XLMRobertaTokenizer
XLMRobertaTokenizer 类
keras_hub.tokenizers.XLMRobertaTokenizer(proto, **kwargs)
使用 SentencePiece 子词分割的 XLM-RoBERTa 分词器。
此分词器类将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同，它将检查 XLM-RoBERTa 模型所需的所有特殊标记，并提供一个 from_preset() 方法来自动下载与 XLM-RoBERTa 预设匹配的词汇表。
注意：如果您提供自己的自定义 SentencePiece 模型，则 XLM-RoBERTa 的原始 fairseq 实现会将一些标记索引从底层 sentencepiece 输出重新映射。为了保持兼容性，我们在这里也执行相同的重新映射。
如果输入是字符串批次（秩 > 0），则层将输出一个 tf.RaggedTensor，其中输出的最后一维是不规则的。
如果输入是标量字符串（秩 == 0），则层将输出一个密集的 tf.Tensor，其静态形状为 [None]。
参数
- proto: SentencePiece proto 文件的
string路径，或包含序列化 SentencePiece proto 的bytes对象。有关格式的更多详细信息，请参见 SentencePiece 存储库。
示例
tokenizer = keras_hub.models.XLMRobertaTokenizer.from_preset(
"xlm_roberta_base_multi",
)
# Unbatched inputs.
tokenizer("the quick brown fox")
# Batched inputs.
tokenizer(["the quick brown fox", "الأرض كروية"])
# Detokenization.
tokenizer.detokenize(tokenizer("the quick brown fox"))
# Custom vocabulary
def train_sentencepiece(ds, vocab_size):
bytes_io = io.BytesIO()
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=vocab_size,
model_type="WORD",
unk_id=0,
bos_id=1,
eos_id=2,
)
return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(proto=proto)
from_preset 方法
XLMRobertaTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)
从模型预设实例化一个 keras_hub.models.Tokenizer。
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目录。preset 可以传递为以下之一：
- 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 Tokenizer 子类，您可以运行 cls.presets.keys() 列出该类上可用的所有内置预设。
此构造函数可以通过两种方式之一调用。要么从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，要么从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断。
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。
- load_weights: bool。如果为
True，则权重将加载到模型架构中。如果为False，则权重将被随机初始化。
示例
# Load a preset tokenizer.
tokenizer = keras_hub.tokenizer.Tokenizer.from_preset("bert_base_en")
# Tokenize some input.
tokenizer("The quick brown fox tripped.")
# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])
| 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 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 100 种语言的 CommonCrawl 上训练。 |