► Keras 3 API 文件 / KerasNLP / 預訓練模型 / XLMRoberta / XLMRobertaTokenizer

XLMRobertaTokenizer

[來源]

XLMRobertaTokenizer 類別

keras_nlp.tokenizers.XLMRobertaTokenizer(proto, **kwargs)

使用 SentencePiece 子詞分割的 XLM-RoBERTa 分詞器。

此分詞器類別會將原始字串標記為整數序列，並基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層分詞器不同的是，它會檢查 XLM-RoBERTa 模型所需的所有特殊標記，並提供 from_preset() 方法，以便自動下載與 XLM-RoBERTa 預設集相符的詞彙。

注意：如果您要提供自己的自訂 SentencePiece 模型，XLM-RoBERTa 的原始 fairseq 實作會重新映射底層 SentencePiece 輸出中的一些標記索引。為了保持相容性，我們在此處也進行相同的重新映射。

如果輸入是一批字串（秩 > 0），則此層將輸出 tf.RaggedTensor，其中輸出的最後一個維度是不規則的。

如果輸入是純量字串（秩 == 0），則此層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。

參數

  • proto：SentencePiece proto 檔案的 string 路徑或具有序列化 SentencePiece proto 的 bytes 物件。如需格式的詳細資訊，請參閱 SentencePiece 儲存庫。

範例

tokenizer = keras_nlp.models.XLMRobertaTokenizer.from_preset(
    "xlm_roberta_base_multi",
)

# Unbatched inputs.
tokenizer("the quick brown fox")

# Batched inputs.
tokenizer(["the quick brown fox", "الأرض كروية"])

# Detokenization.
tokenizer.detokenize(tokenizer("the quick brown fox"))

# Custom vocabulary
def train_sentencepiece(ds, vocab_size):
    bytes_io = io.BytesIO()
    sentencepiece.SentencePieceTrainer.train(
        sentence_iterator=ds.as_numpy_iterator(),
        model_writer=bytes_io,
        vocab_size=vocab_size,
        model_type="WORD",
        unk_id=0,
        bos_id=1,
        eos_id=2,
    )
    return bytes_io.getvalue()

ds = tf.data.Dataset.from_tensor_slices(
    ["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_nlp.models.XLMRobertaTokenizer(proto=proto)

[來源]

from_preset 方法

XLMRobertaTokenizer.from_preset(preset, **kwargs)

從模型預設集實例化 keras_nlp.models.Tokenizer。

預設集是設定檔、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 可以作為以下其中一項傳遞

  1. 內建預設集識別碼，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. 類似 './bert_base_en' 的本地預設目錄路徑

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 來列出類別中可用的所有內建預設集。

這個建構函式可以用兩種方式呼叫。可以從基類呼叫，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()。如果從基類呼叫，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。內建預設集識別碼、Kaggle 模型控點、Hugging Face 控點或本地目錄的路徑。
  • load_weights：布林值。如果為 True，則會將權重載入模型架構中。如果為 False，則會隨機初始化權重。

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])
預設集名稱 參數 說明
xlm_roberta_base_multi 277.45M 12 層 XLM-RoBERTa 模型，保留大小寫。使用 100 種語言的 CommonCrawl 進行訓練。
xlm_roberta_large_multi 558.84M 24 層 XLM-RoBERTa 模型，保留大小寫。使用 100 種語言的 CommonCrawl 進行訓練。
XLMRobertaTokenizer
XLMRobertaTokenizer 類別
from_preset 方法