added japanese tokenizer (experimental)
This commit is contained in:
parent
f34cc382c5
commit
b17260cddf
564
models/tokenizers/japanese.json
Executable file
564
models/tokenizers/japanese.json
Executable file
|
@ -0,0 +1,564 @@
|
|||
{
|
||||
"version":"1.0",
|
||||
"truncation":null,
|
||||
"padding":null,
|
||||
"normalizer":null,
|
||||
"pre_tokenizer":{
|
||||
"type":"Whitespace"
|
||||
},
|
||||
"post_processor":null,
|
||||
"decoder":null,
|
||||
"added_tokens":[
|
||||
{
|
||||
"id":0,
|
||||
"special":true,
|
||||
"content":"[STOP]",
|
||||
"single_word":false,
|
||||
"lstrip":false,
|
||||
"rstrip":false,
|
||||
"normalized":false
|
||||
},
|
||||
{
|
||||
"id":1,
|
||||
"special":true,
|
||||
"content":"[UNK]",
|
||||
"single_word":false,
|
||||
"lstrip":false,
|
||||
"rstrip":false,
|
||||
"normalized":false
|
||||
},
|
||||
{
|
||||
"id":2,
|
||||
"special":true,
|
||||
"content":"[SPACE]",
|
||||
"single_word":false,
|
||||
"lstrip":false,
|
||||
"rstrip":false,
|
||||
"normalized":false
|
||||
}
|
||||
],
|
||||
"model":{
|
||||
"type":"BPE",
|
||||
"language": "ja",
|
||||
"dropout":null,
|
||||
"unk_token":"[UNK]",
|
||||
"continuing_subword_prefix":null,
|
||||
"end_of_word_suffix":null,
|
||||
"fuse_unk":false,
|
||||
"vocab":{
|
||||
"[STOP]": 0,
|
||||
"[UNK]": 1,
|
||||
"[SPACE]": 2,
|
||||
|
||||
"ー":255,
|
||||
|
||||
"ア": 14,
|
||||
"イ": 22,
|
||||
"ウ": 34,
|
||||
"エ": 18,
|
||||
"オ": 28,
|
||||
"カ": 254,
|
||||
"ガ": 230,
|
||||
"キ": 253,
|
||||
"キャ": 215,
|
||||
"キュ": 214,
|
||||
"キョ": 213,
|
||||
"ギ": 229,
|
||||
"ギャ": 194,
|
||||
"ギュ": 193,
|
||||
"ギョ": 192,
|
||||
"ク": 252,
|
||||
"グ": 228,
|
||||
"ケ": 93,
|
||||
"ゲ": 112,
|
||||
"コ": 251,
|
||||
"ゴ": 119,
|
||||
"サ": 150,
|
||||
"ザ": 227,
|
||||
"シ": 250,
|
||||
"シャ": 212,
|
||||
"シュ": 211,
|
||||
"ショ": 210,
|
||||
"ジ": 226,
|
||||
"ジャ": 191,
|
||||
"ジュ": 190,
|
||||
"ジョ": 189,
|
||||
"ス": 133,
|
||||
"ズ": 225,
|
||||
"セ": 66,
|
||||
"ゼ": 224,
|
||||
"ソ": 123,
|
||||
"ゾ": 223,
|
||||
"タ": 249,
|
||||
"ダ": 222,
|
||||
"チ": 248,
|
||||
"チャ": 209,
|
||||
"チュ": 208,
|
||||
"チョ": 207,
|
||||
"ヂ": 226,
|
||||
"ツ": 247,
|
||||
"ヅ": 225,
|
||||
"テ": 136,
|
||||
"デ": 126,
|
||||
"ト": 51,
|
||||
"ド": 134,
|
||||
"ナ": 246,
|
||||
"ニ": 245,
|
||||
"ニャ": 206,
|
||||
"ニュ": 205,
|
||||
"ニョ": 204,
|
||||
"ヌ": 244,
|
||||
"ネ": 111,
|
||||
"ノ": 95,
|
||||
"ハ": 102,
|
||||
"バ": 221,
|
||||
"パ": 218,
|
||||
"ヒ": 243,
|
||||
"ヒャ": 203,
|
||||
"ヒュ": 202,
|
||||
"ヒョ": 201,
|
||||
"ビ": 220,
|
||||
"ビャ": 188,
|
||||
"ビュ": 187,
|
