► KerasHub：預訓練模型 / API 文件 / 模型架構 / Roberta / RobertaTextClassifierPreprocessor 層

RobertaTextClassifierPreprocessor 層

[來源]

RobertaTextClassifierPreprocessor 類別

keras_hub.models.RobertaTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

RoBERTa 預處理層，用於將輸入分詞並打包。

此預處理層將執行三件事

  1. 使用 tokenizer 將任意數量的輸入片段分詞。
  2. 將輸入與適當的 "<s>"、"</s>" 和 "<pad>" 符號打包在一起，即在整個序列的開頭添加單個 "<s>"，在每個片段的末尾（最後一個片段除外）添加 "</s></s>"，並在整個序列的末尾添加 "</s>"。
  3. 建構一個字典，其中包含可直接傳遞給 RoBERTa 模型的鍵 "token_ids"、"padding_mask"。

此層可以直接與 tf.data.Dataset.map 一起使用，以預處理 keras.Model.fit 使用的 (x, y, sample_weight) 格式的字串資料。

參數

  • tokenizer：keras_hub.models.RobertaTokenizer 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符號給仍需要空間的輸入，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滿儲存桶，直到預算用完為止。它支援任意數量的片段。

呼叫參數

  • 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，請直接傳遞張量。
  • y：任何標籤資料。將不經更改地傳遞。
  • sample_weight：任何標籤權重資料。將不經更改地傳遞。

範例

直接在資料上呼叫層。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "roberta_base_en"
)

# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

# Custom vocabulary.
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick", "Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
preprocessor = keras_hub.models.RobertaTextClassifierPreprocessor(tokenizer)
preprocessor("a quick fox")

使用 tf.data.Dataset 進行映射。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "roberta_base_en"
)

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,
)

[來源]

from_preset 方法

RobertaTextClassifierPreprocessor.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

  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 Preprocessor 子類別，您可以執行 cls.presets.keys() 以列出類別上所有可用的內建預設。

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。

參數

  • 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
roberta_base_en 124.05M 12 層 RoBERTa 模型，其中保留了大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。
roberta_large_en 354.31M 24 層 RoBERTa 模型，其中保留了大小寫。在英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 上訓練。
xlm_roberta_base_multi 277.45M 12 層 XLM-RoBERTa 模型，其中保留了大小寫。在 100 種語言的 CommonCrawl 上訓練。
xlm_roberta_large_multi 558.84M 24 層 XLM-RoBERTa 模型，其中保留了大小寫。在 100 種語言的 CommonCrawl 上訓練。

tokenizer 屬性

keras_hub.models.RobertaTextClassifierPreprocessor.tokenizer

用於將字串分詞的分詞器。

RobertaTextClassifierPreprocessor 層
RobertaTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性