► KerasHub：預訓練模型 / API 文件 / 模型架構 / Albert / AlbertTextClassifierPreprocessor 層

AlbertTextClassifierPreprocessor 層

[來源]

AlbertTextClassifierPreprocessor 類別

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

一個 ALBERT 預處理層，用於將輸入 Token 化並打包。

此預處理層將執行三件事

  • 使用 tokenizer 將任意數量的輸入片段 Token 化。
  • 使用 keras_hub.layers.MultiSegmentPacker 將輸入打包在一起，並使用適當的 "[CLS]"、"[SEP]" 和 "<pad>" Token。
  • 建構一個字典，其中包含鍵 "token_ids"、"segment_ids" 和 "padding_mask"，可以直接傳遞給 keras_hub.models.AlbertBackbone。

此層可以直接與 tf.data.Dataset.map 一起使用，以預處理 (x, y, sample_weight) 格式的字串資料，該格式由 keras.Model.fit 使用。

此層的 call 方法接受三個引數：x、y 和 sample_weight。x 可以是代表單個片段的 Python 字串或張量、代表一批單個片段的 Python 字串列表，或是代表要打包在一起的多個片段的張量列表。y 和 sample_weight 都是可選的，可以具有任何格式，並且將保持不變地傳遞。

當使用 tf.data 來映射未標記的字串片段元組時，應特別注意。tf.data.Dataset.map 會將此元組直接解包到此層的 call 引數中，而不是將所有引數轉發到 x。為了處理這種情況，建議顯式呼叫該層，例如 ds.map(lambda seg1, seg2: preprocessor(x=(seg1, seg2)))。

引數

  • tokenizer：keras_hub.models.AlbertTokenizer 實例。
  • sequence_length：打包輸入的長度。
  • truncate：字串。將批次片段列表截斷以符合 sequence_length 的演算法。值可以是 round_robin 或 waterfall
    • "round_robin"：可用空間一次分配一個 Token，以輪詢方式分配給仍需要空間的輸入，直到達到限制。
    • "waterfall"：預算的分配是使用「瀑布式」演算法完成的，該演算法以從左到右的方式分配配額，並填充儲存區直到預算用完。它支援任意數量的片段。

範例

直接在資料上呼叫該層。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "albert_base_en_uncased"
)

# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=10,
    model_type="WORD",
    pad_id=0,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_hub.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
preprocessor = keras_hub.models.AlbertTextClassifierPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 進行映射。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "albert_base_en_uncased"
)

first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
label = tf.constant([1, 1])

# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled 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,
)

[來源]

from_preset 方法

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

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

預設是一個組態、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 可以作為以下其中一種傳遞

  1. 內建預設識別符，例如 'bert_base_en'
  2. Kaggle Models 控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
  4. 本機預設目錄的路徑，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。

由於給定模型通常有多個預處理類別，因此應在特定的子類別（例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上呼叫此方法。

引數

  • preset：字串。內建預設識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。

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，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_large_en_uncased 17.68M 24 層 ALBERT 模型，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_extra_large_en_uncased 58.72M 24 層 ALBERT 模型，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
albert_extra_extra_large_en_uncased 222.60M 12 層 ALBERT 模型，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。

tokenizer 屬性

keras_hub.models.AlbertTextClassifierPreprocessor.tokenizer

用於 Token 化字串的 tokenizer。

AlbertTextClassifierPreprocessor 層
AlbertTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性