द', 'à¥į', 'रम', 'ा', 'Ġà¤ķ', 'à¥Ģ', 'Ġसतह', 'Ġपर', 'Ġस', 'à¥ģ', 'रà¤ķ', 'à¥į', 'ष', 'ि', 'त', 'Ġà¤Ķर', 'Ġस', 'à¥ī', 'फ', 'à¥į', 'à¤Ł', 'Ġल', 'à¥Īà¤Ĥ', 'ड', 'िà¤Ĥ', 'à¤Ĺ', 'Ġà¤ķर', 'ा', 'न', 'ा।', 'Ġà¤ļ', 'à¤Ĥ', 'द', 'à¥į', 'रम', 'ा', 'Ġपर', 'Ġर', 'à¥ĭ', 'वर', 'Ġà¤ķ', 'à¥Ģ', 'Ġव', 'ि', 'à¤ļरण', 'Ġà¤ķ', 'à¥į', 'षमत', 'ा', 'à¤ĵ', 'à¤Ĥ', 'Ġà¤ķ', 'ा', 'Ġà¤ħवल', 'à¥ĭ', 'à¤ķन', 'Ġà¤Ķर', 'Ġप', 'à¥į', 'रदर', 'à¥į', 'शन', '।', 'Ġà¤ļ', 'à¤Ĥ', 'द', 'à¥į', 'रम', 'ा', 'Ġà¤ķ', 'à¥Ģ', 'Ġस', 'à¤Ĥ', 'रà¤ļन', 'ा', 'Ġà¤ķ', 'à¥ĭ', 'Ġब', 'à¥ĩ', 'हतर', 'Ġढ', 'à¤Ĥ', 'à¤Ĺ', 'Ġस', 'à¥ĩ', 'Ġसमà¤Ŀन', 'à¥ĩ', 'Ġà¤Ķर', 'Ġà¤īसà¤ķ', 'à¥ĩ', 'Ġव', 'ि', 'à¤ľ', 'à¥į', 'à¤ŀ', 'ा', 'न', 'Ġà¤ķ', 'à¥ĭ', 'Ġà¤ħà¤Ń', 'à¥į', 'य', 'ा', 'स', 'Ġम', 'à¥ĩà¤Ĥ', 'Ġल', 'ा', 'न', 'à¥ĩ', 'Ġà¤ķ', 'à¥ĩ', 'Ġल', 'ि', 'à¤ı', 'Ġà¤ļ', 'à¤Ĥ', 'द', 'à¥į', 'रम', 'ा', 'Ġà¤ķ', 'à¥Ģ', 'Ġसतह', 'Ġपर', 'Ġà¤īपलब', 'à¥į', 'ध', 'Ġर', 'ा', 'स', 'ा', 'यन', 'ि', 'à¤ķ', 'Ġà¤Ķर', 'Ġप', 'à¥į', 'र', 'ा', 'à¤ķ', 'à¥ĥ', 'त', 'ि', 'à¤ķ', 'Ġतत', 'à¥į', 'व', 'à¥ĭà¤Ĥ,', 'Ġम', 'ि', 'à¤Ł', 'à¥į', 'à¤Ł', 'à¥Ģ,', 'Ġप', 'ा', 'न', 'à¥Ģ', 'Ġà¤Ĩद', 'ि', 'Ġपर', 'Ġव', 'à¥Ī', 'à¤ľ', 'à¥į', 'à¤ŀ', 'ा', 'न', 'ि', 'à¤ķ', 'Ġप', 'à¥į', 'रय', 'à¥ĭ', 'à¤Ĺ', 'Ġà¤ķरन', 'ा।']\n"
]
}
],
"source": [
"print(len(hin_scratch_tokenizer.encode(test_string)))\n",
"print(hin_scratch_tokenizer.tokenize(test_string))"
]
},
{
"cell_type": "code",
"execution_count": 11,
"id": "ab40aca4-2f79-4668-b465-e80cb8129a68",
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"85\n",
"['ɪs', 'ɾoËIJ', 'ĠneËIJ', 'ĠcÉĻndɾÉĻ', 'jaËIJn', 'ĠtiËIJn', 'ĠmɪÊĥÉĻn', 'ĠkeËIJ', 'ĠlɪeËIJ', 'ĠtiËIJn', 'ĠmÊĬkÊ°jÉĻ', 'ĠÊĬdËIJeËIJÊĥjÉĻ', 'ĠnɪɾdÊ°aËIJɾɪt', 'ĠkɪeËIJ', 'ĠhÉĽ', 'Ìĥ', 'ĠÉŁÉªnme', 'Ìĥ', 'ËIJ', 'ĠÊĥaËIJmɪl', 'ĠhÉĽ', 'Ìĥ', 'ĠlÉĽ', 'Ìĥ', 'ÉĸÉĻɾ', 'Ġki', 'ĠcÊĮndɾÉĻmaËIJ', 'Ġki', 'ĠsÊĮtÉĻh', 'ĠpÊĮɾ', 'ĠsÊĬɾÊĮkÊĥɪt', 'ĠÉĶËIJɾ', 'ĠsÉĶpÊ°ÊĪ', 'ĠlÉĽ', 'Ìĥ', 'Éĸi', 'Ìĥ', 'É¡', 'ĠkÉĻɾaËIJnaËIJ', 'ĠcÊĮndɾÉĻmaËIJ', 'ĠpÊĮɾ', 'ĠɾoËIJÊĭÉĻɾ', 'Ġki', 'ĠÊĭɪcÉĻɾÉĻɳ', 'ĠkÊĥÉĻmtaËIJw', 'ĠkaËIJ', 'ĠÊĮÊĭloËIJkÉĻn', 'ĠÉĶËIJɾ', 'ĠpɾÉĻdÊĮrÊĥÉĻn', 'ĠcÊĮndɾÉĻmaËIJ', 'Ġki', 'ĠsÊĮnɾÉĻcnaËIJ', 'ĠkoËIJ', 'ĠbeËIJhÉĻtÉĻɾ', 'ĠÉĸÊ°ÊĮÅĭÉ¡', 'ĠseËIJ', 'ĠsÊĮmÉĻÉŁÊ°neËIJ', 'ĠÉĶËIJɾ', 'ĠÊĬskeËIJ', 'ĠÊĭɪɡjaËIJn', 'ĠkoËIJ', 'ĠÊĮbÊ°jaËIJs', 'Ġme', 'Ìĥ', 'ËIJ', 'ĠlaËIJneËIJ', 'ĠkeËIJ', 'ĠlɪeËIJ', 'ĠcÊĮndɾÉĻmaËIJ', 'Ġki', 'ĠsÊĮtÉĻh', 'ĠpÊĮɾ', 'ĠÊĬpÉĻlÊĮbdÊ°', 'ĠɾaËIJsaËIJjnɪk', 'ĠÉĶËIJɾ', 'ĠpɾaËIJkɾɪtɪk', 'ĠtÊĮtÊĭo', 'Ìĥ', 'ĠmɪÊĪÊĪi', 'ĠpaËIJni', 'ĠaËIJdɪ', 'ĠpÊĮɾ', 'ĠÊĭÉĽËIJÉ¡jaËIJnɪk', 'ĠpɾÉĻjoËIJÉ¡', 'ĠkÊĮɾnaËIJ']\n"
]
}
],
"source": [
"print(len(hin_phonemized_scratch_tokenizer.encode(phonemized[0])))\n",
"print(hin_phonemized_scratch_tokenizer.tokenize(phonemized[0]))"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.11.7"
}
},
"nbformat": 4,
"nbformat_minor": 5
}
|