feat: generate tokenizer.json
Browse files- generate_tokenizer.py +26 -0
- tokenizer.json +0 -0
generate_tokenizer.py
ADDED
@@ -0,0 +1,26 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
from tokenizers import BertWordPieceTokenizer
|
2 |
+
from pathlib import Path
|
3 |
+
|
4 |
+
# パスの設定
|
5 |
+
path_dir = "."
|
6 |
+
output_dir = Path(".")
|
7 |
+
|
8 |
+
# ファイルの設定
|
9 |
+
vocab_file = Path(path_dir) / "vocab.txt"
|
10 |
+
|
11 |
+
# トークナイザーの読み込み
|
12 |
+
tokenizer = BertWordPieceTokenizer(vocab=str(vocab_file), lowercase=True)
|
13 |
+
|
14 |
+
# トークナイザーを保存
|
15 |
+
output_file = output_dir / "tokenizer.json"
|
16 |
+
output_dir.mkdir(parents=True, exist_ok=True)
|
17 |
+
tokenizer.save(str(output_file))
|
18 |
+
|
19 |
+
# vocab.txt ファイルを tokenizer.json にリネーム
|
20 |
+
#(output_dir / "vocab.txt").rename(output_dir / "tokenizer.json")
|
21 |
+
|
22 |
+
# tokenizer.json が作成されたことを確認
|
23 |
+
if (output_dir / "tokenizer.json").exists():
|
24 |
+
print("tokenizer.json が正常に作成されました。")
|
25 |
+
else:
|
26 |
+
print("tokenizer.json の作成に失敗しました。")
|
tokenizer.json
ADDED
The diff for this file is too large to render.
See raw diff
|
|