fix padding

tokenization_chatglm.py

@@ -1,12 +1,10 @@
 import regex as re
 import base64
 import os
-import json
 import tiktoken
-from torch import TensorType
-from typing import List, Optional, Union, Dict, Any
+from typing import List, Optional, Union, Dict
 from transformers import PreTrainedTokenizer
-from transformers.utils import logging, PaddingStrategy
+from transformers.utils import PaddingStrategy
 from transformers.tokenization_utils_base import EncodedInput, BatchEncoding
 
 
@@ -17,16 +15,13 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
     def __init__(
             self,
             vocab_file,
-            padding_side="left",
             clean_up_tokenization_spaces=False,
-            encode_special_tokens=False,
             **kwargs
     ):
         self.name = "GLM4Tokenizer"
         self.vocab_file = vocab_file
         pat_str = "(?i:'s|'t|'re|'ve|'m|'ll|'d)|[^\\r\\n\\p{L}\\p{N}]?\\p{L}+|\\p{N}{1,3}| ?[^\\s\\p{L}\\p{N}]+[\\r\\n]*|\\s*[\\r\\n]+|\\s+(?!\\S)|\\s+"
         self.pat_str = re.compile(pat_str)
-        self.encode_special_tokens = encode_special_tokens
 
         mergeable_ranks = {}
         with open(vocab_file) as f:
@@ -48,7 +43,6 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
         self.n_words = len(self.decoder)
 
         super().__init__(
-            padding_side=padding_side,
             clean_up_tokenization_spaces=clean_up_tokenization_spaces,
             **kwargs
         )
@@ -141,99 +135,6 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
         else:
             return str(f"<|{role}|>{metadata}\n{message}")
 
