DistilBertTextClassifierPreprocessor 圖層
DistilBertTextClassifierPreprocessor 類別
keras_nlp.models.DistilBertTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一個用於對輸入進行標記化和打包的 DistilBERT 預處理圖層。
此預處理圖層將執行三項操作
- 使用
tokenizer對任意數量的輸入片段進行標記化。 - 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。 - 建構一個包含鍵
"token_ids"和"padding_mask"的字典，可以直接傳遞給 DistilBERT 模型。
此圖層可以直接與 tf.data.Dataset.map 一起使用，以預處理 keras.Model.fit 使用的 (x, y, sample_weight) 格式的字串資料。
參數
- tokenizer：一個
keras_nlp.models.DistilBertTokenizer實例。 - sequence_length：打包輸入的長度。
- truncate：字串。用於將一批片段列表截斷以符合
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"：使用「瀑布」演算法進行預算分配，該演算法以從左到右的方式分配配額，並填滿桶，直到預算用盡。它支援任意數量的片段。
呼叫參數
- 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。輸入可以是批次的或非批次的。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：任何標籤資料。將按原樣傳遞。
- sample_weight：任何標籤權重資料。將按原樣傳遞。
範例
直接呼叫資料上的層。
preprocessor = keras_nlp.models.TextClassifierPreprocessor.from_preset(
"distil_bert_base_en_uncased"
)
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_nlp.models.DistilBertTokenizer(vocabulary=vocab)
preprocessor = keras_nlp.models.DistilBertTextClassifierPreprocessor(
tokenizer
)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 進行映射。
preprocessor = keras_nlp.models.TextClassifierPreprocessor.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."])
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,
)
from_preset 方法
DistilBertTextClassifierPreprocessor.from_preset(preset, **kwargs)
從模型預設集實例化 keras_nlp.models.Preprocessor。
預設集是一個包含配置、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 可以傳遞為以下其中一種：
- 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，因此應在特定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 控點或指向本機目錄的路徑。
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，所有輸入均為小寫。使用 BERT 作為教師模型，在英文維基百科 + BooksCorpus 上進行訓練。 |
| distil_bert_base_en | 65.19M | 6 層 DistilBERT 模型，保留大小寫。使用 BERT 作為教師模型，在英文維基百科 + BooksCorpus 上進行訓練。 |
| distil_bert_base_multi | 134.73M | 6 層 DistilBERT 模型，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.DistilBertTextClassifierPreprocessor.tokenizer
用於將字串標記化的標記器。