DistilBertTextClassifierPreprocessor 層
DistilBertTextClassifierPreprocessor 類別
keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一個 DistilBERT 預處理層，用於將輸入 Token 化並打包。
此預處理層將執行三件事
- 使用
tokenizer將任意數量的輸入片段 Token 化。 - 使用
keras_hub.layers.MultiSegmentPacker將輸入打包在一起，並帶有適當的"[CLS]"、"[SEP]"和"[PAD]"Token。 - 建構一個字典，其中包含鍵
"token_ids"和"padding_mask"，可以直接傳遞給 DistilBERT 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。
引數
- tokenizer：
keras_hub.models.DistilBertTokenizer實例。 - sequence_length：打包輸入的長度。
- truncate：字串。將批次片段列表截斷以符合
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"：預算的分配是使用「瀑布式」演算法完成的，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。它支援任意數量的片段。
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：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(
"distil_bert_base_en_uncased"
)
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.DistilBertTokenizer(vocabulary=vocab)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer
)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 進行 Mapping。
preprocessor = keras_hub.models.TextClassifierPreprocessor.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."])
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,
)
from_preset 方法
DistilBertTextClassifierPreprocessor.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
- 內建預設識別符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 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() 以列出類別上可用的所有內建預設。
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。
引數
- preset：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
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 |
|---|---|---|
| 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，在英文維基百科 + 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，在英文維基百科 + BooksCorpus 上訓練。 |
| distil_bert_base_multi | 134.73M | 6 層 DistilBERT 模型，其中保留大小寫。在 104 種語言的維基百科上訓練 |
tokenizer 屬性
keras_hub.models.DistilBertTextClassifierPreprocessor.tokenizer
用於 Token 化字串的 Tokenizer。