RobertaTokenizer
RobertaTokenizer 類別
keras_nlp.tokenizers.RobertaTokenizer(vocabulary=None, merges=None, **kwargs)
一個使用位元組對編碼子詞分詞的 RoBERTa 分詞器。
這個分詞器類別會將原始字串分詞成整數序列，並基於 keras_nlp.tokenizers.BytePairTokenizer。與底層分詞器不同的是，它會檢查 RoBERTa 模型所需的所有特殊詞彙，並提供一個 from_preset() 方法來自動下載與 RoBERTa 預設集相符的詞彙表。
如果輸入是一批字串（階數 > 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（階數 == 0），則該層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。
參數
- vocabulary：一個將詞彙映射到整數 ID 的字典，或指向包含詞彙到 ID 映射的 JSON 檔案的路徑。
- merges：一個合併規則清單或字串檔案路徑，如果傳遞一個檔案路徑，則該檔案應每行包含一個合併規則。每個合併規則都包含由空格分隔的合併實體。
範例
# Unbatched input.
tokenizer = keras_nlp.models.RobertaTokenizer.from_preset(
"roberta_base_en",
)
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.
# Note: 'Ġ' is space
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"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_nlp.models.RobertaTokenizer(
vocabulary=vocab,
merges=merges
)
tokenizer(["a quick fox", "a fox quick"])
from_preset 方法
RobertaTokenizer.from_preset(preset, **kwargs)
從模型預設集實例化一個 keras_nlp.models.Tokenizer。
預設集是一個包含用於儲存和載入預訓練模型的配置、權重和其他檔案資源的目錄。preset 可以傳遞為以下其中之一：
- 內建的預設集識別碼，例如
'bert_base_en' - Kaggle 模型控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，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 Tokenizer 子類別，您可以執行 cls.presets.keys() 來列出該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之一來呼叫。可以從基底類別呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，或從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則會從預設目錄中的配置推斷出返回物件的子類別。
參數
- preset：字串。內建的預設識別碼、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，權重將會載入模型架構中。如果為False，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])
| 預設名稱 | 參數 | 說明 |
|---|---|---|
| roberta_base_en | 124.05M | 12 層 RoBERTa 模型，會保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。 |
| roberta_large_en | 354.31M | 24 層 RoBERTa 模型，會保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。 |