DistilBertTextClassifierPreprocessor 层
DistilBertTextClassifierPreprocessor 类
keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一个 DistilBERT 预处理层，用于分词和打包输入。
此预处理层将执行以下三个操作
- 使用
tokenizer对任意数量的输入片段进行分词。 - 使用
keras_hub.layers.MultiSegmentPacker将输入打包在一起，并使用相应的"[CLS]"、"[SEP]"和"[PAD]"标记。 - 构建一个字典，其键为
"token_ids"和"padding_mask"，可以直接传递给 DistilBERT 模型。
此层可与 tf.data.Dataset.map 直接使用，以预处理 keras.Model.fit 使用的 (x, y, sample_weight) 格式的字符串数据。
参数
- tokenizer: 一个
keras_hub.models.DistilBertTokenizer实例。 - sequence_length: 打包输入的长度。
- truncate: 字符串。截断一批分段列表以适应
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，并填充分配量，直到预算用完。它支持任意数量的片段。
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，请直接传递张量。
- y: 任何标签数据。将原样传递。
- sample_weight: 任何标签权重数据。将原样传递。
示例
直接在数据上调用层。
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"distil_bert_base_en_uncased"
)
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.DistilBertTokenizer(vocabulary=vocab)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer
)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 进行映射。
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"distil_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
DistilBertTextClassifierPreprocessor.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
- 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() 以列出该类上可用的所有内置预设。
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 |
|---|---|---|
| distil_bert_base_en_uncased | 66.36M | 6 层 DistilBERT 模型，其中所有输入都小写。使用 BERT 作为教师模型在英文维基百科 + BooksCorpus 上进行训练。 |
| distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型，其中保留大小写。使用 BERT 作为教师模型在英文维基百科 + BooksCorpus 上进行训练。 |
| distil_bert_base_multi | 134.73M | 6 层 DistilBERT 模型，其中保留大小写。在 104 种语言的维基百科上进行训练 |
tokenizer 属性
keras_hub.models.DistilBertTextClassifierPreprocessor.tokenizer
用于分词字符串的分词器。