使用encode_plus方法时令牌索引序列长度错误

Question

在尝试使用encode_plusTransformers 库中提供的方法为 BERT 编码问答对时，我遇到了一个奇怪的错误。

我正在使用来自这个 Kaggle 比赛的数据。给定问题标题、问题正文和答案，模型必须预测 30 个值（回归问题）。我的目标是将以下编码作为 BERT 的输入：

[CLS] question_title question_body [SEP] 回答 [SEP]

但是，当我尝试使用

tokenizer = transformers.BertTokenizer.from_pretrained("bert-base-uncased")

并仅对来自 train.csv 的第二个输入进行编码，如下所示：

inputs = tokenizer.encode_plus(
            df_train["question_title"].values[1] + " " + df_train["question_body"].values[1], # first sequence to be encoded
            df_train["answer"].values[1], # second sequence to be encoded
            add_special_tokens=True, # [CLS] and 2x [SEP] 
            max_len = 512,
            pad_to_max_length=True
            )

我收到以下错误：

Token indices sequence length is longer than the specified maximum sequence length for this model (46 > 512). Running this sequence through the model will result in indexing errors

它说令牌索引的长度比指定的最大序列长度长，但事实并非如此（如您所见，46 不 > 512）。

这发生在df_train. 我在这里做错了吗？

Answer 1

模型“bert-base-uncased”没有经过预先训练来处理 [CLS] + Question + [SEP] + Context + [SEP] 的长文本。Huggingface 模型中专门用于小队问答数据集的任何其他模型都可以处理长序列。

例如，如果我使用 ALBERT 模型，我会选择“ktrapeznikov/albert-xlarge-v2-squad-v2”模型。