DistilBertTokenizer

[來源]

DistilBertTokenizer 類別

keras_nlp.tokenizers.DistilBertTokenizer(vocabulary, lowercase=False, **kwargs)

使用 WordPiece 子詞分割的 DistilBERT 分詞器。

此分詞器類別會將原始字串標記為整數序列，並基於 keras_nlp.tokenizers.WordPieceTokenizer。與底層分詞器不同，它會檢查 DistilBERT 模型所需的所有特殊標記，並提供 from_preset() 方法來自動下載 DistilBERT 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 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（秩 == 0），則該層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。

參數

• vocabulary：字串清單或字串檔名路徑。如果傳遞清單，則清單中的每個元素都應該是單個詞片段標記字串。如果傳遞檔名，則該檔案應該是純文字檔案，每行列出一個詞片段標記。
• lowercase：如果為 True，則輸入文字將在標記化之前先轉換為小寫。
• special_tokens_in_strings：布林值。一個布林值，指示分詞器是否應該預期輸入字串中的特殊標記，這些標記應該被標記化並正確映射到其 ID。預設值為 False。

範例

# Unbatched input.
tokenizer = keras_nlp.models.DistilBertTokenizer.from_preset(
    "distil_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.DistilBertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

DistilBertTokenizer.from_preset(preset, **kwargs)

從模型預設值實例化 keras_nlp.models.Tokenizer。

預設值是設定檔、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項傳遞

1. 內建預設值識別碼，例如 'bert_base_en'
2. Kaggle 模型處理方式，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 處理方式，例如 'hf://user/bert_base_en'
4. 指向本機預設目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 來列出類別上可用的所有內建預設集。

這個建構函式可以用兩種方式呼叫。可以從基類呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基類呼叫，則傳回物件的子類別將從預設目錄中的設定檔推斷。

參數

• preset：字串。內建預設集識別碼、Kaggle 模型處理方式、Hugging Face 處理方式或指向本機目錄的路徑。
• 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])