||||
"ビョ": 186,
|
||||
"ピ": 217,
|
||||
"ピャ": 185,
|
||||
"ピュ": 184,
|
||||
"ピョ": 183,
|
||||
"フ": 242,
|
||||
"ブ": 219,
|
||||
"プ": 216,
|
||||
"ヘ": 62,
|
||||
"ベ": 67,
|
||||
"ペ": 124,
|
||||
"ホ": 241,
|
||||
"ボ": 165,
|
||||
"ポ": 139,
|
||||
"マ": 240,
|
||||
"ミ": 239,
|
||||
"ミャ": 200,
|
||||
"ミュ": 199,
|
||||
"ミョ": 198,
|
||||
"ム": 238,
|
||||
"メ": 80,
|
||||
"モ": 115,
|
||||
"ヤ": 237,
|
||||
"ユ": 236,
|
||||
"ヨ": 235,
|
||||
"ラ": 234,
|
||||
"リ": 101,
|
||||
"リャ": 197,
|
||||
"リュ": 196,
|
||||
"リョ": 195,
|
||||
"ル": 233,
|
||||
"レ": 46,
|
||||
"ロ": 89,
|
||||
"ワ": 232,
|
||||
"ヲ": 231,
|
||||
"ン": 27,
|
||||
"ッ":182,
|
||||
"ャ":181,
|
||||
"ョ":180,
|
||||
"ュ":179,
|
||||
|
||||
"あ": 14,
|
||||
"い": 22,
|
||||
"う": 34,
|
||||
"え": 18,
|
||||
"お": 28,
|
||||
"か": 254,
|
||||
"が": 230,
|
||||
"き": 253,
|
||||
"きゃ": 215,
|
||||
"きゅ": 214,
|
||||
"きょ": 213,
|
||||
"ぎ": 229,
|
||||
"ぎゃ": 194,
|
||||
"ぎゅ": 193,
|
||||
"ぎょ": 192,
|
||||
"く": 252,
|
||||
"ぐ": 228,
|
||||
"け": 93,
|
||||
"げ": 112,
|
||||
"こ": 251,
|
||||
"ご": 119,
|
||||
"さ": 150,
|
||||
"ざ": 227,
|
||||
"し": 250,
|
||||
"しゃ": 212,
|
||||
"しゅ": 211,
|
||||
"しょ": 210,
|
||||
"じ": 226,
|
||||
"じゃ": 191,
|
||||
"じゅ": 190,
|
||||
"じょ": 189,
|
||||
"す": 133,
|
||||
"ず": 225,
|
||||
"せ": 66,
|
||||
"ぜ": 224,
|
||||
"そ": 123,
|
||||
"ぞ": 223,
|
||||
"た": 249,
|
||||
"だ": 222,
|
||||
"ち": 248,
|
||||
"ちゃ": 209,
|
||||
"ちゅ": 208,
|
||||
"ちょ": 207,
|
||||
"ぢ": 226,
|
||||
"つ": 247,
|
||||
"づ": 225,
|
||||
"て": 136,
|
||||
"で": 126,
|
||||
"と": 51,
|
||||
"ど": 134,
|
||||
"な": 246,
|
||||
"に": 245,
|
||||
"にゃ": 206,
|
||||
"にゅ": 205,
|
||||
"にょ": 204,
|
||||
"ぬ": 244,
|
||||
"ね": 111,
|
||||
"の": 95,
|
||||
"は": 102,
|
||||
"ば": 221,
|
||||
"ぱ": 218,
|
||||
"ひ": 243,
|
||||
"ひゃ": 203,
|
||||
"ひゅ": 202,
|
||||
"ひょ": 201,
|
||||
"び": 220,
|
||||
"びゃ": 188,
|
||||
"びゅ": 187,
|
||||
"びょ": 186,
|
||||
"ぴ": 217,
|
||||
"ぴゃ": 185,
|
||||
"ぴゅ": 184,
|
||||
"ぴょ": 183,
|
||||
"ふ": 242,
|
||||
"ぶ": 219,
|
||||
"ぷ": 216,
|
||||
"へ": 62,
|
||||
"べ": 67,
|
||||
"ぺ": 124,
|
||||
"ほ": 241,
|
||||
"ぼ": 165,
|
||||
"ぽ": 139,
|
||||
"ま": 240,
|
||||
"み": 239,
|
||||
"みゃ": 200,
|
||||
"みゅ": 199,
|
||||
"みょ": 198,
|
||||
"む": 238,
|
||||
"め": 80,
|
||||
"も": 115,
|
||||
"や": 237,
|
||||
"ゆ": 236,
|
||||
"よ": 235,
|
||||
"ら": 234,
|
||||
"り": 101,
|
||||
"りゃ": 197,
|
||||
"りゅ": 196,
|
||||
"りょ": 195,
|
||||
"る": 233,
|
||||
"れ": 46,
|
||||
"ろ": 89,
|
||||
"わ": 232,
|
||||
"を": 231,
|
||||
"ん": 27,
|
||||
"っ":182,
|
||||
"ゃ":181,
|
||||
"ょ":180,
|
||||
"ゅ":179,
