BertTokenizer

[來源]

BertTokenizer 類別

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

使用 WordPiece 子詞分割的 BERT 標記器。

這個標記器類別會將原始字串標記化為整數序列，並基於 keras_nlp.tokenizers.WordPieceTokenizer。與底層標記器不同，它會檢查 BERT 模型所需的所有特殊標記，並提供 from_preset() 方法，以自動下載與 BERT 預設集相符的詞彙表。

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），則該層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。

參數

• vocabulary：字串清單或字串檔案路徑。如果傳遞清單，則清單的每個元素都應該是單個詞片標記字串。如果傳遞檔名，則該檔案應該是純文字檔案，每行包含一個詞片標記。
• lowercase：如果為 True，則輸入文字在標記化之前會先轉換為小寫。
• special_tokens_in_strings：布林值。一個布林值，用於指示標記器是否應該預期輸入字串中包含特殊標記，這些標記應該被標記化並正確映射到它們的 ID。預設值為 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)

從模型預設集實例化 keras_nlp.models.Tokenizer。

預設集是配置、權重和其他檔案資源的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中之一傳遞

1. 內建預設集識別碼，例如 'bert_base_en'
2. 一個像 'kaggle://user/bert/keras/bert_base_en' 這樣的 Kaggle 模型處理方式
3. 一個像 'hf://user/bert_base_en' 這樣的 Hugging Face 處理方式
4. 一個像 './bert_base_en' 這樣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() 來列出類別上所有可用的內建預設值。

此建構函式可以透過兩種方式之一來呼叫。可以從基底類別呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，或從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則返回物件的子類別將從預設目錄中的設定推斷出來。

參數

• preset：字串。一個內建的預設識別碼、一個 Kaggle 模型處理方式、一個 Hugging Face 處理方式，或一個本地目錄的路徑。
• load_weights：布林值。如果為 True，權重將被載入模型架構中。如果為 False，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])