Add missing lang tokens in M2M100Tokenizer.get_vocab (#18416)
This commit is contained in:
@@ -280,7 +280,7 @@ class M2M100Tokenizer(PreTrainedTokenizer):
|
|||||||
return self.prefix_tokens + token_ids_0 + token_ids_1 + self.suffix_tokens
|
return self.prefix_tokens + token_ids_0 + token_ids_1 + self.suffix_tokens
|
||||||
|
|
||||||
def get_vocab(self) -> Dict:
|
def get_vocab(self) -> Dict:
|
||||||
vocab = self.encoder.copy()
|
vocab = {self.convert_ids_to_tokens(i): i for i in range(self.vocab_size)}
|
||||||
vocab.update(self.added_tokens_encoder)
|
vocab.update(self.added_tokens_encoder)
|
||||||
return vocab
|
return vocab
|
||||||
|
|
||||||
|
|||||||
@@ -89,7 +89,7 @@ class M2M100TokenizationTest(TokenizerTesterMixin, unittest.TestCase):
|
|||||||
self.assertEqual(vocab_keys[0], "</s>")
|
self.assertEqual(vocab_keys[0], "</s>")
|
||||||
self.assertEqual(vocab_keys[1], "<unk>")
|
self.assertEqual(vocab_keys[1], "<unk>")
|
||||||
self.assertEqual(vocab_keys[-1], "<s>")
|
self.assertEqual(vocab_keys[-1], "<s>")
|
||||||
self.assertEqual(len(vocab_keys), 10)
|
self.assertEqual(len(vocab_keys), 110)
|
||||||
|
|
||||||
def test_vocab_size(self):
|
def test_vocab_size(self):
|
||||||
self.assertEqual(self.get_tokenizer().vocab_size, 117)
|
self.assertEqual(self.get_tokenizer().vocab_size, 117)
|
||||||
@@ -160,6 +160,9 @@ class M2M100TokenizerIntegrationTest(unittest.TestCase):
|
|||||||
self.assertEqual(self.tokenizer.get_lang_id("ro"), 128076)
|
self.assertEqual(self.tokenizer.get_lang_id("ro"), 128076)
|
||||||
self.assertEqual(self.tokenizer.get_lang_id("mr"), 128063)
|
self.assertEqual(self.tokenizer.get_lang_id("mr"), 128063)
|
||||||
|
|
||||||
|
def test_get_vocab(self):
|
||||||
|
self.assertIn(self.tokenizer.get_lang_token("en"), self.tokenizer.get_vocab())
|
||||||
|
|
||||||
def test_tokenizer_batch_encode_plus(self):
|
def test_tokenizer_batch_encode_plus(self):
|
||||||
self.tokenizer.src_lang = "en"
|
self.tokenizer.src_lang = "en"
|
||||||
ids = self.tokenizer.batch_encode_plus(self.src_text).input_ids[0]
|
ids = self.tokenizer.batch_encode_plus(self.src_text).input_ids[0]
|
||||||
|
|||||||
Reference in New Issue
Block a user