► Keras 3 API 文件 / KerasNLP / 預訓練模型 / Roberta / RobertaMaskedLMPreprocessor 層

RobertaMaskedLMPreprocessor 層

[來源]

RobertaMaskedLMPreprocessor 類別

keras_nlp.models.RobertaMaskedLMPreprocessor(
    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 RoBERTa 預處理。

此預處理層將準備用於遮罩語言建模任務的輸入。它主要用於 keras_nlp.models.RobertaMaskedLM 任務模型。預處理將分多個步驟進行。

  1. 使用 tokenizer 對任意數量的輸入區段進行分詞。
  2. 使用適當的 "<s>"、"</s>" 和 "<pad>" 標記將輸入打包在一起，即在整個序列的開頭添加一個 "<s>"，在每個區段之間添加 "</s></s>"，並在整個序列的結尾添加 "</s>"。
  3. 隨機選擇非特殊標記進行遮罩，由 mask_selection_rate 控制。
  4. 建構適合使用 keras_nlp.models.RobertaMaskedLM 任務模型進行訓練的 (x, y, sample_weight) 元組。

參數

  • tokenizer：一個 keras_nlp.models.RobertaTokenizer 实例。
  • sequence_length：int。打包輸入的長度。
  • truncate：字串。用於截斷一批區段列表以符合 sequence_length 的演算法。該值可以是 round_robin 或 waterfall
    • "round_robin"：可用空間以循環的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，該演算法以從左到右的方式分配配額，並填滿桶，直到預算用完。它支援任意數量的區段。
  • mask_selection_rate：浮點數。輸入標記被動態遮罩的機率。
  • mask_selection_length：int。給定樣本中遮罩權杖的最大數量。
  • mask_token_rate：浮點數。選定權杖將被遮罩權杖替換的機率。
  • random_token_rate：浮點數。選定權杖將被詞彙表中隨機權杖替換的機率。選定權杖將以 1 - mask_token_rate - random_token_rate 的機率保持原樣。

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：標籤資料。應始終為 None，因為圖層會產生標籤。
  • sample_weight：標籤權重。應始終為 None，因為圖層會產生標籤權重。

範例

直接呼叫資料上的圖層。

# Load the preprocessor from a preset.
preprocessor = keras_nlp.models.RobertaMaskedLMPreprocessor.from_preset(
    "roberta_base_en"
)

# 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.RobertaMaskedLMPreprocessor.from_preset(
    "roberta_base_en"
)

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,
)

[來源]

from_preset 方法

RobertaMaskedLMPreprocessor.from_preset(preset, **kwargs)

從模型預設設定實例化 keras_nlp.models.Preprocessor。

預設設定是設定、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 可以作為以下其中之一傳遞

  1. 內建預設設定識別碼，例如 'bert_base_en'
  2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控點，例如 'hf://user/bert_base_en'
  4. 本機預設設定目錄的路徑，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設定。

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。內建預設設定識別碼、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",
)
預設設定名稱 參數 描述
roberta_base_en 124.05M 12 層 RoBERTa 模型，其中保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。
roberta_large_en 354.31M 24 層 RoBERTa 模型，其中保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。

tokenizer 屬性

keras_nlp.models.RobertaMaskedLMPreprocessor.tokenizer

用於將字串標記化的標記器。

RobertaMaskedLMPreprocessor 層
RobertaMaskedLMPreprocessor 類別
from_preset 方法
tokenizer 屬性