BertTokenizer

[source]

BertTokenizer 类

keras_hub.tokenizers.BertTokenizer(vocabulary=None, lowercase=False, **kwargs)

使用 WordPiece 子词分割的 BERT 分词器。

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

如果输入是字符串批次（秩 > 0），则该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是不规则的。

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

参数

• vocabulary: 字符串列表或字符串文件名路径。如果传递列表，则列表的每个元素都应该是单个单词片段标记字符串。如果传递文件名，则该文件应为纯文本文件，每行包含一个单词片段标记。
• lowercase: 如果为 True，则输入文本将在分词之前先转换为小写。
• special_tokens_in_strings: bool。一个布尔值，表示分词器是否应在输入字符串中期望特殊标记，这些特殊标记应被分词并正确映射到其 ID。默认为 False。

示例

# Unbatched input.
tokenizer = keras_hub.models.BertTokenizer.from_preset(
    "bert_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.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[source]

from_preset 方法

BertTokenizer.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，如 'bert_base_en'
2. Kaggle 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，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调用之一调用。要么从基类调用，如 keras_hub.models.Tokenizer.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断。

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。
• load_weights: bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将被随机初始化。

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])