► Keras 3 API 文档 / KerasHub / 预训练模型 / Albert / AlbertTokenizer

AlbertTokenizer

[来源]

AlbertTokenizer 类

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

基于 SentencePiece 的 ALBERT 分词器层。

此分词器类将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同，它将检查 ALBERT 模型所需的所有特殊标记，并提供一个 from_preset() 方法来自动下载与 ALBERT 预设匹配的词汇表。

如果输入是一批字符串（等级>0），该层将输出一个 tf.RaggedTensor，其中输出的最后一维是参差不齐的。

如果输入是标量字符串（等级==0），该层将输出一个密集的 tf.Tensor，其静态形状为[None]。

参数

  • proto: SentencePiece 协议文件路径的 string 或包含序列化 SentencePiece 协议的 bytes 对象。有关格式的更多详细信息，请参阅 SentencePiece 存储库。

示例

# Unbatched input.
tokenizer = keras_hub.models.AlbertTokenizer.from_preset(
    "albert_base_en_uncased",
)
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=10,
    model_type="WORD",
    pad_id=0,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_hub.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[来源]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Tokenizer。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：

  1. 内置预设标识符，例如 'bert_base_en'
  2. Kaggle 模型句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Tokenizer 子类，您可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。

此构造函数可以通过两种方式之一调用。要么从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，要么从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，返回对象的子类将从预设目录中的配置推断。

参数

  • preset: string。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

示例

# 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])
预设名称 参数 描述
albert_base_en_uncased 11.68M 12 层 ALBERT 模型，其中所有输入都小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型，其中所有输入都小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型，其中所有输入都小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型，其中所有输入都小写。在英文维基百科 + BooksCorpus 上训练。
AlbertTokenizer
AlbertTokenizer 类
from_preset 方法