compute_word_piece_vocabulary 函式
compute_word_piece_vocabulary 函式
keras_nlp.tokenizers.compute_word_piece_vocabulary(
data,
vocabulary_size,
vocabulary_output_file=None,
lowercase=False,
strip_accents=False,
split=True,
split_on_cjk=True,
suffix_indicator="##",
reserved_tokens=["[PAD]", "[CLS]", "[SEP]", "[UNK]", "[MASK]"],
)
訓練 WordPiece 詞彙表的工具。
從輸入資料集或檔案名稱清單訓練 WordPiece 詞彙表。
對於自訂資料載入和預標記化（split=False），輸入 data 應該是 tf.data.Dataset。如果 data 是檔案名稱清單，則檔案格式必須是純文字檔案，並且在訓練期間會逐行讀取文字。
引數
- data：
tf.data.Dataset或檔案名稱清單。 - vocabulary_size：int。要訓練的詞彙表最大大小。
- vocabulary_output_file：str。用於寫入詞彙表檔案的位置。預設為
None。 - lowercase：bool。如果為
True，則在標記化之前，輸入文字將會轉換為小寫。預設為False。 - strip_accents：bool。如果為
True，則在標記化之前，將會從文字中移除所有重音符號。預設為False。 - split：bool。如果為
True，則輸入將會根據空格和標點符號進行分割，並且所有標點符號將會保留為標記。如果為False，則在呼叫標記器之前，應該先分割（「預先標記化」）輸入，並作為完整單字的密集或不規則張量傳遞。當data是檔案名稱清單時，split必須為True。預設為True。 - split_on_cjk：bool。如果為
True，則輸入將會根據中日韓越文字元進行分割，例如中文、日文、韓文和越南文字元（https://zh.wikipedia.org/wiki/CJK_統一漢字_(Unicode區段)）。請注意，這僅適用於split為True的情況。預設為True。 - suffix_indicator：字串。預先附加到 WordPiece 的字元，表示它是另一個子詞的後綴。例如
"##ing"。預設為"##"。 - reserved_tokens：字串清單。必須包含在詞彙表中的詞彙清單。
回傳值
回傳詞彙表條目清單。
範例
基本用法（從資料集）。
>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat pat mat rat"])
>>> vocab = compute_word_piece_vocabulary(inputs, 13)
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_nlp.tokenizers.WordPieceTokenizer(vocabulary=vocab, oov_token="[UNK]")
>>> outputs = inputs.map(tokenizer.tokenize)
>>> for x in outputs:
... print(x)
tf.Tensor([ 6 12 10 12 8 12 7 12 9 12], shape=(10,), dtype=int32)
基本用法（從檔名）。
with open("test.txt", "w+") as f:
f.write("bat sat pat mat rat\n")
inputs = ["test.txt"]
vocab = keras_nlp.tokenizers.compute_word_piece_vocabulary(inputs, 13)
自訂分割用法（從資料集）。
>>> def normalize_and_split(x):
... "Strip punctuation and split on whitespace."
... x = tf.strings.regex_replace(x, r"\p{P}", "")
... return tf.strings.split(x)
>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat: pat mat rat.\n"])
>>> split_inputs = inputs.map(normalize_and_split)
>>> vocab = compute_word_piece_vocabulary(
... split_inputs, 13, split=False,
... )
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_nlp.tokenizers.WordPieceTokenizer(vocabulary=vocab)
>>> inputs.map(tokenizer.tokenize)
自訂分割用法（從檔名）。
def normalize_and_split(x):
"Strip punctuation and split on whitespace."
x = tf.strings.regex_replace(x, r"\p{P}", "")
return tf.strings.split(x)
with open("test.txt", "w+") as f:
f.write("bat sat: pat mat rat.\n")
inputs = tf.data.TextLineDataset(["test.txt"])
split_inputs = inputs.map(normalize_and_split)
vocab = keras_nlp.tokenizers.compute_word_piece_vocabulary(
split_inputs, 13, split=False
)
tokenizer = keras_nlp.tokenizers.WordPieceTokenizer(vocabulary=vocab)
inputs.map(tokenizer.tokenize)