MaskedLMMaskGenerator 層

[來源]

MaskedLMMaskGenerator 類別

keras_hub.layers.MaskedLMMaskGenerator(
    vocabulary_size,
    mask_selection_rate,
    mask_token_id,
    mask_selection_length=None,
    unselectable_token_ids=[0],
    mask_token_rate=0.8,
    random_token_rate=0.1,
    **kwargs
)

應用語言模型遮罩的層。

此層適用於準備遮罩語言模型 (MaskedLM) 任務的輸入。它遵循 原始 BERT 論文 中描述的遮罩策略。給定分詞後的文字，它會隨機選擇一定數量的詞進行遮罩。然後，對於每個選定的詞，它都有一定的機率（可配置）被替換為「遮罩詞」或隨機詞，或者保持不變。

輸入資料應作為張量、tf.RaggedTensor 或列表傳遞。對於批次輸入，輸入應為列表的列表或二階張量。對於非批次輸入，每個元素都應為列表或一階張量。

此層可以與 tf.data 一起使用，以便在訓練期間動態生成遮罩。

參數

• vocabulary_size：int，詞彙量大小。
• mask_selection_rate：float，一個詞被選中進行遮罩的機率。
• mask_token_id：int。遮罩詞的 ID。
• mask_selection_length：int。每個序列中選擇進行遮罩的最大詞數。如果設定，則輸出 mask_positions、mask_ids 和 mask_weights 將被填充到長度為 mask_selection_length 的密集張量，否則輸出將為 RaggedTensor。預設為 None。
• unselectable_token_ids：不應被視為符合遮罩條件的詞 ID 列表。預設情況下，我們假設 0 對應於填充詞並忽略它。預設為 [0]。
• mask_token_rate：float。mask_token_rate 必須介於 0 和 1 之間，表示遮罩詞替換選定遮罩詞的頻率。預設為 0.8。
• random_token_rate：浮點數。random_token_rate 必須介於 0 到 1 之間，表示以隨機詞彙替換選定遮罩詞彙的頻率。注意：mask_token_rate + random_token_rate <= 1，而對於 (1 - mask_token_rate - random_token_rate)，詞彙將不會被更改。預設值為 0.1。

回傳值

• 一個包含 4 個鍵值的字典：token_ids：張量或不規則張量，與輸入的類型和形狀相同。遮罩後的序列。mask_positions：張量，如果 mask_selection_length 為 None，則為不規則張量。被遮罩的 token_ids 的位置。mask_ids：張量，如果 mask_selection_length 為 None，則為不規則張量。遮罩位置的原始詞彙 ID。mask_weights：張量，如果 mask_selection_length 為 None，則為不規則張量。mask_weights 的形狀與 mask_positions 和 mask_ids 相同。mask_weights 中的每個元素應為 0 或 1，1 表示 mask_positions 中的對應位置是實際遮罩，0 表示它是填充。

範例

基本用法。

masker = keras_hub.layers.MaskedLMMaskGenerator(
    vocabulary_size=10,
    mask_selection_rate=0.2,
    mask_token_id=0,
    mask_selection_length=5
)
# Dense input.
masker([1, 2, 3, 4, 5])

# Ragged input.
masker([[1, 2], [1, 2, 3, 4]])

遮罩包含特殊詞彙的批次。

pad_id, cls_id, sep_id, mask_id = 0, 1, 2, 3
batch = [
    [cls_id,   4,    5,      6, sep_id,    7,    8, sep_id, pad_id, pad_id],
    [cls_id,   4,    5, sep_id,      6,    7,    8,      9, sep_id, pad_id],
]

masker = keras_hub.layers.MaskedLMMaskGenerator(
    vocabulary_size = 10,
    mask_selection_rate = 0.2,
    mask_selection_length = 5,
    mask_token_id = mask_id,
    unselectable_token_ids = [
        cls_id,
        sep_id,
        pad_id,
    ]
)
masker(batch)