DistilBertMaskedLMPreprocessor 層
DistilBertMaskedLMPreprocessor 類別
keras_nlp.models.DistilBertMaskedLMPreprocessor(
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 DistilBERT 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.DistilBertMaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer對任意數量的輸入段進行分詞。 - 使用適當的
"[CLS]"、"[SEP]"和"[PAD]"標記，透過keras_nlp.layers.MultiSegmentPacker將輸入打包在一起。 - 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.DistilBertMaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
參數
- tokenizer：一個
keras_nlp.models.DistilBertTokenizer實例。 - sequence_length：整數。打包輸入的長度。
- truncate：字串。將一批段落清單截斷以符合
sequence_length的演算法。值可以是round_robin或waterfall： -"round_robin"：可用空間以循環方式一次分配一個標記給仍然需要的輸入，直到達到限制。 -"waterfall"：預算的分配使用「瀑布」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。它支援任意數量的段落。 - mask_selection_rate：浮點數。輸入標記將被動態遮罩的機率。
- mask_selection_length：整數。給定樣本中遮罩標記的最大數量。
- mask_token_rate：浮點數。選定標記將被遮罩標記替換的機率。
- random_token_rate：浮點數。選定詞彙被從詞彙表中隨機選取的詞彙替換的機率。選定的詞彙將以機率
1 - mask_token_rate - random_token_rate保持原樣。
呼叫參數
- x：單一字串序列的張量，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。對於單一序列，原始 Python 輸入將被轉換為張量。對於多個序列，請直接傳遞張量。
- y：標籤資料。應該始終為
None，因為此層會產生標籤。 - sample_weight：標籤權重。應該始終為
None，因為此層會產生標籤權重。
範例
直接呼叫資料上的層。
preprocessor = keras_nlp.models.DistilBertMaskedLMPreprocessor.from_preset(
"distil_bert_base_en_uncased"
)
# 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.DistilBertMaskedLMPreprocessor.from_preset(
"distil_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."])
# 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
DistilBertMaskedLMPreprocessor.from_preset(preset, **kwargs)
從模型預設集實例化 keras_nlp.models.Preprocessor。
預設集是設定檔、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' - 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。
由於給定的模型通常有多個預處理類別，因此應該在特定的子類別上呼叫此方法，例如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。
參數
- 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 |
|---|---|---|
| distil_bert_base_en_uncased | 66.36M | 6 層 DistilBERT 模型，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上使用 BERT 作為教師模型進行訓練。 |
| distil_bert_base_en | 65.19M | 6 層 DistilBERT 模型，其中會保留大小寫。在英文維基百科 + BooksCorpus 上使用 BERT 作為教師模型進行訓練。 |
| distil_bert_base_multi | 134.73M | 6 層 DistilBERT 模型，其中會保留大小寫。在 104 種語言的維基百科上進行訓練 |
tokenizer 屬性
keras_nlp.models.DistilBertMaskedLMPreprocessor.tokenizer
用於將字串標記化的標記器。