AlbertMaskedLMPreprocessor 層
AlbertMaskedLMPreprocessor 類別
keras_nlp.models.AlbertMaskedLMPreprocessor(
tokenizer,
sequence_length=512,
truncate="round_robin",
mask_selection_rate=0.15,
mask_selection_length=96,
mask_token_rate=0.8,
random_token_rate=0.1,
**kwargs
)
針對遮罩語言模型任務的 ALBERT 預處理。
此預處理層將準備遮罩語言模型任務的輸入。它主要用於 keras_nlp.models.AlbertMaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer對任意數量的輸入片段進行分詞。 - 將輸入與適當的
"<s>"、"</s>"和"<pad>"標記打包在一起，即在整個序列的開頭添加一個"<s>"，在每個片段之間添加"</s></s>"，並在整個序列的結尾添加一個"</s>"。 - 隨機選擇非特殊標記進行遮罩，由
mask_selection_rate控制。 - 建構一個適合使用
keras_nlp.models.AlbertMaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
參數
- tokenizer：一個
keras_nlp.models.AlbertTokenizer實例。 - sequence_length：打包輸入的長度。
- mask_selection_rate：動態遮罩輸入標記的機率。
- mask_selection_length：該層支援的最大遮罩標記數量。
- mask_token_rate：浮點數。
mask_token_rate必須介於 0 到 1 之間，表示使用 mask_token 替換選定遮罩標記的頻率。預設值為0.8。 - random_token_rate：浮點數。
random_token_rate必須介於 0 到 1 之間，表示使用隨機標記替換選定遮罩標記的頻率。預設值為 0.1。注意：mask_token_rate + random_token_rate <= 1，對於 (1 - mask_token_rate - random_token_rate)，標記將不會被更改。預設值為0.1。 - truncate：字串。將一批片段列表截斷以符合
sequence_length的演算法。值可以是round_robin或waterfall"round_robin"：以循環方式將可用空間一次分配一個 token 給仍然需要的輸入，直到達到限制為止。"waterfall"：預算的分配使用「瀑布式」演算法，以從左到右的方式分配配額，並填滿儲存貯體，直到預算用盡為止。它支援任意數量的區段。
範例
直接在資料上呼叫圖層。
preprocessor = keras_nlp.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
# Tokenize and mask a single sentence.
preprocessor("The quick brown fox jumped.")
# Tokenize and mask a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Tokenize and mask sentence pairs.
# In this case, always convert input to tensors before calling the layer.
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))
使用 tf.data.Dataset 進行映射。
preprocessor = keras_nlp.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
# Map single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map sentence pairs.
ds = tf.data.Dataset.from_tensor_slices((first, second))
# Watch out for tf.data's default unpacking of tuples here!
# Best to invoke the `preprocessor` directly in this case.
ds = ds.map(
lambda first, second: preprocessor(x=(first, second)),
num_parallel_calls=tf.data.AUTOTUNE,
)
from_preset 方法
AlbertMaskedLMPreprocessor.from_preset(preset, **kwargs)
從模型預設集實例化 keras_nlp.models.Preprocessor。
預設集是用於儲存和載入預先訓練模型的設定檔、權重和其他檔案資產的目錄。 preset 可以作為以下其中之一傳遞
- 內建的預設集識別碼，例如
'bert_base_en' - Kaggle 模型控點，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控點，例如
'hf://user/bert_base_en' - 本機預設集目錄的路徑，例如
'./bert_base_en'
對於任何 Preprocessor 子類別，您可以執行 cls.presets.keys() 來列出該類別上可用的所有內建預設集。
由於給定模型通常有多個預處理類別，因此應該在特定的子類別上呼叫此方法，例如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。
參數
- preset：字串。內建的預設集識別碼、Kaggle 模型控點、Hugging Face 控點或本機目錄的路徑。
範例
# Load a preprocessor for Gemma generation.
preprocessor = keras_nlp.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_nlp.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 預設集名稱 | 參數 | 說明 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 層 ALBERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_large_en_uncased | 17.68M | 24 層 ALBERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_extra_large_en_uncased | 58.72M | 24 層 ALBERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 層 ALBERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。 |
tokenizer 屬性
keras_nlp.models.AlbertMaskedLMPreprocessor.tokenizer
用於將字串標記化的標記器。