► Keras 3 API 文档 / KerasHub / 预训练模型 / Bert / BertMaskedLMPreprocessor 层

BertMaskedLMPreprocessor 层

[源代码]

BertMaskedLMPreprocessor 类

keras_hub.models.BertMaskedLMPreprocessor(
    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
)

用于掩码语言建模任务的 BERT 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.BertMaskedLM 任务模型一起使用。预处理将分多个步骤进行。

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 将输入与相应的 "[CLS]"、"[SEP]" 和 "[PAD]" token 打包在一起。
  3. 随机选择非特殊 token 进行掩码，由 mask_selection_rate 控制。
  4. 构建一个适合使用 keras_hub.models.BertMaskedLM 任务模型进行训练的 (x, y, sample_weight) 元组。

参数

  • tokenizer：一个 keras_hub.models.BertTokenizer 实例。
  • sequence_length：int。打包输入的长度。
  • truncate：string。将一批分段列表截断以适合 sequence_length 的算法。该值可以是 round_robin 或 waterfall
    • "round_robin"：可用的空间以循环方式一次分配一个 token 给仍然需要一些空间的输入，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，并填满桶直到预算用完。它支持任意数量的段。
  • mask_selection_rate：float。输入 token 被动态掩码的概率。
  • mask_selection_length：int。给定样本中掩码 token 的最大数量。
  • mask_token_rate：float。选定 token 被替换为掩码 token 的概率。
  • random_token_rate：float。选定 token 被替换为词汇表中随机 token 的概率。选定 token 保留原样的概率为 1 - mask_token_rate - random_token_rate。

调用参数

  • x：单个字符串序列的张量，或要打包在一起的多个张量序列的元组。输入可以是批处理或非批处理。对于单个序列，原始 Python 输入将转换为张量。对于多个序列，直接传递张量。
  • y：标签数据。应始终为 None，因为该层会生成标签。
  • sample_weight：标签权重。应始终为 None，因为该层会生成标签权重。

示例

直接在数据上调用该层。

preprocessor = keras_hub.models.BertMaskedLMPreprocessor.from_preset(
    "bert_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.BertMaskedLMPreprocessor.from_preset(
    "bert_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,
)

[源代码]

from_preset 方法

BertMaskedLMPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化一个 keras_hub.models.Preprocessor。

预设是配置、权重和其他文件资产的目录，用于保存和加载预训练模型。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 Models 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 Preprocessor 子类，您可以运行 cls.presets.keys() 以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：string。内置预设标识符、Kaggle Models 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
bert_tiny_en_uncased 4.39M 所有输入都小写的 2 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_small_en_uncased 28.76M 所有输入都小写的 4 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 所有输入都小写的 8 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 所有输入都小写的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en 108.31M 保留大小写的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_zh 102.27M 12 层 BERT 模型。在中文维基百科上训练。
bert_base_multi 177.85M 保留大小写的 12 层 BERT 模型。在 104 种语言的维基百科上训练。
bert_large_en_uncased 335.14M 所有输入都小写的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_large_en 333.58M 保留大小写的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。

tokenizer 属性

keras_hub.models.BertMaskedLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

BertMaskedLMPreprocessor 层
BertMaskedLMPreprocessor 类
from_preset 方法
tokenizer 属性