XLMRobertaMaskedLMPreprocessor 圖層
XLMRobertaMaskedLMPreprocessor 類別
keras_nlp.models.XLMRobertaMaskedLMPreprocessor(
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 XLM-RoBERTa 預處理。
此預處理圖層將準備用於遮罩語言建模任務的輸入。它主要用於搭配 keras_nlp.models.XLMRobertaMaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer對任意數量的輸入段落進行分詞。 - 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>"，在每個段落之間添加"</s></s>"，並在整個序列的結尾添加一個"</s>"。 - 隨機選擇非特殊標記進行遮罩，由
mask_selection_rate控制。 - 建構一個適用於使用
keras_nlp.models.XLMRobertaMaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
參數
- tokenizer：一個
keras_nlp.models.XLMRobertaTokenizer实例。 - sequence_length：int。打包輸入的長度。
- truncate：字串。用於截斷一批段落列表以符合
sequence_length的演算法。值可以是round_robin或waterfall： -"round_robin"：可用空間以循環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。它支援任意數量的段落。 - mask_selection_rate：浮點數。輸入標記被動態遮罩的機率。
- mask_selection_length：int。給定樣本中遮罩標記的最大數量。
- mask_token_rate：浮點數。選定標記將被替換為遮罩標記的機率。
- random_token_rate：浮點數。選定詞彙被隨機詞彙替換的機率。選定詞彙將以
1 - mask_token_rate - random_token_rate的機率保留原樣。
呼叫參數
- x：單一字串序列的張量，或多個要打包在一起的張量序列的元組。輸入可以是批次或非批次的。對於單一序列，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。應該始終為
None，因為圖層會產生標籤。 - sample_weight：標籤權重。應該始終為
None，因為圖層會產生標籤權重。
範例
直接在資料上呼叫圖層。
# Load the preprocessor from a preset.
preprocessor = keras_nlp.models.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
# 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.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
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,
)
----
<span style="float:right;">[[source]](https://github.com/keras-team/keras-nlp/tree/v0.15.1/keras_nlp/src/models/preprocessor.py#L125)</span>
### `from_preset` method
```python
XLMRobertaMaskedLMPreprocessor.from_preset(preset, **kwargs)
從模型預設集實例化 keras_nlp.models.Preprocessor。
預設集是配置、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
- 內建預設集識別碼，例如
'bert_base_en' - Kaggle 模型控點，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控點，例如
'hf://user/bert_base_en' - 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，因此應該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。內建預設集識別碼、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",
)
| 預設集名稱 | 參數 | 說明 |
|---|---|---|
| xlm_roberta_base_multi | 277.45M | 12 層 XLM-RoBERTa 模型，其中保留大小寫。在 100 種語言的 CommonCrawl 上進行訓練。 |
| xlm_roberta_large_multi | 558.84M | 24 層 XLM-RoBERTa 模型，其中保留大小寫。在 100 種語言的 CommonCrawl 上進行訓練。 |
tokenizer 屬性
keras_nlp.models.XLMRobertaMaskedLMPreprocessor.tokenizer
用於將字串標記化的標記器。