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

BertTextClassifierPreprocessor 層

[原始碼]

BertTextClassifierPreprocessor 類別

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

一個 BERT 預處理層，用於 Tokenize 和打包輸入。

此預處理層將執行三件事

  1. 使用 tokenizer 對任意數量的輸入片段進行 Tokenize。
  2. 使用 keras_hub.layers.MultiSegmentPacker 將輸入打包在一起，並帶有適當的 "[CLS]"、"[SEP]" 和 "[PAD]" 標記。
  3. 建構一個字典，其中包含鍵 "token_ids"、"segment_ids"、"padding_mask"，可以直接傳遞到 BERT 模型。

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。

Arguments（參數）

  • tokenizer: 一個 keras_hub.models.BertTokenizer 實例。
  • sequence_length: 打包輸入的長度。
  • truncate: 字串。用於截斷一批片段列表以符合 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 token 的輸入，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，並填充儲存桶，直到預算用完為止。它支援任意數量的片段。

Call arguments（呼叫參數）

  • 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，請直接傳遞張量。
  • y：任何標籤資料。將不經修改地傳遞。
  • sample_weight：任何標籤權重資料。將不經修改地傳遞。

範例

直接在資料上呼叫層。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_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.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(vocabulary=vocab)
preprocessor = keras_hub.models.BertTextClassifierPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 進行映射。

preprocessor = keras_hub.models.TextClassifierPreprocessor.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."])
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,
)

[原始碼]

from_preset 方法

BertTextClassifierPreprocessor.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，因此此方法應在特定子類別上呼叫，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

Arguments（參數）

  • 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 English Wikipedia + 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 English Wikipedia + 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 English Wikipedia + BooksCorpus 上訓練。
bert_base_zh 102.27M 12 層 BERT 模型。在 Chinese Wikipedia 上訓練。
bert_base_en 108.31M 12 層 BERT 模型，其中保留大小寫。在 English Wikipedia + 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 English Wikipedia + 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 Wikipedia 上訓練
bert_large_en 333.58M 24 層 BERT 模型，其中保留大小寫。在 English Wikipedia + 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 English Wikipedia + BooksCorpus 上訓練。

tokenizer 屬性

keras_hub.models.BertTextClassifierPreprocessor.tokenizer

用於 Tokenize 字串的 tokenizer。

BertTextClassifierPreprocessor 層
BertTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性