|
||||
|
||||
"ba": 221,
|
||||
"bi": 220,
|
||||
"bu": 219,
|
||||
"bya": 188,
|
||||
"byo": 186,
|
||||
"byu": 187,
|
||||
"cha": 209,
|
||||
"chi": 248,
|
||||
"cho": 207,
|
||||
"chu": 208,
|
||||
"da": 222,
|
||||
"fu": 242,
|
||||
"ga": 230,
|
||||
"gi": 229,
|
||||
"gu": 228,
|
||||
"gya": 194,
|
||||
"gyo": 192,
|
||||
"gyu": 193,
|
||||
"hi": 243,
|
||||
"ho": 241,
|
||||
"hya": 203,
|
||||
"hyo": 201,
|
||||
"hyu": 202,
|
||||
"ja": 191,
|
||||
"ji": 226,
|
||||
"jo": 189,
|
||||
"ju": 190,
|
||||
"ka": 254,
|
||||
"ki": 253,
|
||||
"ko": 251,
|
||||
"ku": 252,
|
||||
"kya": 215,
|
||||
"kyo": 213,
|
||||
"kyu": 214,
|
||||
"ma": 240,
|
||||
"mi": 239,
|
||||
"mu": 238,
|
||||
"mya": 200,
|
||||
"myo": 198,
|
||||
"myu": 199,
|
||||
"na": 246,
|
||||
"ni": 245,
|
||||
"nu": 244,
|
||||
"nya": 206,
|
||||
"nyo": 204,
|
||||
"nyu": 205,
|
||||
"pa": 218,
|
||||
"pi": 217,
|
||||
"pu": 216,
|
||||
"py": 183,
|
||||
"pya": 185,
|
||||
"pyu": 184,
|
||||
"ra": 234,
|
||||
"ru": 233,
|
||||
"rya": 197,
|
||||
"ryo": 195,
|
||||
"ryu": 196,
|
||||
"sha": 212,
|
||||
"shi": 250,
|
||||
"sho": 210,
|
||||
"shu": 211,
|
||||
"ta": 249,
|
||||
"tsu": 247,
|
||||
"wa": 232,
|
||||
"wo": 231,
|
||||
"ya": 237,
|
||||
"yo": 235,
|
||||
"yu": 236,
|
||||
"za": 227,
|
||||
"ze": 224,
|
||||
"zo": 223,
|
||||
"zu": 225,
|
||||
|
||||
"!": 3,
|
||||
"'": 4,
|
||||
"(": 5,
|
||||
")": 6,
|
||||
",": 7,
|
||||
"、": 7,
|
||||
"-": 8,
|
||||
".": 9,
|
||||
"。": 9,
|
||||
"…": 9,
|
||||
"/": 10,
|
||||
":": 11,
|
||||
";": 12,
|
||||
"?": 13,
|
||||
|
||||
"a": 14,
|
||||
"b": 15,
|
||||
"c": 16,
|
||||
"d": 17,
|
||||
"e": 18,
|
||||
"f": 19,
|
||||
"g": 20,
|
||||
"h": 21,
|
||||
"i": 22,
|
||||
"j": 23,
|
||||
"k": 24,
|
||||
"l": 25,
|
||||
"m": 26,
|
||||
"n": 27,
|
||||
"o": 28,
|
||||
"p": 29,
|
||||
"q": 30,
|
||||
"r": 31,
|
||||
"s": 32,
|
||||
"t": 33,
|
||||
"u": 34,
|
||||
"v": 35,
|
||||
"w": 36,
|
||||
"x": 37,
|
||||
"y": 38,
|
||||
"z": 39,
|
||||
|
||||
"th": 40,
|
||||
"in": 41,
|
||||
"the": 42,
|
||||
"an": 43,
|
||||
"er": 44,
|
||||
"ou": 45,
|
||||
"re": 46,
|
||||
"on": 47,
|
||||
"at": 48,
|
||||
"ed": 49,
|
||||
"en": 50,
|
||||
"to": 51,
|
||||
"ing": 52,
|
||||
"and": 53,
|
||||
"is": 54,
|
||||
"as": 55,
|
||||
"al": 56,
|
||||
"or": 57,
|
||||
"of": 58,
|
||||
"ar": 59,
|
||||
"it": 60,
|
||||
"es": 61,
|
||||
"he": 62,
|
||||
"st": 63,
|
||||
"le": 64,
|
||||
"om": 65,
|
||||
"se": 66,
|
||||
"be": 67,
|
||||
"ad": 68,
|
||||
"ow": 69,
|
||||
"ly": 70,
|
||||
