► KerasHub：預訓練模型 / API 文件 / 模型架構 / XLMRoberta / XLMRobertaTextClassifierPreprocessor 層

XLMRobertaTextClassifierPreprocessor 層

[原始碼]

XLMRobertaTextClassifierPreprocessor 類別

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

一個 XLM-RoBERTa 預處理層，用於將輸入符記化和打包。

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符記化。
  2. 使用 keras_hub.layers.MultiSegmentPacker 將輸入打包在一起，並使用適當的 "<s>"、"</s>" 和 "<pad>" 符記，即在整個序列的開頭添加一個 "<s>"，在每個片段的結尾（除了最後一個）添加 "</s></s>"，並在整個序列的結尾添加一個 "</s>"。
  3. 建構一個字典，其中包含鍵 "token_ids" 和 "padding_mask"，可以直接傳遞給 XLM-RoBERTa 模型。

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。

引數

  • tokenizer：keras_hub.tokenizers.XLMRobertaTokenizer 實例。
  • sequence_length：打包輸入的長度。
  • truncate：用於截斷一批片段列表以符合 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符記給仍然需要符記的輸入，直到達到限制。- "waterfall"：預算的分配使用「瀑布式」演算法完成，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。它支援任意數量的片段。

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

範例

直接在資料上呼叫層。

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

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

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

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "اسمي اسماعيل"])
second = tf.constant(["The fox tripped.", "الأسد ملك الغابة"])
preprocessor((first, second))

# Custom vocabulary.
def train_sentencepiece(ds, vocab_size):
    bytes_io = io.BytesIO()
    sentencepiece.SentencePieceTrainer.train(
        sentence_iterator=ds.as_numpy_iterator(),
        model_writer=bytes_io,
        vocab_size=vocab_size,
        model_type="WORD",
        unk_id=0,
        bos_id=1,
        eos_id=2,
    )
    return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
    ["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(proto=proto)
preprocessor = keras_hub.models.XLMRobertaTextClassifierPreprocessor(
    tokenizer
)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 進行對應。

preprocessor = keras_hub.models.TextClassifierPreprocessor.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."])
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,
)

[原始碼]

from_preset 方法

XLMRobertaTextClassifierPreprocessor.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：

  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 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
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.XLMRobertaTextClassifierPreprocessor.tokenizer

用於符記化字串的符記器。

XLMRobertaTextClassifierPreprocessor 層
XLMRobertaTextClassifierPreprocessor 類別
from_preset 方法
tokenizer 屬性