ElectraTokenizer

[原始碼]

ElectraTokenizer 類別

keras_hub.tokenizers.ElectraTokenizer(vocabulary, lowercase=False, **kwargs)

使用 WordPiece 子詞分段的 ELECTRA Tokenizer。

此 tokenizer 類別會將原始字串符記化為整數序列，並且基於 keras_hub.tokenizers.WordPieceTokenizer。

如果輸入是一批字串（rank > 0），則該層將輸出一個 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），則該層將輸出一個具有靜態形狀 [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詞片段符記字串。如果傳遞檔名，則該檔案應為純文字檔案，每行包含一個詞片段符記。
• lowercase：如果為 True，則輸入文字將在符記化之前先轉換為小寫。
• special_tokens_in_strings：布林值。一個布林值，用於指示 tokenizer 是否應預期輸入字串中存在特殊符記，這些特殊符記應被符記化並正確對應到其 ID。預設為 False。

範例

# Custom Vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]

# Instantiate the tokenizer.
tokenizer = keras_hub.models.ElectraTokenizer(vocabulary=vocab)

# Unbatched input.
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."))

[原始碼]

from_preset 方法

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

從模型預設實例化 keras_hub.models.Tokenizer。

預設是一個組態、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. 本機預設目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設。

此建構子可以透過兩種方式之一調用。可以從基底類別調用，例如 keras_hub.models.Tokenizer.from_preset()，也可以從模型類別調用，例如 keras_hub.models.GemmaTokenizer.from_preset()。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組態推斷出來。

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。
• 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])