AlbertMaskedLMPreprocessor 层
AlbertMaskedLMPreprocessor 类
keras_nlp.models.AlbertMaskedLMPreprocessor(
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 ALBERT 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_nlp.models.AlbertMaskedLM 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。 - 将输入与适当的
"<s>"、"</s>"和"<pad>"符号打包在一起，即在整个序列的开头添加一个"<s>"，在每个片段之间添加"</s></s>"，并在整个序列的末尾添加一个"</s>"。 - 随机选择非特殊符号进行掩码，由
mask_selection_rate控制。 - 构建一个
(x, y, sample_weight)元组，适用于使用keras_nlp.models.AlbertMaskedLM任务模型进行训练。
参数
- tokenizer：一个
keras_nlp.models.AlbertTokenizer实例。 - sequence_length：打包输入的长度。
- mask_selection_rate：输入符号动态掩码的概率。
- mask_selection_length：层支持的掩码符号的最大数量。
- mask_token_rate：浮点数。
mask_token_rate必须介于 0 和 1 之间，表示掩码符号替换选定进行掩码的符号的频率。默认为0.8。 - random_token_rate：浮点数。
random_token_rate必须介于 0 和 1 之间，表示随机符号替换选定进行掩码的符号的频率。默认值为 0.1。注意：mask_token_rate + random_token_rate <= 1，对于(1 - mask_token_rate - random_token_rate)，符号不会更改。默认为0.1。 - truncate：字符串。用于将一批分段列表截断以适合
sequence_length的算法。该值可以是round_robin或waterfall"round_robin"：可用的空间会以循环的方式一次分配一个符号给仍然需要空间的输入，直到达到限制。"waterfall"：预算的分配使用“瀑布”算法，该算法以从左到右的方式分配配额并填满桶，直到预算用完。它支持任意数量的片段。
示例
直接在数据上调用层。
preprocessor = keras_nlp.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
# 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_nlp.models.AlbertMaskedLMPreprocessor.from_preset(
"albert_base_en_uncased"
)
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,
)
from_preset 方法
AlbertMaskedLMPreprocessor.from_preset(preset, **kwargs)
从模型预设中实例化一个 keras_nlp.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，如
'bert_base_en' - Kaggle 模型句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 本地预设目录的路径，如
'./bert_base_en'
对于任何 Preprocessor 子类，您都可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。
由于通常针对给定模型有多个预处理类，因此此方法应在特定子类上调用，如 keras_nlp.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_nlp.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_nlp.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 层 ALBERT 模型，其中所有输入都转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
| albert_large_en_uncased | 17.68M | 24 层 ALBERT 模型，其中所有输入都转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
| albert_extra_large_en_uncased | 58.72M | 24 层 ALBERT 模型，其中所有输入都转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 层 ALBERT 模型，其中所有输入都转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
tokenizer 属性
keras_nlp.models.AlbertMaskedLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。