XLMRobertaMaskedLMPreprocessor 层
XLMRobertaMaskedLMPreprocessor 类
keras_hub.models.XLMRobertaMaskedLMPreprocessor(
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 XLM-RoBERTa 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.XLMRobertaMaskedLM 任务模型一起使用。预处理将分多个步骤进行。
- 使用
tokenizer对任意数量的输入片段进行分词。 - 将输入与相应的
"<s>"、"</s>"和"<pad>"标记打包在一起，即在整个序列的开头添加单个"<s>"，在每个片段之间添加"</s></s>"，并在整个序列的末尾添加"</s>"。 - 随机选择非特殊标记进行掩码，由
mask_selection_rate控制。 - 构建一个
(x, y, sample_weight)元组，适合使用keras_hub.models.XLMRobertaMaskedLM任务模型进行训练。
参数
- tokenizer：
keras_hub.models.XLMRobertaTokenizer实例。 - sequence_length：int。打包输入的长度。
- truncate：string。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"：可用的空间每次分配一个标记，以循环的方式分配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，并填充分配直到预算用完。它支持任意数量的片段。 - mask_selection_rate：float。输入标记被动态掩码的概率。
- mask_selection_length：int。给定样本中掩码标记的最大数量。
- mask_token_rate：float。选定标记被替换为掩码标记的概率。
- random_token_rate：float。选定标记被替换为词汇表中随机标记的概率。选定标记将以
1 - mask_token_rate - random_token_rate的概率保持原样。
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，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。
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
# 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.XLMRobertaMaskedLMPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
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,
)
----
<span style="float:right;">[[source]](https://github.com/keras-team/keras-hub/tree/v0.16.1/keras_hub/src/models/preprocessor.py#L116)</span>
### `from_preset` method
```python
XLMRobertaMaskedLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设中实例化 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：
- 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：string。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 |
|---|---|---|
| xlm_roberta_base_multi | 277.45M | 12 层 XLM-RoBERTa 模型，其中保留大小写。在包含 100 种语言的 CommonCrawl 上训练。 |
| xlm_roberta_large_multi | 558.84M | 24 层 XLM-RoBERTa 模型，其中保留大小写。在包含 100 种语言的 CommonCrawl 上训练。 |
tokenizer 属性
keras_hub.models.XLMRobertaMaskedLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。