BertTokenizer

[source]

BertTokenizer 類別

keras_hub.tokenizers.BertTokenizer(vocabulary=None, lowercase=False, **kwargs)

使用 WordPiece 子詞分詞的 BERT 分詞器。

此分詞器類別會將原始字串分詞為整數序列，並且基於 keras_hub.tokenizers.WordPieceTokenizer。與底層分詞器不同，它會檢查 BERT 模型所需的所有特殊符號，並提供 from_preset() 方法來自動下載 BERT 預設的匹配詞彙表。

如果輸入是一批字串（rank > 0），則此層將輸出 tf.RaggedTensor，其中輸出的最後一個維度是不規則的。

如果輸入是純量字串（rank == 0），則此層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。

引數

• vocabulary：字串列表或字串檔名路徑。如果傳遞列表，則列表的每個元素都應為單個 word piece 符號字串。如果傳遞檔名，則該檔案應為純文字檔，每行包含一個 word piece 符號。
• lowercase：如果為 True，則輸入文字將在分詞前先轉換為小寫。
• special_tokens_in_strings：布林值。一個布林值，指示分詞器是否應預期輸入字串中存在特殊符號，這些特殊符號應被分詞並正確映射到其 ID。預設值為 False。

範例

# Unbatched input.
tokenizer = keras_hub.models.BertTokenizer.from_preset(
    "bert_base_en_uncased",
)
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[source]

from_preset 方法

BertTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

從模型預設實例化 keras_hub.models.Tokenizer。

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

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 以列出此類別上可用的所有內建預設。

此建構子可以透過兩種方式之一調用。可以從基底類別（如 keras_hub.models.Tokenizer.from_preset()）調用，也可以從模型類別（如 keras_hub.models.GemmaTokenizer.from_preset()）調用。如果從基底類別調用，則傳回物件的子類別將從預設目錄中的配置推斷。

引數

• preset：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本地目錄的路徑。
• load_weights：布林值。如果為 True，則權重將載入到模型架構中。如果為 False，則權重將隨機初始化。

範例

# Load a preset tokenizer.
tokenizer = keras_hub.tokenizer.Tokenizer.from_preset("bert_base_en")

# Tokenize some input.
tokenizer("The quick brown fox tripped.")

# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])