DebertaV3MaskedLMPreprocessor 層
DebertaV3MaskedLMPreprocessor 類別
keras_nlp.models.DebertaV3MaskedLMPreprocessor(
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
)
用於遮罩語言建模任務的 DeBERTa 預處理。
此預處理層將為遮罩語言建模任務準備輸入。它主要用於 keras_nlp.models.DebertaV3MaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer對任意數量的輸入區段進行分詞。 - 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>"，在每個區段之間添加"</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.DebertaV3MaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
引數
- tokenizer：一個
keras_nlp.models.DebertaV3Tokenizer實例。 - sequence_length：打包輸入的長度。
- mask_selection_rate：輸入標記被動態遮罩的概率。
- 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 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，表示隨機標記替換選定遮罩標記的頻率。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。用於截斷批次區段清單以符合
sequence_length的演算法。值可以是round_robin或waterfall。"round_robin"：可用空間以循環方式一次分配一個詞彙給仍然需要的輸入，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，並填滿區塊，直到預算用盡為止。它支援任意數量的區段。
範例
直接呼叫資料上的層。
preprocessor = keras_nlp.models.DebertaV3MaskedLMPreprocessor.from_preset(
"deberta_v3_base_en"
)
# 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.DebertaV3MaskedLMPreprocessor.from_preset(
"deberta_v3_base_en"
)
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
DebertaV3MaskedLMPreprocessor.from_preset(preset, **kwargs)
從模型預設集實例化 keras_nlp.models.Preprocessor。
預設集是設定、權重和其他檔案資產的目錄，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
- 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' - 指向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，因此應該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 |
|---|---|---|
| deberta_v3_extra_small_en | 70.68M | 12 層 DeBERTaV3 模型，保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。 |
| deberta_v3_small_en | 141.30M | 6 層 DeBERTaV3 模型，保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。 |
| deberta_v3_base_en | 183.83M | 12 層 DeBERTaV3 模型，保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。 |
| deberta_v3_large_en | 434.01M | 24 層 DeBERTaV3 模型，保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。 |
| deberta_v3_base_multi | 278.22M | 12 層 DeBERTaV3 模型，保留大小寫。在 2.5TB 多語言 CC100 資料集上訓練。 |
tokenizer 屬性
keras_nlp.models.DebertaV3MaskedLMPreprocessor.tokenizer
用於將字串標記化的標記器。