RobertaTokenizer

[原始碼]

RobertaTokenizer 類別

keras_hub.tokenizers.RobertaTokenizer(vocabulary=None, merges=None, **kwargs)

一個使用 Byte-Pair Encoding 子詞分段的 RoBERTa 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.BytePairTokenizer。與底層 tokenizer 不同，它會檢查 RoBERTa 模型所需的所有特殊符記，並提供 from_preset() 方法來自動下載符合 RoBERTa 預設設定的詞彙表。

如果輸入是字串批次（rank > 0），則此層將輸出一個 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），則此層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

引數

• vocabulary：一個將符記映射到整數 ID 的字典，或是包含符記到 ID 映射的 json 檔案路徑。
• merges：合併規則的列表或字串檔案路徑。如果傳遞檔案路徑，則檔案應每行包含一個合併規則。每個合併規則都包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_hub.models.RobertaTokenizer.from_preset(
    "roberta_base_en",
)
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."))

# Custom vocabulary.
# Note: 'Ġ' is space
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"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
tokenizer(["a quick fox", "a fox quick"])

[原始碼]

from_preset 方法

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

從模型預設設定實例化一個 keras_hub.models.Tokenizer。

預設設定是一個包含配置、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 可以作為以下其中一種方式傳遞

1. 一個內建的預設設定識別符，例如 'bert_base_en'
2. 一個 Kaggle Models handle，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face handle，例如 'hf://user/bert_base_en'
4. 一個本地預設設定目錄的路徑，例如 './bert_base_en'

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

此建構子可以使用兩種方式調用。可以從基礎類別調用，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()。如果從基礎類別調用，則返回物件的子類別將從預設設定目錄中的配置推斷出來。

引數

• preset：字串。一個內建的預設設定識別符、Kaggle Models handle、Hugging Face handle 或本地目錄的路徑。
• load_weights：布林值。如果為 True，權重將被載入到模型架構中。如果為 False，權重將被隨機初始化。

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])