► KerasHub：預訓練模型 / API 文件 / 模型架構 / Bert / BertMaskedLMPreprocessor 層

BertMaskedLMPreprocessor 層

[來源]

BertMaskedLMPreprocessor 類別

keras_hub.models.BertMaskedLMPreprocessor(
    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
)

用於遮罩語言模型任務的 BERT 預處理。

此預處理層將為遮罩語言模型任務準備輸入。它主要用於 keras_hub.models.BertMaskedLM 任務模型。預處理將分多個步驟進行。

  1. 使用 tokenizer 將任意數量的輸入片段進行 Tokenize 處理。
  2. 將輸入與適當的 "[CLS]"、"[SEP]" 和 "[PAD]" Token 打包在一起。
  3. 隨機選擇非特殊 Token 進行遮罩，由 mask_selection_rate 控制。
  4. 建構適用於使用 keras_hub.models.BertMaskedLM 任務模型進行訓練的 (x, y, sample_weight) 元組。

引數

  • tokenizer：keras_hub.models.BertTokenizer 實例。
  • sequence_length：整數。打包輸入的長度。
  • truncate：字串。用於截斷批次片段列表以符合 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 Token 給仍然需要的一些輸入，直到達到限制。
    • "waterfall"：預算的分配使用「瀑布式」演算法完成，該演算法以從左到右的方式分配配額並填滿儲存桶，直到預算用完為止。它支援任意數量的片段。
  • mask_selection_rate：浮點數。輸入 Token 將被動態遮罩的機率。
  • mask_selection_length：整數。給定樣本中遮罩 Token 的最大數量。
  • mask_token_rate：浮點數。選定的 Token 將被替換為遮罩 Token 的機率。
  • random_token_rate：浮點數。選定的 Token 將被詞彙表中隨機 Token 替換的機率。選定的 Token 將保持原樣的機率為 1 - mask_token_rate - random_token_rate。

呼叫引數

  • x：單個字串序列的張量，或要打包在一起的多個張量序列的元組。輸入可以是批次的或非批次的。對於單個序列，原始 Python 輸入將轉換為張量。對於多個序列，直接傳遞張量。
  • y：標籤資料。應始終為 None，因為該層會產生標籤。
  • sample_weight：標籤權重。應始終為 None，因為該層會產生標籤權重。

範例

直接在資料上呼叫該層。

preprocessor = keras_hub.models.BertMaskedLMPreprocessor.from_preset(
    "bert_base_en_uncased"
)

# 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_hub.models.BertMaskedLMPreprocessor.from_preset(
    "bert_base_en_uncased"
)

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,
)

[來源]

from_preset 方法

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

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

預設是配置、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. 內建預設識別碼，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，因此此方法應在特定子類別上呼叫，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

引數

  • preset：字串。內建預設識別碼、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
bert_tiny_en_uncased 4.39M 2 層 BERT 模型，其中所有輸入均為小寫。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，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_medium_en_uncased 41.37M 8 層 BERT 模型，其中所有輸入均為小寫。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，其中所有輸入均為小寫。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，其中所有輸入均為小寫。在英文維基百科 + BooksCorpus 上訓練。

tokenizer 屬性

keras_hub.models.BertMaskedLMPreprocessor.tokenizer

用於 Tokenize 字串的 Tokenizer。

BertMaskedLMPreprocessor 層
BertMaskedLMPreprocessor 類別
from_preset 方法
tokenizer 屬性