BertTextClassifierPreprocessor
类keras_hub.models.BertTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一个 BERT 预处理层,用于分词和打包输入。
此预处理层将执行三件事
tokenizer
对任意数量的输入片段进行分词。keras_hub.layers.MultiSegmentPacker
将输入打包在一起,并包含适当的 "[CLS]"
、"[SEP]"
和 "[PAD]"
标记。"token_ids"
、"segment_ids"
、"padding_mask"
,可以直接传递给 BERT 模型。此层可以直接与 tf.data.Dataset.map
一起使用,以预处理 keras.Model.fit
使用的 (x, y, sample_weight)
格式的字符串数据。
参数
keras_hub.models.BertTokenizer
实例。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标记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,并填满存储桶,直到预算用完。它支持任意数量的片段。调用参数
示例
直接在数据上调用层。
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en_uncased"
)
# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")
# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))
# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(vocabulary=vocab)
preprocessor = keras_hub.models.BertTextClassifierPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset
进行映射。
preprocessor = keras_hub.models.TextClassifierPreprocessor.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."])
label = tf.constant([1, 1])
# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map unlabeled 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BertTextClassifierPreprocessor.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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Preprocessor
子类,您都可以运行 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的子类上调用,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()
。
参数
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 | 所有输入都小写化的 2 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。 |
bert_small_en_uncased | 28.76M | 所有输入都小写化的 4 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。 |
bert_medium_en_uncased | 41.37M | 所有输入都小写化的 8 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。 |
bert_base_en_uncased | 109.48M | 所有输入都小写化的 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 | 所有输入都小写化的 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.BertTextClassifierPreprocessor.tokenizer
用于对字符串进行分词的分词器。