HuggingFace Tokenizers - Tokenização Rápida para NLP

Tokenizadores rápidos e prontos para produção com performance em Rust e facilidade de uso em Python.

Quando usar HuggingFace Tokenizers

Use HuggingFace Tokenizers quando:

• Precisa de tokenização extremamente rápida (<20s por GB de texto)
• Treinar tokenizadores customizados do zero
• Quer rastreamento de alinhamento (token → posição no texto original)
• Construir pipelines NLP para produção
• Precisa tokenizar grandes corpora eficientemente

Performance:

• Velocidade: menos de 20 segundos para tokenizar 1GB em CPU
• Implementação: núcleo em Rust com bindings para Python/Node.js
• Eficiência: 10-100× mais rápido que implementações puras em Python

Use alternativas em vez disso:

• SentencePiece: independente de idioma, usado por T5/ALBERT
• tiktoken: tokenizador BPE da OpenAI para modelos GPT
• transformers AutoTokenizer: apenas carregamento de pré-treinados (usa esta biblioteca internamente)

Início rápido

Instalação

# Instalar tokenizers
pip install tokenizers

# Com integração transformers
pip install tokenizers transformers

Carregar tokenizador pré-treinado

from tokenizers import Tokenizer

# Carregar do HuggingFace Hub
tokenizer = Tokenizer.from_pretrained("bert-base-uncased")

# Codificar texto
output = tokenizer.encode("Hello, how are you?")
print(output.tokens)  # ['hello', ',', 'how', 'are', 'you', '?']
print(output.ids)     # [7592, 1010, 2129, 2024, 2017, 1029]

# Decodificar de volta
text = tokenizer.decode(output.ids)
print(text)  # "hello, how are you?"

Treinar tokenizador BPE customizado

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.pre_tokenizers import Whitespace

# Inicializar tokenizador com modelo BPE
tokenizer = Tokenizer(BPE(unk_token="[UNK]"))
tokenizer.pre_tokenizer = Whitespace()

# Configurar treinador
trainer = BpeTrainer(
    vocab_size=30000,
    special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"],
    min_frequency=2
)

# Treinar em arquivos
files = ["train.txt", "validation.txt"]
tokenizer.train(files, trainer)

# Salvar
tokenizer.save("my-tokenizer.json")

Tempo de treinamento: ~1-2 minutos para corpus de 100MB, ~10-20 minutos para 1GB

Codificação em lote com padding

# Habilitar padding
tokenizer.enable_padding(pad_id=3, pad_token="[PAD]")

# Codificar lote
texts = ["Hello world", "This is a longer sentence"]
encodings = tokenizer.encode_batch(texts)

for encoding in encodings:
    print(encoding.ids)
# [101, 7592, 2088, 102, 3, 3, 3]
# [101, 2023, 2003, 1037, 2936, 6251, 102]

Algoritmos de tokenização

BPE (Codificação de Par de Bytes)

Como funciona:

1. Começar com vocabulário em nível de caractere
2. Encontrar o par de caracteres mais frequente
3. Mesclar em novo token, adicionar ao vocabulário
4. Repetir até atingir o tamanho do vocabulário

Usado por: GPT-2, GPT-3, RoBERTa, BART, DeBERTa

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.pre_tokenizers import ByteLevel

tokenizer = Tokenizer(BPE(unk_token="<|endoftext|>"))
tokenizer.pre_tokenizer = ByteLevel()

trainer = BpeTrainer(
    vocab_size=50257,
    special_tokens=["<|endoftext|>"],
    min_frequency=2
)

tokenizer.train(files=["data.txt"], trainer=trainer)

Vantagens:

• Lida bem com palavras OOV (quebra em subpalavras)
• Tamanho de vocabulário flexível
• Bom para idiomas morfologicamente ricos

Desvantagens:

• Tokenização depende da ordem de mesclagem
• Pode dividir palavras comuns inesperadamente

WordPiece

Como funciona:

1. Começar com vocabulário em nível de caractere
2. Pontuar pares de mesclagem: frequency(pair) / (frequency(first) × frequency(second))
3. Mesclar par com maior pontuação
4. Repetir até atingir o tamanho do vocabulário

Usado por: BERT, DistilBERT, MobileBERT

from tokenizers import Tokenizer
from tokenizers.models import WordPiece
from tokenizers.trainers import WordPieceTrainer
from tokenizers.pre_tokenizers import Whitespace
from tokenizers.normalizers import BertNormalizer

tokenizer = Tokenizer(WordPiece(unk_token="[UNK]"))
tokenizer.normalizer = BertNormalizer(lowercase=True)
tokenizer.pre_tokenizer = Whitespace()

trainer = WordPieceTrainer(
    vocab_size=30522,
    special_tokens=["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"],
    continuing_subword_prefix="##"
)

tokenizer.train(files=["corpus.txt"], trainer=trainer)

Vantagens:

