AlbertMaskedLMPreprocessor 层
AlbertMaskedLMPreprocessor 类
keras_hub.models.AlbertMaskedLMPreprocessor(
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
)
ALBERT 的掩码语言建模任务预处理。
此预处理层将为掩码语言建模任务准备输入。它主要用于与 keras_hub.models.AlbertMaskedLM 任务模型一起使用。预处理将分多个步骤进行。
- 使用
tokenizer对任意数量的输入片段进行分词。 - 将输入与适当的
"<s>"、"</s>"和"<pad>"token 打包在一起，即在整个序列的开头添加单个"<s>"，在每个片段之间添加"</s></s>"，并在整个序列的末尾添加"</s>"。 - 随机选择非特殊 token 进行掩码，由
mask_selection_rate控制。 - 构建一个
(x, y, sample_weight)元组，适合使用keras_hub.models.AlbertMaskedLM任务模型进行训练。
参数
- tokenizer: 一个
keras_hub.models.AlbertTokenizer实例。 - sequence_length: 打包输入的长度。
- mask_selection_rate: 输入 token 被动态掩码的概率。
- mask_selection_length: 层支持的最大掩码 token 数量。
- mask_token_rate: 浮点数。
mask_token_rate必须在 0 到 1 之间，表示为掩码选择的 token 替换为 mask_token 的频率。默认为0.8。 - random_token_rate: 浮点数。
random_token_rate必须在 0 到 1 之间，表示为掩码选择的 token 替换为随机 token 的频率。默认为 0.1。注意：mask_token_rate + random_token_rate <= 1，对于 (1 - mask_token_rate - random_token_rate)，token 不会改变。默认为0.1。 - truncate: 字符串。用于将一批分段列表截断以适应
sequence_length的算法。值可以是round_robin或waterfall"round_robin": 可用空间以循环方式一次分配一个 token 给仍然需要 token 的输入，直到达到限制。"waterfall": 预算的分配使用“瀑布”算法完成，该算法以从左到右的方式分配配额，并填满存储桶，直到预算用完。它支持任意数量的片段。
示例
直接在数据上调用层。
preprocessor = keras_hub.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
# 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 进行映射。
preprocessor = keras_hub.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
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,
)
from_preset 方法
AlbertMaskedLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化 keras_hub.models.Preprocessor。
预设是配置、权重和其他用于保存和加载预训练模型的文件资产的目录。preset 可以作为以下之一传递：
- 内置预设标识符，例如
'bert_base_en' - Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./bert_base_en'
对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。
由于给定模型通常有多个预处理类，因此此方法应在特定子类上调用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
- preset: 字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 层 ALBERT 模型，所有输入都转换为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_large_en_uncased | 17.68M | 24 层 ALBERT 模型，所有输入都转换为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_large_en_uncased | 58.72M | 24 层 ALBERT 模型，所有输入都转换为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 层 ALBERT 模型，所有输入都转换为小写。在英文维基百科 + BooksCorpus 上训练。 |
tokenizer 属性
keras_hub.models.AlbertMaskedLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。