► Keras 3 API 文件 / KerasNLP / 預先訓練的模型 / Roberta / RobertaTextClassifierPreprocessor 層

RobertaTextClassifierPreprocessor 層

[來源]

RobertaTextClassifierPreprocessor 類別

keras_nlp.models.RobertaTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

一個用於對輸入進行分詞和打包的 RoBERTa 預處理層。

這個預處理層將執行三個操作

  1. 使用 tokenizer 對任意數量的輸入區段進行分詞。
  2. 將輸入與適當的 "<s>"、"</s>" 和 "<pad>" 標記打包在一起，即在整個序列的開頭添加一個 "<s>"，在每個區段的結尾添加 "</s></s>"（最後一個區段除外），並在整個序列的結尾添加一個 "</s>"。
  3. 構造一個字典，其鍵為 "token_ids"、"padding_mask"，可以直接傳遞給 RoBERTa 模型。

此層可以直接與 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。

引數

  • tokenizer：一個 keras_nlp.models.RobertaTokenizer 實例。
  • sequence_length：打包輸入的長度。
  • truncate：字串。將一批區段截斷以適應 sequence_length 的演算法。值可以是 round_robin 或 waterfall
    • "round_robin"：以輪詢的方式將可用空間一次分配一個標記給仍然需要的輸入，直到達到限制為止。
    • "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，直到預算用完為止。它支援任意數量的區段。

呼叫引數

  • 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 輸入將被轉換為張量。對於多個序列，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(
    "roberta_base_en"
)

# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

# Custom vocabulary.
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick", "Ġ f", "o x", "Ġf ox"]
tokenizer = keras_nlp.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
preprocessor = keras_nlp.models.RobertaTextClassifierPreprocessor(tokenizer)
preprocessor("a quick fox")

使用 tf.data.Dataset 進行映射。

preprocessor = keras_nlp.models.TextClassifierPreprocessor.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."])
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,
)

[來源]

from_preset 方法

RobertaTextClassifierPreprocessor.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 可以作為以下其中一種傳遞：

  1. 內建的預設集識別碼，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. 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()。

引數

  • 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
roberta_base_en 124.05M 12 層 RoBERTa 模型，保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上進行訓練。
roberta_large_en 354.31M 24 層 RoBERTa 模型，保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上進行訓練。

tokenizer 屬性

keras_nlp.models.RobertaTextClassifierPreprocessor.tokenizer

用於對字串進行分詞的 tokenizer。

RobertaTextClassifierPreprocessor 層
RobertaTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性