"ch": 71,
|
||||
"wh": 72,
|
||||
"that": 73,
|
||||
"you": 74,
|
||||
"li": 75,
|
||||
"ve": 76,
|
||||
"ac": 77,
|
||||
"ti": 78,
|
||||
"ld": 79,
|
||||
"me": 80,
|
||||
"was": 81,
|
||||
"gh": 82,
|
||||
"id": 83,
|
||||
"ll": 84,
|
||||
"wi": 85,
|
||||
"ent": 86,
|
||||
"for": 87,
|
||||
"ay": 88,
|
||||
"ro": 89,
|
||||
"ver": 90,
|
||||
"ic": 91,
|
||||
"her": 92,
|
||||
"ke": 93,
|
||||
"his": 94,
|
||||
"no": 95,
|
||||
"ut": 96,
|
||||
"un": 97,
|
||||
"ir": 98,
|
||||
"lo": 99,
|
||||
"we": 100,
|
||||
"ri": 101,
|
||||
"ha": 102,
|
||||
"with": 103,
|
||||
"ght": 104,
|
||||
"out": 105,
|
||||
"im": 106,
|
||||
"ion": 107,
|
||||
"all": 108,
|
||||
"ab": 109,
|
||||
"one": 110,
|
||||
"ne": 111,
|
||||
"ge": 112,
|
||||
"ould": 113,
|
||||
"ter": 114,
|
||||
"mo": 115,
|
||||
"had": 116,
|
||||
"ce": 117,
|
||||
"she": 118,
|
||||
"go": 119,
|
||||
"sh": 120,
|
||||
"ur": 121,
|
||||
"am": 122,
|
||||
"so": 123,
|
||||
"pe": 124,
|
||||
"my": 125,
|
||||
"de": 126,
|
||||
"are": 127,
|
||||
"but": 128,
|
||||
"ome": 129,
|
||||
"fr": 130,
|
||||
"ther": 131,
|
||||
"fe": 132,
|
||||
"su": 133,
|
||||
"do": 134,
|
||||
"con": 135,
|
||||
"te": 136,
|
||||
"ain": 137,
|
||||
"ere": 138,
|
||||
"po": 139,
|
||||
"if": 140,
|
||||
"they": 141,
|
||||
"us": 142,
|
||||
"ag": 143,
|
||||
"tr": 144,
|
||||
"now": 145,
|
||||
"oun": 146,
|
||||
"this": 147,
|
||||
"have": 148,
|
||||
"not": 149,
|
||||
"sa": 150,
|
||||
"il": 151,
|
||||
"up": 152,
|
||||
"thing": 153,
|
||||
"from": 154,
|
||||
"ap": 155,
|
||||
"him": 156,
|
||||
"ack": 157,
|
||||
"ation": 158,
|
||||
"ant": 159,
|
||||
"our": 160,
|
||||
"op": 161,
|
||||
"like": 162,
|
||||
"ust": 163,
|
||||
"ess": 164,
|
||||
"bo": 165,
|
||||
"ok": 166,
|
||||
"ul": 167,
|
||||
"ind": 168,
|
||||
"ex": 169,
|
||||
"com": 170,
|
||||
"some": 171,
|
||||
"there": 172,
|
||||
"ers": 173,
|
||||
"co": 174,
|
||||
"res": 175,
|
||||
"man": 176,
|
||||
"ard": 177,
|
||||
"pl": 178
|
||||
},
|
||||
"merges":[
|
||||
"キ ャ",
|
||||
"キ ュ",
|
||||
"キ ョ",
|
||||
"シ ャ",
|
||||
"シ ュ",
|
||||
"シ ョ",
|
||||
"チ ャ",
|
||||
"チ ュ",
|
||||
"チ ョ",
|
||||
"ニ ャ",
|
||||
"ニ ュ",
|
||||
"ニ ョ",
|
||||
"ヒ ャ",
|
||||
"ヒ ュ",
|
||||
"ヒ ョ",
|
||||
"ミ ャ",
|
||||
"ミ ュ",
|
||||
"ミ ョ",
|
||||
"リ ャ",
|
||||
"リ ュ",
|
||||
"リ ョ",
|
||||
"ギ ャ",
|
||||
"ギ ュ",
|
||||
"ギ ョ",
|
||||
"ジ ャ",
|
||||
"ジ ュ",
|
||||
"ジ ョ",
|
||||
"ビ ャ",
|
||||
"ビ ュ",
|
||||
"ビ ョ",
|
||||
"ピ ャ",
|
||||
"ピ ュ",
|
||||
"ピ ョ"
|
||||
]
|
||||
}
|
||||
}
|
Loading…
Reference in New Issue
Block a user