► Keras 3 API 文档 / KerasHub / 预训练模型 / Roberta / RobertaTextClassifierPreprocessor 层

RobertaTextClassifierPreprocessor 层

[源代码]

RobertaTextClassifierPreprocessor 类

keras_hub.models.RobertaTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

一个 RoBERTa 预处理层，用于分词和打包输入。

此预处理层将执行三件事

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 使用适当的 "<s>"、"</s>" 和 "<pad>" token 将输入打包在一起，即，在整个序列的开头添加一个 "<s>"，在每个段的末尾添加 "</s></s>"（最后一个除外），并在整个序列的末尾添加一个 "</s>"。
  3. 构建一个包含键 "token_ids"、"padding_mask" 的字典，可以将其直接传递给 RoBERTa 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

  • tokenizer：一个 keras_hub.models.RobertaTokenizer 实例。
  • sequence_length：打包输入的长度。
  • truncate：字符串。用于将一批分段列表截断以适应 sequence_length 的算法。该值可以是 round_robin 或 waterfall
    • "round_robin"：可用的空间以循环的方式一次分配一个 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，并填满存储桶，直到预算用完。它支持任意数量的段。

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。输入可以是批处理的或非批处理的。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

直接在数据上调用该层。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "roberta_base_en"
)

# 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 = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick", "Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
preprocessor = keras_hub.models.RobertaTextClassifierPreprocessor(tokenizer)
preprocessor("a quick fox")

使用 tf.data.Dataset 进行映射。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "roberta_base_en"
)

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,
)

[源代码]

from_preset 方法

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

从模型预设实例化 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：

  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 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：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
roberta_base_en 124.05M 12 层 RoBERTa 模型，保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型，保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型，保留大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，保留大小写。在 100 种语言的 CommonCrawl 上训练。

tokenizer 属性

keras_hub.models.RobertaTextClassifierPreprocessor.tokenizer

用于分词字符串的分词器。

RobertaTextClassifierPreprocessor 层
RobertaTextClassifierPreprocessor 类
from_preset 方法
tokenizer 属性