DistilBertMaskedLMPreprocessor 層
DistilBertMaskedLMPreprocessor 類別
keras_hub.models.DistilBertMaskedLMPreprocessor(
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 DistilBERT 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.DistilBertMaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer對任意數量的輸入片段進行分詞。 - 使用
keras_hub.layers.MultiSegmentPacker將輸入封裝在一起，並使用適當的"[CLS]"、"[SEP]"和"[PAD]"符號。 - 隨機選擇非特殊符號進行遮罩，由
mask_selection_rate控制。 - 建構適用於使用
keras_hub.models.DistilBertMaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
參數
- tokenizer：
keras_hub.models.DistilBertTokenizer實例。 - sequence_length：整數。封裝輸入的長度。
- 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"：可用空間以循環分配的方式一次分配一個符號給仍然需要空間的輸入，直到達到限制。 -"waterfall"：預算的分配使用「瀑布式」演算法，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。它支援任意數量的片段。 - mask_selection_rate：浮點數。輸入符號將被動態遮罩的機率。
- mask_selection_length：整數。給定樣本中遮罩符號的最大數量。
- mask_token_rate：浮點數。選定的符號將被替換為遮罩符號的機率。
- random_token_rate：浮點數。選定的符號將被詞彙表中隨機符號替換的機率。選定的符號將以
1 - mask_token_rate - random_token_rate的機率保持不變。
呼叫參數
- x：單個字串序列的張量，或要封裝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
直接在資料上呼叫層。
preprocessor = keras_hub.models.DistilBertMaskedLMPreprocessor.from_preset(
"distil_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.DistilBertMaskedLMPreprocessor.from_preset(
"distil_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,
)
from_preset 方法
DistilBertMaskedLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
從模型預設配置實例化 keras_hub.models.Preprocessor。
預設配置是一個包含配置、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 可以作為以下其中之一傳遞
- 內建預設配置識別符，例如
'bert_base_en' - Kaggle Models 控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，例如
'hf://user/bert_base_en' - 本機預設配置目錄的路徑，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配置。
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。
參數
- preset：字串。內建預設配置識別符、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",
)
| 預設配置 | 參數 | 描述 |
|---|---|---|
| distil_bert_base_en | 65.19M | 6 層 DistilBERT 模型，其中保留大小寫。使用 BERT 作為教師模型在 English Wikipedia + BooksCorpus 上訓練。 |
| distil_bert_base_en_uncased | 66.36M | 6 層 DistilBERT 模型，其中所有輸入均為小寫。使用 BERT 作為教師模型在 English Wikipedia + BooksCorpus 上訓練。 |
| distil_bert_base_multi | 134.73M | 6 層 DistilBERT 模型，其中保留大小寫。在 104 種語言的 Wikipedia 上訓練 |
tokenizer 屬性
keras_hub.models.DistilBertMaskedLMPreprocessor.tokenizer
用於對字串進行分詞的分詞器。