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

XLMRobertaTokenizer

[source]

XLMRobertaTokenizer 類別

keras_hub.tokenizers.XLMRobertaTokenizer(proto, **kwargs)

一個使用 SentencePiece 子詞分段的 XLM-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.SentencePieceTokenizer。與底層 tokenizer 不同，它會檢查 XLM-RoBERTa 模型所需的所有特殊符記，並提供 from_preset() 方法來自動下載與 XLM-RoBERTa 預設設定相符的詞彙表。

注意：如果您提供自己的自訂 SentencePiece 模型，則 XLM-RoBERTa 的原始 fairseq 實作會重新映射來自底層 sentencepiece 輸出的某些符記索引。為了保持相容性，我們在此處進行相同的重新映射。

如果輸入是一批字串（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

  • proto：SentencePiece proto 檔案的 string 路徑，或具有序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

tokenizer = keras_hub.models.XLMRobertaTokenizer.from_preset(
    "xlm_roberta_base_multi",
)

# Unbatched inputs.
tokenizer("the quick brown fox")

# Batched inputs.
tokenizer(["the quick brown fox", "الأرض كروية"])

# Detokenization.
tokenizer.detokenize(tokenizer("the quick brown fox"))

# 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)

[source]

from_preset 方法

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

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

預設設定是一個組態、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 可以作為以下其中一種傳遞

  1. 內建預設設定識別符，例如 'bert_base_en'
  2. Kaggle Models 控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
  4. 本機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() 以列出類別上所有可用的內建預設設定。

此建構子可以透過兩種方式之一呼叫。從基底類別呼叫，例如 keras_hub.models.Tokenizer.from_preset()，或從模型類別呼叫，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設設定目錄中的組態推斷。

引數

  • preset：字串。內建預設設定識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
  • load_weights：布林值。如果為 True，則權重將載入到模型架構中。如果為 False，則權重將隨機初始化。

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])
預設設定 參數 描述
xlm_roberta_base_multi 277.45M 12 層 XLM-RoBERTa 模型，其中保留大小寫。在 100 種語言的 CommonCrawl 上訓練。
xlm_roberta_large_multi 558.84M 24 層 XLM-RoBERTa 模型，其中保留大小寫。在 100 種語言的 CommonCrawl 上訓練。
XLMRobertaTokenizer
XLMRobertaTokenizer 類別
from_preset 方法