► Keras 3 API 文件 / KerasNLP / 預訓練模型 / DebertaV3 / DebertaV3Tokenizer

DebertaV3Tokenizer

[來源]

DebertaV3Tokenizer 類別

keras_nlp.tokenizers.DebertaV3Tokenizer(proto, **kwargs)

基於 SentencePiece 的 DeBERTa 分詞器層。

這個分詞器類別會將原始字串分詞成整數序列，並且基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層分詞器不同的是，它會檢查 DeBERTa 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 DeBERTa 預設值的相符詞彙表。

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。

如果輸入是一個純量字串（秩 == 0），則該層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

注意：遮罩標記（"[MASK]"）在這個分詞器中的處理方式不同。如果提供的 SentencePiece 詞彙表中不存在該標記，則該標記將被附加到詞彙表中。例如，如果詞彙表大小為 100，則遮罩標記將被分配 ID 100。

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.DebertaV3Tokenizer.from_preset(
    "deberta_v3_base_en",
)
tokenizer("The quick brown fox jumped.")

# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])

# 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=9,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="[PAD]",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    unk_piece="[UNK]",
)
tokenizer = keras_nlp.models.DebertaV3Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

DebertaV3Tokenizer.from_preset(preset, **kwargs)

從模型預設值實例化一個 keras_nlp.models.Tokenizer。

預設值是用於儲存和載入預訓練模型的設定、權重和其他檔案資產的目錄。preset 可以作為以下其中一種傳遞

  1. 內建預設值識別碼，例如 'bert_base_en'
  2. Kaggle 模型控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
  4. 本地預設值目錄的路徑，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值。

這個建構函式可以用兩種方式呼叫。一種是從基底類別呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，另一種是從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則會從預設目錄中的設定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 模型控點、Hugging Face 控點或本機目錄的路徑。
  • load_weights：布林值。如果為 True，則權重將載入模型架構中。如果為 False，則權重將隨機初始化。

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])
預設名稱 參數 說明
deberta_v3_extra_small_en 70.68M 12 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_small_en 141.30M 6 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_base_en 183.83M 12 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_large_en 434.01M 24 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_base_multi 278.22M 12 層 DeBERTaV3 模型，保留大小寫。使用 2.5TB 的多語言 CC100 資料集進行訓練。
DebertaV3Tokenizer
DebertaV3Tokenizer 類別
from_preset 方法