• Prioriza mesclagens significativas (alta pontuação = semanticamente relacionadas)
• Usado com sucesso em BERT (resultados state-of-the-art)

Desvantagens:

• Palavras desconhecidas se tornam [UNK] se não houver correspondência de subpalavra
• Salva vocabulário, não regras de mesclagem (arquivos maiores)

Unigram

Como funciona:

1. Começar com vocabulário grande (todas as substrings)
2. Computar perda para corpus com vocabulário atual
3. Remover tokens com impacto mínimo na perda
4. Repetir até atingir o tamanho do vocabulário

Usado por: ALBERT, T5, mBART, XLNet (via SentencePiece)

from tokenizers import Tokenizer
from tokenizers.models import Unigram
from tokenizers.trainers import UnigramTrainer

tokenizer = Tokenizer(Unigram())

trainer = UnigramTrainer(
    vocab_size=8000,
    special_tokens=["<unk>", "<s>", "</s>"],
    unk_token="<unk>"
)

tokenizer.train(files=["data.txt"], trainer=trainer)

Vantagens:

• Probabilístico (encontra tokenização mais provável)
• Funciona bem para idiomas sem limites de palavra
• Lida com contextos linguísticos diversos

Desvantagens:

• Computacionalmente caro para treinar
• Mais hiperparâmetros para ajustar

Pipeline de tokenização

Pipeline completo: Normalização → Pré-tokenização → Modelo → Pós-processamento

Normalização

Limpar e padronizar texto:

from tokenizers.normalizers import NFD, StripAccents, Lowercase, Sequence

tokenizer.normalizer = Sequence([
    NFD(),           # Normalização Unicode (decomposição)
    Lowercase(),     # Converter para minúsculas
    StripAccents()   # Remover acentos
])

# Entrada: "Héllo WORLD"
# Após normalização: "hello world"

Normalizadores comuns:

• NFD, NFC, NFKD, NFKC - Formas de normalização Unicode
• Lowercase() - Converter para minúsculas
• StripAccents() - Remover acentos (é → e)
• Strip() - Remover espaços em branco
• Replace(pattern, content) - Substituição com regex

Pré-tokenização

Dividir texto em unidades semelhantes a palavras:

from tokenizers.pre_tokenizers import Whitespace, Punctuation, Sequence, ByteLevel

# Dividir em espaços em branco e pontuação
tokenizer.pre_tokenizer = Sequence([
    Whitespace(),
    Punctuation()
])

# Entrada: "Hello, world!"
# Após pré-tokenização: ["Hello", ",", "world", "!"]

Pré-tokenizadores comuns:

• Whitespace() - Dividir em espaços, abas, quebras de linha
• ByteLevel() - Divisão em nível de byte estilo GPT-2
• Punctuation() - Isolar pontuação
• Digits(individual_digits=True) - Dividir dígitos individualmente
• Metaspace() - Substituir espaços por ▁ (estilo SentencePiece)

Pós-processamento

Adicionar tokens especiais para entrada do modelo:

from tokenizers.processors import TemplateProcessing

# Estilo BERT: [CLS] sentence [SEP]
tokenizer.post_processor = TemplateProcessing(
    single="[CLS] $A [SEP]",
    pair="[CLS] $A [SEP] $B [SEP]",
    special_tokens=[
        ("[CLS]", 1),
        ("[SEP]", 2),
    ],
)

Padrões comuns:

# GPT-2: sentence <|endoftext|>
TemplateProcessing(
    single="$A <|endoftext|>",
    special_tokens=[("<|endoftext|>", 50256)]
)

# RoBERTa: <s> sentence </s>
TemplateProcessing(
    single="<s> $A </s>",
    pair="<s> $A </s> </s> $B </s>",
    special_tokens=[("<s>", 0), ("</s>", 2)]
)

Rastreamento de alinhamento

Rastrear posições de tokens no texto original:

output = tokenizer.encode("Hello, world!")

# Obter offsets de token
for token, offset in zip(output.tokens, output.offsets):
    start, end = offset
    print(f"{token:10} → [{start:2}, {end:2}): {text[start:end]!r}")

# Saída:
# hello      → [ 0,  5): 'Hello'
# ,          → [ 5,  6): ','
# world      → [ 7, 12): 'world'
# !          → [12, 13): '!'

