► KerasHub：預訓練模型 / API 文件 / 模型 API / TextClassifierPreprocessor

文字分類預處理器

[原始碼]

TextClassifierPreprocessor 類別

keras_hub.models.TextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

文字分類預處理層的基礎類別。

TextClassifierPreprocessor 任務包裝了一個 keras_hub.tokenizer.Tokenizer，以建立用於文字分類任務的預處理層。它旨在與 keras_hub.models.TextClassifier 任務配對使用。

所有 TextClassifierPreprocessor 都接受三個有序輸入，x、y 和 sample_weight。x，第一個輸入，應始終包含在內。它可以是單個字串、一批字串，或是一組批次的字串片段，這些片段應組合成單個序列。請參閱以下範例。y 和 sample_weight 是可選輸入，將保持不變地傳遞。通常，y 將是分類標籤，而 sample_weight 將不會被提供。

此層將輸出 x，如果提供了標籤，則輸出 (x, y) 元組，如果提供了標籤和樣本權重，則輸出 (x, y, sample_weight) 元組。x 將會是一個包含 tokenized input 的字典，字典的確切內容將取決於所使用的模型。

所有 TextClassifierPreprocessor 任務都包含一個 from_preset() 建構子，可用於載入預訓練的配置和詞彙表。您可以直接在這個基礎類別上調用 from_preset() 建構子，在這種情況下，將會自動實例化適用於您模型的正確類別。

範例。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en_uncased",
    sequence_length=256, # Optional.
)

# Tokenize and pad/truncate a single sentence.
x = "The quick brown fox jumped."
x = preprocessor(x)

# Tokenize and pad/truncate a labeled sentence.
x, y = "The quick brown fox jumped.", 1
x, y = preprocessor(x, y)

# Tokenize and pad/truncate a batch of labeled sentences.
x, y = ["The quick brown fox jumped.", "Call me Ishmael."], [1, 0]
x, y = preprocessor(x, y)

# Tokenize and combine a batch of labeled sentence pairs.
first = ["The quick brown fox jumped.", "Call me Ishmael."]
second = ["The fox tripped.", "Oh look, a whale."]
labels = [1, 0]
x, y = (first, second), labels
x, y = preprocessor(x, y)

# Use a [`tf.data.Dataset`](https://tensorflow.dev.org.tw/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices(((first, second), labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

[原始碼]

from_preset 方法

TextClassifierPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

從模型預設實例化一個 keras_hub.models.Preprocessor。

預設是一個配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為以下其中之一傳遞：

  1. 一個內建的預設識別符，例如 'bert_base_en'
  2. 一個 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一個 Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 一個本地預設目錄的路徑，例如 './bert_base_en'

對於任何 Preprocessor 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設。

由於對於給定模型通常有多個預處理類別，因此此方法應在特定的子類別上調用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

參數

  • preset：字串。一個內建的預設識別符、Kaggle Models 句柄、Hugging Face 句柄，或是一個本地目錄的路徑。

範例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
預設 參數 描述
albert_base_en_uncased 11.68M 12 層 ALBERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_large_en_uncased 17.68M 24 層 ALBERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_extra_large_en_uncased 58.72M 24 層 ALBERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_extra_extra_large_en_uncased 222.60M 12 層 ALBERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_tiny_en_uncased 4.39M 2 層 BERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析資料集上微調的 bert_tiny_en_uncased 主幹模型。
bert_small_en_uncased 28.76M 4 層 BERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_medium_en_uncased 41.37M 8 層 BERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_zh 102.27M 12 層 BERT 模型。在中文維基百科上訓練。
bert_base_en 108.31M 12 層 BERT 模型，其中保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_en_uncased 109.48M 12 層 BERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_multi 177.85M 12 層 BERT 模型，其中保留大小寫。在 104 種語言的維基百科上訓練。
bert_large_en 333.58M 24 層 BERT 模型，其中保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_large_en_uncased 335.14M 24 層 BERT 模型，其中所有輸入都轉換為小寫。在英文維基百科 + BooksCorpus 上訓練。
deberta_v3_extra_small_en 70.68M 12 層 DeBERTaV3 模型，其中保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_small_en 141.30M 6 層 DeBERTaV3 模型，其中保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_base_en 183.83M 12 層 DeBERTaV3 模型，其中保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_base_multi 278.22M 12 層 DeBERTaV3 模型，其中保留大小寫。在 2.5TB 多語言 CC100 資料集上訓練。
deberta_v3_large_en 434.01M 24 層 DeBERTaV3 模型，其中保留大小寫。在英文維基百科、BookCorpus 和 OpenWebText 上訓練。
distil_bert_base_en 65.19M 6 層 DistilBERT 模型，其中保留大小寫。使用 BERT 作為教師模型在英文維基百科 + BooksCorpus 上訓練。
distil_bert_base_en_uncased 66.36M 6 層 DistilBERT 模型，其中所有輸入都轉換為小寫。使用 BERT 作為教師模型在英文維基百科 + BooksCorpus 上訓練。
distil_bert_base_multi 134.73M 6 層 DistilBERT 模型，其中保留大小寫。在 104 種語言的維基百科上訓練。
f_net_base_en 82.86M 12 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。
f_net_large_en 236.95M 24 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。
roberta_base_en 124.05M 12 層 RoBERTa 模型，其中保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。
roberta_large_en 354.31M 24 層 RoBERTa 模型，其中保留大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。
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 上訓練。

[原始碼]

save_to_preset 方法

TextClassifierPreprocessor.save_to_preset(preset_dir)

將預處理器儲存到預設目錄。

參數

  • preset_dir：本地模型預設目錄的路徑。

tokenizer 屬性

keras_hub.models.TextClassifierPreprocessor.tokenizer

用於詞語符號化字串的 tokenizer。

文字分類預處理器
TextClassifierPreprocessor 類別
from_preset 方法
save_to_preset 方法
tokenizer 屬性