► Keras 3 API 文件 / KerasNLP / 預訓練模型 / Albert / AlbertTokenizer

AlbertTokenizer

[來源]

AlbertTokenizer 類別

keras_nlp.tokenizers.AlbertTokenizer(proto, **kwargs)

基於 SentencePiece 的 ALBERT 分詞器層。

這個分詞器類別會將原始字串標記化為整數序列，並基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層分詞器不同的是，它會檢查 ALBERT 模型所需的所有特殊標記，並提供一個 from_preset() 方法來自動下載與 ALBERT 預設集相符的詞彙表。

如果輸入是一批字串（秩 > 0），則該層將輸出一個 tf.RaggedTensor，其中輸出的最後一個維度是不規則的。

如果輸入是純量字串（秩 == 0），則該層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

參數

  • proto：SentencePiece proto 檔案的 string 路徑，或帶有序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_nlp.models.AlbertTokenizer.from_preset(
    "albert_base_en_uncased",
)
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=10,
    model_type="WORD",
    pad_id=0,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_nlp.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

AlbertTokenizer.from_preset(preset, **kwargs)

從模型預設集實例化一個 keras_nlp.models.Tokenizer。

預設集是用於儲存和載入預訓練模型的配置、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：

  1. 內建預設集識別碼，例如 'bert_base_en'
  2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控點，例如 'hf://user/bert_base_en'
  4. 本機預設集目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 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。

可以透過兩種方式之一呼叫這個建構函數。可以從基底類別呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則會從預設集目錄中的配置推斷出返回物件的子類別。

參數

  • 預設模型：字串。內建預設模型識別碼、Kaggle 模型代碼、Hugging Face 代碼或本機目錄路徑。
  • 載入權重：布林值。如果為 True，權重將會載入模型架構中。如果為 False，權重將會隨機初始化。

範例

# Load a preset tokenizer.
tokenizer = keras_nlp.tokenizer.Tokenizer.from_preset("bert_base_en")

# Tokenize some input.
tokenizer("The quick brown fox tripped.")

# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])
預設模型名稱 參數 說明
albert_base_en_uncased 11.68M 12 層 ALBERT 模型，所有輸入皆為小寫。以英文維基百科 + BooksCorpus 訓練。
albert_large_en_uncased 17.68M 24 層 ALBERT 模型，所有輸入皆為小寫。以英文維基百科 + BooksCorpus 訓練。
albert_extra_large_en_uncased 58.72M 24 層 ALBERT 模型，所有輸入皆為小寫。以英文維基百科 + BooksCorpus 訓練。
albert_extra_extra_large_en_uncased 222.60M 12 層 ALBERT 模型，所有輸入皆為小寫。以英文維基百科 + BooksCorpus 訓練。
AlbertTokenizer
AlbertTokenizer 類別
from_preset 方法