FNetMaskedLMPreprocessor 層
FNetMaskedLMPreprocessor 類別
keras_hub.models.FNetMaskedLMPreprocessor(
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 FNet 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.FNetMaskedLM 任務模型。預處理將分多個步驟進行。
- 使用
tokenizer將任意數量的輸入片段進行 Tokenization（斷詞）。 - 將輸入與適當的
"<s>"、"</s>"和"<pad>"標記打包在一起，即在整個序列的開頭添加一個"<s>"，在每個片段之間添加"</s></s>"，並在整個序列的末尾添加一個"</s>"。 - 隨機選擇非特殊標記進行遮罩，由
mask_selection_rate控制。 - 建構一個
(x, y, sample_weight)tuple，適用於使用keras_hub.models.FNetMaskedLM任務模型進行訓練。
引數
- tokenizer：
keras_hub.models.FNetTokenizer實例。 - sequence_length：打包輸入的長度。
- mask_selection_rate：輸入標記將被動態遮罩的機率。
- mask_selection_length：圖層支援的遮罩標記的最大數量。
- mask_token_rate：浮點數。
mask_token_rate必須介於 0 和 1 之間，表示 mask_token 取代選定用於遮罩的標記的頻率。預設值為0.8。 - random_token_rate：浮點數。
random_token_rate必須介於 0 和 1 之間，表示隨機標記取代選定用於遮罩的標記的頻率。注意：mask_token_rate + random_token_rate <= 1，且對於 (1 - mask_token_rate - random_token_rate)，標記將不會被更改。預設值為0.1。 - 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"：可用的空間以循環賽的方式一次分配一個標記給仍然需要一些的輸入，直到達到限制。"waterfall"：預算的分配是使用「瀑布」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，直到我們用完預算。它支援任意數量的片段。
範例
直接在資料上呼叫圖層。
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.FNetMaskedLMPreprocessor.from_preset(
"f_net_base_en"
)
# 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.FNetMaskedLMPreprocessor.from_preset(
"f_net_base_en"
)
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)
# Alternatively, you can create a preprocessor from your own vocabulary.
vocab_data = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
# 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
FNetMaskedLMPreprocessor.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 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地預設目錄的路徑，例如
'./bert_base_en'
對於任何 Preprocessor 子類別，您可以執行 cls.presets.keys() 以列出該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，因此此方法應在特定子類別上呼叫，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
引數
- preset：字串。內建預設識別符、Kaggle 模型句柄、Hugging Face 句柄或本地目錄的路徑。
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 |
|---|---|---|
| f_net_base_en | 82.86M | 12 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。 |
| f_net_large_en | 236.95M | 24 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。 |
tokenizer 屬性
keras_hub.models.FNetMaskedLMPreprocessor.tokenizer
用於 Tokenization 字串的 tokenizer。