-    # Use Jinja Template in tokenizer_config.json
-    # def apply_chat_template(
-    #         self,
-    #         conversation: Union[List[Dict[str, str]], List[List[Dict[str, str]]], "Conversation"],
-    #         add_generation_prompt: bool = False,
-    #         tokenize: bool = True,
-    #         padding: bool = False,
-    #         truncation: bool = False,
-    #         max_length: Optional[int] = None,
-    #         return_tensors: Optional[Union[str, TensorType]] = None,
-    #         return_dict: bool = False,
-    #         tokenizer_kwargs: Optional[Dict[str, Any]] = None,
-    #         add_special_tokens: bool = True,
-    #         **kwargs,
-    # ) -> Union[str, List[int], List[str], List[List[int]], BatchEncoding]:
-    #
-    #     if return_dict and not tokenize:
-    #         raise ValueError(
-    #             "`return_dict=True` is incompatible with `tokenize=False`, because there is no dict "
-    #             "of tokenizer outputs to return."
-    #         )
-    #
-    #     def handle_single_conversation(conversation):
-    #         input_ids = self.get_prefix_tokens() if add_special_tokens else []
-    #         input_message = "[gMASK]<sop>" if add_special_tokens else ""
-    #         for item in conversation:
-    #             if item.get("tools"):
-    #                 tools = item["tools"]
-    #                 content = "你是一个名为 GhatGLM 的人工智能助手。你是基于智谱AI训练的语言模型 GLM-4 模型开发的，你的任务是针对用户的问题和要求提供适当的答复和支持。"
-    #                 content += "\n\n# 可用工具"
-    #                 for tool in tools:
-    #                     if tool["type"] == "function":
-    #                         function = tool["function"]
-    #                         content += f"\n\n## {function['name']}\n\n{json.dumps(function, ensure_ascii=False, indent=4)}"
-    #                         content += "\n在调用上述函数时，请使用 Json 格式表示调用的参数。"
-    #                     elif tool["type"] == "python":
-    #                         content += "\n\n## python\n\n当你向 `python` 发送包含 Python 代码的消息时，该代码将会在一个有状态的 Jupyter notebook 环境中执行。\n`python` 返回代码执行的输出，或在执行 60 秒后返回超时。\n`/mnt/data` 将会持久化存储你的文件。在此会话中，`python` 无法访问互联网。不要使用 `python` 进行任何网络请求或者在线 API 调用，这些在线内容的访问将不会成功。"
-    #                     elif tool["type"] == "simple_browser":
-    #                         content += "\n\n## simple_browser\n\n你可以使用 `simple_browser` 工具。该工具支持以下函数：\n`search(query: str, recency_days: int)`：使用搜索引擎进行查询并显示结果，可以使用 `recency_days` 参数控制搜索内容的时效性。\n`mclick(ids: list[int])`：获取一系列指定 id 的页面内容。每次调用时，须选择3-10个页面。选择多个角度的页面，同时尽可能选择可信任的信息来源。考虑到部分页面是无法加载的，你也可以多打开一些可能有用的页面而不用担心内容过多。\n`open_url(url: str)`：打开指定的 URL。\n\n使用 `【{引用 id}†{引用文本}】` 来引用内容。\n\n操作步骤：1. 使用 `search` 来获得信息列表; 2. 使用 `mclick` 来获取指定 ID 页面的内容; 3. 根据获得的内容进行回复。在���复中应当引用信息来源。\n 如果用户提供了 URL，也可以用 `open_url` 直接打开页面。\n如果初次搜索结果没有找到合适的信息，也可以再次使用 `search` 进行搜索。"
-    #                     elif tool["type"] == "cogview":
-    #                         content += "\n\n## cogview\n\n如果用户的请求中包含了对图像的描述，你可以使用 `cogview` 来生成图像并展示给用户。你需要向 `cogview` 发送图像描述，规则：\n- 发送给 `cogview` 的消息必须使用英语。用户的中文描述必须完全翻译为英语。\n- 应当尽可能详细地描述图像生成的需求，需求描述约 100 英文单词。\n- 保持用户原始描述的意图。不要虚构内容或者没见过的人物。\n- 如无特殊说明，所在地为中国，持有中国立场并遵循中国社会主义价值观。"
-    #                     else:
-    #                         raise NotImplementedError(f"Unknown tool type {tool['type']}")
-    #                 input = self.build_single_message("system", "", content, tokenize=tokenize)
-    #                 if tokenize:
-    #                     input_ids.extend(input)
-    #                 else:
-    #                     input_message += input
-    #             if item["content"]:
-    #                 input = self.build_single_message(
-    #                     item["role"],
-    #                     item.get("metadata", ""),
-    #                     item["content"],
-    #                     tokenize=tokenize
-    #                 )
-    #                 if tokenize:
-    #                     input_ids.extend(input)
-    #                 else:
-    #                     input_message += input
-    #         if add_generation_prompt:
-    #             if tokenize:
-    #                 input_ids.extend([self.convert_tokens_to_ids("<|assistant|>")])
-    #             else:
-    #                 input_message += "<|assistant|>"
-    #         return input_ids if tokenize else input_message
-    #
-    #     # Main logic to handle different conversation formats
-    #     if isinstance(conversation, list) and all(isinstance(i, dict) for i in conversation):
-    #         result = handle_single_conversation(conversation)
-    #     elif isinstance(conversation, list) and all(isinstance(i, list) for i in conversation):
-    #         result = [handle_single_conversation(c) for c in conversation]
-    #     elif hasattr(conversation, "messages"):
-    #         result = handle_single_conversation(conversation.messages)
-    #     else:
-    #         raise ValueError("Invalid conversation format")
-    #
-    #     if tokenize:
-    #         output = self.batch_encode_plus(
-    #             [result] if isinstance(result[0], int) else result,
-    #             padding=padding,
-    #             truncation=truncation,
-    #             max_length=max_length,
-    #             return_tensors=return_tensors,
-    #             is_split_into_words=True,
-    #             add_special_tokens=False
-    #         )
-    #         if return_dict:
-    #             return output
-    #         else:
-    #             return output["input_ids"]
-    #     else:
-    #         return result
-
     def build_inputs_with_special_tokens(
             self, token_ids_0: List[int], token_ids_1: Optional[List[int]] = None
     ) -> List[int]:
@@ -263,6 +164,7 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
             self,
             encoded_inputs: Union[Dict[str, EncodedInput], BatchEncoding],
             max_length: Optional[int] = None,
+            padding_side: str = "left",
             padding_strategy: PaddingStrategy = PaddingStrategy.DO_NOT_PAD,
             pad_to_multiple_of: Optional[int] = None,
             return_attention_mask: Optional[bool] = None,
@@ -291,7 +193,6 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
                 (optional) Set to False to avoid returning attention mask (default: set to model specifics)
         """
         # Load from model defaults
-        assert self.padding_side == "left"
 
         required_input = encoded_inputs[self.model_input_names[0]]
         seq_length = len(required_input)
@@ -320,4 +221,4 @@ class ChatGLM4Tokenizer(PreTrainedTokenizer):
                 encoded_inputs["position_ids"] = [0] * difference + encoded_inputs["position_ids"]
             encoded_inputs[self.model_input_names[0]] = [self.pad_token_id] * difference + required_input
 
-        return encoded_inputs
+        return encoded_inputs