► Keras 3 API 文件 / KerasNLP / 預訓練模型 / Bert / BertTextClassifierPreprocessor 圖層

BertTextClassifierPreprocessor 圖層

[來源]

BertTextClassifierPreprocessor 類別

keras_nlp.models.BertTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

用於對輸入進行標記化和打包的 BERT 預處理圖層。

這個預處理圖層將執行以下三個操作：

  1. 使用 tokenizer 對任意數量的輸入區段進行標記化。
  2. 使用 keras_nlp.layers.MultiSegmentPacker，將輸入打包在一起，並使用適當的 "[CLS]"、"[SEP]" 和 "[PAD]" 標記。
  3. 建構一個包含鍵 "token_ids"、"segment_ids"、"padding_mask" 的字典，可以直接傳遞給 BERT 模型。

這個圖層可以直接與 tf.data.Dataset.map 一起使用，以預處理 (x, y, sample_weight) 格式的字串資料，該格式由 keras.Model.fit 使用。

引數

  • tokenizer：keras_nlp.models.BertTokenizer 的實例。
  • sequence_length：打包輸入的長度。
  • truncate：字串。將一批區段清單截斷以符合 sequence_length 的演算法。值可以是 round_robin 或 waterfall
    • "round_robin"：可用空間以輪詢的方式一次分配一個標記給仍然需要的輸入，直到達到限制為止。
    • "waterfall"：預算的分配是使用「瀑布式」演算法完成的，該演算法以從左到右的方式分配配額，並填滿儲存桶，直到預算用完為止。它支援任意數量的區段。

呼叫引數

  • x：單個字串序列的張量，或要打包在一起的多個張量序列的元組。輸入可以是批次或非批次的。對於單個序列，原始 Python 輸入將轉換為張量。對於多個序列，請直接傳遞張量。
  • y：任何標籤數據。將按原樣傳遞。
  • sample_weight：任何標籤權重數據。將按原樣傳遞。

範例

直接呼叫數據上的層。

preprocessor = keras_nlp.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en_uncased"
)

# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_nlp.models.BertTokenizer(vocabulary=vocab)
preprocessor = keras_nlp.models.BertTextClassifierPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 進行映射。

preprocessor = keras_nlp.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en_uncased"
)

first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
label = tf.constant([1, 1])

# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled 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,
)

[來源]

from_preset 方法

BertTextClassifierPreprocessor.from_preset(preset, **kwargs)

從模型預設集實例化 keras_nlp.models.Preprocessor。

預設集是配置、權重和其他文件資產的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中一種傳遞

  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 Preprocessor 子類別，您可以執行 cls.presets.keys() 來列出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，因此應在特定子類別上呼叫此方法，例如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。

引數

  • preset：字串。內建預設集識別碼、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
bert_tiny_en_uncased 4.39M 2 層 BERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_small_en_uncased 28.76M 4 層 BERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_medium_en_uncased 41.37M 8 層 BERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_en_uncased 109.48M 12 層 BERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_en 108.31M 12 層 BERT 模型，保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_zh 102.27M 12 層 BERT 模型。在中文維基百科上訓練。
bert_base_multi 177.85M 12 層 BERT 模型，保留大小寫。在 104 種語言的維基百科上訓練
bert_large_en_uncased 335.14M 24 層 BERT 模型，所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_large_en 333.58M 24 層 BERT 模型，保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析數據集上微調的 bert_tiny_en_uncased 骨幹模型。

tokenizer 屬性

keras_nlp.models.BertTextClassifierPreprocessor.tokenizer

用於將字串標記化的標記器。

BertTextClassifierPreprocessor 圖層
BertTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性