ElectraTokenizer

[來源]

ElectraTokenizer 類別

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

一個使用 WordPiece 子詞分割的 ELECTRA 分詞器。

這個分詞器類別會將原始字串分詞為整數序列，並且基於 keras_nlp.tokenizers.WordPieceTokenizer。

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。

參數

• vocabulary：一個字串列表或一個字串檔名路徑。如果傳遞一個列表，則列表中的每個元素都應該是一個單獨的詞片段標記字串。如果傳遞一個檔名，則該檔案應該是一個純文字檔案，每行包含一個詞片段標記。
• lowercase：如果為 True，則輸入文字將在分詞之前先轉換為小寫。
• special_tokens_in_strings：布林值。一個布林值，用於指示分詞器是否應該預期輸入字串中存在特殊標記，這些標記應該被分詞並正確映射到它們的 ID。預設值為 False。

範例

# Custom Vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]

# Instantiate the tokenizer.
tokenizer = keras_nlp.models.ElectraTokenizer(vocabulary=vocab)

# Unbatched input.
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."))

[來源]

from_preset 方法

ElectraTokenizer.from_preset(preset, **kwargs)

從模型預設集實例化一個 keras_nlp.models.Tokenizer。

預設集是一個包含配置、權重和其他檔案資產的目錄，用於保存和載入預先訓練的模型。 preset 可以作為以下其中之一傳遞

1. 一個內建的預設集識別碼，例如 'bert_base_en'
2. 一個 Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face 控點，例如 'hf://user/bert_base_en'
4. 一個指向本地預設集目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您都可以執行 cls.presets.keys() 來列出該類別上所有可用的內建預設集。

這個建構函式可以使用兩種方式之一來呼叫。可以從基底類別呼叫，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()。如果從基底類別呼叫，則會從預設集目錄中的設定推斷出傳回物件的子類別。

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。
• load_weights：布林值。如果為 True，則權重將會載入模型架構中。如果為 False，則權重將會隨機初始化。

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])