XLMRobertaMaskedLMPreprocessor 層
XLMRobertaMaskedLMPreprocessor 類別
keras_hub.models.XLMRobertaMaskedLMPreprocessor(
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 XLM-RoBERTa 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.XLMRobertaMaskedLM 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。 - 將輸入與適當的
"<s>"、"</s>"和"<pad>"Token 打包在一起，即在整個序列的開頭添加單個"<s>"，在每個片段之間添加"</s></s>"，並在整個序列的末尾添加"</s>"。 - 隨機選擇非特殊 Token 進行遮罩，由
mask_selection_rate控制。 - 建構適用於使用
keras_hub.models.XLMRobertaMaskedLM任務模型進行訓練的(x, y, sample_weight)元組。
引數
- tokenizer：
keras_hub.models.XLMRobertaTokenizer實例。 - sequence_length：整數。打包輸入的長度。
- 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"：可用空間以循環方式一次分配一個 Token 給仍然需要輸入的項目，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區，直到預算用完為止。它支援任意數量的片段。 - mask_selection_rate：浮點數。輸入 Token 將被動態遮罩的機率。
- mask_selection_length：整數。給定樣本中遮罩 Token 的最大數量。
- mask_token_rate：浮點數。選定的 Token 將被替換為遮罩 Token 的機率。
- random_token_rate：浮點數。選定的 Token 將被替換為詞彙表中隨機 Token 的機率。選定的 Token 將以
1 - mask_token_rate - random_token_rate的機率保持不變。
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，請直接傳遞張量。
- y：標籤資料。應始終為
None，因為該層會產生標籤。 - sample_weight：標籤權重。應始終為
None，因為該層會產生標籤權重。
範例
直接在資料上呼叫層。
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
# 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.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
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)
# 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,
)
----
<span style="float:right;">[[source]](https://github.com/keras-team/keras-hub/tree/v0.19.1/keras_hub/src/models/preprocessor.py#L132)</span>
### `from_preset` method
```python
XLMRobertaMaskedLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
從模型預設實例化 keras_hub.models.Preprocessor。
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 可以作為以下其中之一傳遞
- 內建預設識別碼，例如
'bert_base_en' - Kaggle Models 控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，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() 以列出該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。內建預設識別碼、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
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 |
|---|---|---|
| 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.XLMRobertaMaskedLMPreprocessor.tokenizer
用於 Tokenization 字串的 Tokenizer。