BertTokenizer

[來源]

BertTokenizer 類別

keras_nlp.tokenizers.BertTokenizer(vocabulary=None, lowercase=False, **kwargs)

使用 WordPiece 子詞分割的 BERT 分詞器。

此分詞器類別會將原始字串分詞為整數序列，並且基於 keras_nlp.tokenizers.WordPieceTokenizer。 與底層分詞器不同，它會檢查 BERT 模型所需的所有特殊標記，並提供 from_preset() 方法來自訂下載 BERT 預設值的相符詞彙。

如果輸入是一批字串（rank > 0），則該層將輸出 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（rank == 0），則該層將輸出靜態形狀為 [None] 的密集 tf.Tensor。

參數

• vocabulary：字串清單或字串檔名路徑。 如果傳遞清單，則清單的每個元素都應該是單個詞片段標記字串。 如果傳遞檔名，則該檔案應該是純文字檔案，每行列出一個詞片段標記。
• lowercase：如果為 True，則輸入文字在分詞之前會先轉換為小寫。
• special_tokens_in_strings：布林值。 一個布林值，表示分詞器是否應該在輸入字串中預期特殊標記，這些標記應該被分詞並正確映射到它們的 ID。 默認為 False。

範例

# Unbatched input.
tokenizer = keras_nlp.models.BertTokenizer.from_preset(
    "bert_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.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_nlp.models.BertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

BertTokenizer.from_preset(preset, **kwargs)

從模型預設值實例化 keras_nlp.models.Tokenizer。

預設值是配置、權重和其他檔案資源的目錄，用於保存和載入預訓練模型。 preset 可以作為以下其中之一傳遞

1. 內建預設值識別碼，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. 例如 './bert_base_en' 的本地預設目錄路徑

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 以列出類別上可用的所有內建預設。

此建構函式可以使用兩種方式之一來呼叫。可以從基類（例如 keras_nlp.models.Tokenizer.from_preset()）呼叫，也可以從模型類別（例如 keras_nlp.models.GemmaTokenizer.from_preset()）呼叫。如果從基類呼叫，則會從預設目錄中的配置推斷出返回物件的子類別。

參數

• preset：字串。內建的預設識別碼、Kaggle 模型代碼、Hugging Face 代碼或本地目錄的路徑。
• load_weights：布林值。如果為 True，則權重將載入到模型架構中。如果為 False，則權重將被隨機初始化。

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])