► KerasHub：預訓練模型 / API 文件 / 模型架構 / DebertaV3 / DebertaV3Tokenizer

DebertaV3Tokenizer

[來源]

DebertaV3Tokenizer 類別

keras_hub.tokenizers.DebertaV3Tokenizer(proto, **kwargs)

基於 SentencePiece 的 DeBERTa 分詞器層。

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.SentencePieceTokenizer。與底層分詞器不同，它會檢查 DeBERTa 模型所需的所有特殊符號，並提供 from_preset() 方法來自動下載與 DeBERTa 預設設定相符的詞彙表。

如果輸入是字串批次（rank > 0），則此層將輸出一個 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），則此層將輸出一個稠密的 tf.Tensor，其靜態形狀為 [None]。

注意：遮罩符號（"[MASK]"）在此分詞器中以不同方式處理。如果提供的 SentencePiece 詞彙表中不存在此符號，則會將此符號附加到詞彙表中。例如，如果詞彙表大小為 100，則遮罩符號將被分配 ID 100。

參數

  • proto：SentencePiece proto 檔案的 string 路徑，或包含序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_hub.models.DebertaV3Tokenizer.from_preset(
    "deberta_v3_base_en",
)
tokenizer("The quick brown fox jumped.")

# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])

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

# 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=9,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="[PAD]",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    unk_piece="[UNK]",
)
tokenizer = keras_hub.models.DebertaV3Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

DebertaV3Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

從模型預設設定實例化 keras_hub.models.Tokenizer。

預設設定是一個包含配置、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 可以作為以下其中一種傳遞：

  1. 內建預設設定識別符，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. 本機預設設定目錄的路徑，例如 './bert_base_en'

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

此建構子可以透過兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_hub.models.Tokenizer.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設設定目錄中的配置推斷出來。

參數

  • preset：字串。內建預設設定識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
  • load_weights：布林值。如果為 True，權重將載入到模型架構中。如果為 False，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])
預設設定 參數 描述
deberta_v3_extra_small_en 70.68M 12 層 DeBERTaV3 模型，其中保留大小寫。於英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_small_en 141.30M 6 層 DeBERTaV3 模型，其中保留大小寫。於英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_base_en 183.83M 12 層 DeBERTaV3 模型，其中保留大小寫。於英文維基百科、BookCorpus 和 OpenWebText 上訓練。
deberta_v3_base_multi 278.22M 12 層 DeBERTaV3 模型，其中保留大小寫。於 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。於英文維基百科、BookCorpus 和 OpenWebText 上訓練。
DebertaV3Tokenizer
DebertaV3Tokenizer 類別
from_preset 方法