compute_word_piece_vocabulary 函數
compute_word_piece_vocabulary 函數
keras_hub.tokenizers.compute_word_piece_vocabulary(
data,
vocabulary_size,
vocabulary_output_file=None,
lowercase=False,
strip_accents=False,
split=True,
split_on_cjk=True,
suffix_indicator="##",
reserved_tokens=["[PAD]", "[CLS]", "[SEP]", "[UNK]", "[MASK]"],
)
一個用於訓練 WordPiece 詞彙表的工具。
從輸入資料集或檔案名稱列表訓練 WordPiece 詞彙表。
對於自訂資料載入和預先分詞（split=False），輸入 data 應該是 tf.data.Dataset。如果 data 是檔案名稱列表，則檔案格式必須為純文字檔，並且在訓練期間會逐行讀取文字。
參數
- data：
tf.data.Dataset，或檔案名稱列表。 - vocabulary_size：整數。要訓練的詞彙表的最大大小。
- vocabulary_output_file：字串。用於寫入詞彙表檔案的位置。預設為
None。 - lowercase：布林值。如果為
True，輸入文字將在分詞前轉換為小寫。預設為False。 - strip_accents：布林值。如果為
True，所有重音符號將在分詞前從文字中移除。預設為False。 - split：布林值。如果為
True，輸入將依空白字元和標點符號分割，並且所有標點符號將保留為 tokens。如果為False，輸入應在呼叫 tokenizer 之前分割（「預先分詞」），並作為完整單字的密集或參差張量傳遞。當data是檔案名稱列表時，split必須為True。預設為True。 - split_on_cjk：布林值。如果為
True，輸入將依 CJK 字元分割，即中文、日文、韓文和越南文字元 (https://en.wikipedia.org/wiki/CJK_Unified_Ideographs_(Unicode_block))。請注意，這僅在split為True時適用。預設為True。 - suffix_indicator：字串。前置於 WordPiece 的字元，用於指示其為另一個子詞的後綴。例如
"##ing"。預設為"##"。 - reserved_tokens：字串列表。必須包含在詞彙表中的 tokens 列表。
返回
返回詞彙表詞彙的列表。
範例
基本用法（來自 Dataset）。
>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat pat mat rat"])
>>> vocab = compute_word_piece_vocabulary(inputs, 13)
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... oov_token="[UNK]",
... )
>>> outputs = inputs.map(tokenizer.tokenize)
>>> for x in outputs:
... print(x)
tf.Tensor([ 6 12 10 12 8 12 7 12 9 12], shape=(10,), dtype=int32)
基本用法（來自檔案名稱）。
with open("test.txt", "w+") as f:
f.write("bat sat pat mat rat\n")
inputs = ["test.txt"]
vocab = keras_hub.tokenizers.compute_word_piece_vocabulary(inputs, 13)
自訂分割用法（來自 Dataset）。
>>> def normalize_and_split(x):
... "Strip punctuation and split on whitespace."
... x = tf.strings.regex_replace(x, r"\p{P}", "")
... return tf.strings.split(x)
>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat: pat mat rat.\n"])
>>> split_inputs = inputs.map(normalize_and_split)
>>> vocab = compute_word_piece_vocabulary(
... split_inputs, 13, split=False,
... )
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(vocabulary=vocab)
>>> inputs.map(tokenizer.tokenize)
自訂分割用法（來自檔案名稱）。
def normalize_and_split(x):
"Strip punctuation and split on whitespace."
x = tf.strings.regex_replace(x, r"\p{P}", "")
return tf.strings.split(x)
with open("test.txt", "w+") as f:
f.write("bat sat: pat mat rat.\n")
inputs = tf.data.TextLineDataset(["test.txt"])
split_inputs = inputs.map(normalize_and_split)
vocab = keras_hub.tokenizers.compute_word_piece_vocabulary(
split_inputs, 13, split=False
)
tokenizer = keras_hub.tokenizers.WordPieceTokenizer(vocabulary=vocab)
inputs.map(tokenizer.tokenize)