Casos de uso:

• Reconhecimento de entidades nomeadas (mapear predições de volta para texto)
• Resposta a perguntas (extrair spans de resposta)
• Classificação de tokens (alinhar rótulos com posições originais)

Integração com transformers

Carregar com AutoTokenizer

from transformers import AutoTokenizer

# AutoTokenizer usa automaticamente tokenizadores rápidos
tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")

# Verificar se está usando tokenizador rápido
print(tokenizer.is_fast)  # True

# Acessar tokenizers.Tokenizer subjacente
fast_tokenizer = tokenizer.backend_tokenizer
print(type(fast_tokenizer))  # <class 'tokenizers.Tokenizer'>

Converter tokenizador customizado para transformers

from tokenizers import Tokenizer
from transformers import PreTrainedTokenizerFast

# Treinar tokenizador customizado
tokenizer = Tokenizer(BPE())
# ... treinar tokenizador ...
tokenizer.save("my-tokenizer.json")

# Envolver para transformers
transformers_tokenizer = PreTrainedTokenizerFast(
    tokenizer_file="my-tokenizer.json",
    unk_token="[UNK]",
    pad_token="[PAD]",
    cls_token="[CLS]",
    sep_token="[SEP]",
    mask_token="[MASK]"
)

# Usar como qualquer tokenizador transformers
outputs = transformers_tokenizer(
    "Hello world",
    padding=True,
    truncation=True,
    max_length=512,
    return_tensors="pt"
)

Padrões comuns

Treinar a partir de iterador (conjuntos de dados grandes)

from datasets import load_dataset

# Carregar conjunto de dados
dataset = load_dataset("wikitext", "wikitext-103-raw-v1", split="train")

# Criar iterador de lote
def batch_iterator(batch_size=1000):
    for i in range(0, len(dataset), batch_size):
        yield dataset[i:i + batch_size]["text"]

# Treinar tokenizador
tokenizer.train_from_iterator(
    batch_iterator(),
    trainer=trainer,
    length=len(dataset)  # Para barra de progresso
)

Performance: Processa 1GB em ~10-20 minutos

Habilitar truncagem e padding

# Habilitar truncagem
tokenizer.enable_truncation(max_length=512)

# Habilitar padding
tokenizer.enable_padding(
    pad_id=tokenizer.token_to_id("[PAD]"),
    pad_token="[PAD]",
    length=512  # Comprimento fixo, ou None para máximo do lote
)

# Codificar com ambos
output = tokenizer.encode("This is a long sentence that will be truncated...")
print(len(output.ids))  # 512

Processamento multi-processamento

from tokenizers import Tokenizer
from multiprocessing import Pool

# Carregar tokenizador
tokenizer = Tokenizer.from_file("tokenizer.json")

def encode_batch(texts):
    return tokenizer.encode_batch(texts)

# Processar corpus grande em paralelo
with Pool(8) as pool:
    # Dividir corpus em chunks
    chunk_size = 1000
    chunks = [corpus[i:i+chunk_size] for i in range(0, len(corpus), chunk_size)]

    # Codificar em paralelo
    results = pool.map(encode_batch, chunks)

Aceleração: 5-8× com 8 núcleos

Benchmarks de performance

Velocidade de treinamento

Tamanho do Corpus	BPE (30k vocab)	WordPiece (30k)	Unigram (8k)
10 MB	15 seg	18 seg	25 seg
100 MB	1.5 min	2 min	4 min
1 GB	15 min	20 min	40 min

Hardware: 16 núcleos de CPU, testado em Wikipedia em inglês

Velocidade de tokenização

Implementação	corpus de 1 GB	Throughput
Python Puro	~20 minutos	~50 MB/min
HF Tokenizers	~15 segundos	~4 GB/min
Aceleração	80×	80×

Teste: Texto em inglês, comprimento médio de frase 20 palavras

Uso de memória

Tarefa	Memória
Carregar tokenizador	~10 MB
Treinar BPE (30k vocab)	~200 MB
Codificar 1M frases	~500 MB

Modelos suportados

Tokenizadores pré-treinados disponíveis via from_pretrained():

Família BERT:

• bert-base-uncased, bert-large-cased
• distilbert-base-uncased
• roberta-base, roberta-large

Família GPT:

• gpt2, gpt2-medium, gpt2-large
• distilgpt2

Família T5:

• t5-small, t5-base, t5-large
• google/flan-t5-xxl

Outros:

• facebook/bart-base, facebook/mbart-large-cc25
• albert-base-v2, albert-xlarge-v2
• xlm-roberta-base, xlm-roberta-large

Navegue por todos: https://huggingface.co/models?library=tokenizers

Referências

• Guia de Treinamento - Treinar tokenizadores customizados, configurar treinadores, lidar com conjuntos de dados grandes
• Mergulho Profundo em Algoritmos - BPE, WordPiece, Unigram explicados em detalhe
• Componentes de Pipeline - Normalizadores, pré-tokenizadores, pós-processadores, decodificadores
• Integração com Transformers - AutoTokenizer, PreTrainedTokenizerFast, tokens especiais

Recursos

• Docs: https://huggingface.co/docs/tokenizers
• GitHub: https://github.com/huggingface/tokenizers ⭐ 9.000+
• Versão: 0.20.0+
• Curso: https://huggingface.co/learn/nlp-course/chapter6/1
• Paper: BPE (Sennrich et al., 2016), WordPiece (Schuster & Nakajima, 2012)