► Keras 3 API 文档 / KerasNLP / 预训练模型 / Albert / AlbertTextClassifierPreprocessor 层

AlbertTextClassifierPreprocessor 层

[源代码]

AlbertTextClassifierPreprocessor 类

keras_nlp.models.AlbertTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

一个 ALBERT 预处理层，用于分词和打包输入。

此预处理层将执行三件事

  • 使用 tokenizer 对任意数量的输入段进行分词。
  • 使用 keras_nlp.layers.MultiSegmentPacker 将输入打包在一起，并使用适当的 "[CLS]"、"[SEP]" 和 "<pad>" 符号。
  • 构建一个字典，其中包含键 "token_ids"、"segment_ids" 和 "padding_mask"，可以将其直接传递给 keras_nlp.models.AlbertBackbone。

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。

此层的调用方法接受三个参数：x、y 和 sample_weight。x 可以是表示单个段的 Python 字符串或张量，可以是表示一批单个段的 Python 字符串列表，也可以是表示要打包在一起的多个段的张量列表。y 和 sample_weight 都是可选的，可以具有任何格式，并且将直接传递，不会被修改。

在使用 tf.data 对未标记的字符串段元组进行映射时，应特别注意。 tf.data.Dataset.map 将直接将此元组解包到此层的调用参数中，而不是将所有参数转发到 x。为了处理这种情况，建议明确调用此层，例如 ds.map(lambda seg1, seg2: preprocessor(x=(seg1, seg2)))。

参数

  • tokenizer: 一个 keras_nlp.models.AlbertTokenizer 实例。
  • sequence_length: 打包输入的长度。
  • truncate: 字符串。截断一批段以适合 sequence_length 的算法。值可以是 round_robin 或 waterfall
    • "round_robin": 可用空间将一次分配一个符号，以循环方式分配给仍然需要一些空间的输入，直到达到限制为止。
    • "waterfall": 使用“瀑布”算法分配预算，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。它支持任意数量的段。

示例

直接在数据上调用此层。

preprocessor = keras_nlp.models.TextClassifierPreprocessor.from_preset(
    "albert_base_en_uncased"
)

# 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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=10,
    model_type="WORD",
    pad_id=0,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_nlp.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
preprocessor = keras_nlp.models.AlbertTextClassifierPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 进行映射。

preprocessor = keras_nlp.models.TextClassifierPreprocessor.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."])
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

AlbertTextClassifierPreprocessor.from_preset(preset, **kwargs)

从模型预设实例化一个 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目录。preset 可以作为以下之一传递：

  1. 一个内置的预设标识符，如 'bert_base_en'
  2. 一个 Kaggle 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 一个指向本地预设目录的路径，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。

由于通常存在针对给定模型的多个预处理类，因此应在特定子类上调用此方法，如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset: 字符串。一个内置的预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄，或指向本地目录的路径。

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 说明
albert_base_en_uncased 11.68M 12 层 ALBERT 模型，其中所有输入都被转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型，其中所有输入都被转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型，其中所有输入都被转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型，其中所有输入都被转换为小写。在英文维基百科 + BooksCorpus 上训练。

tokenizer 属性

keras_nlp.models.AlbertTextClassifierPreprocessor.tokenizer

用于对字符串进行分词的分词器。

AlbertTextClassifierPreprocessor 层
AlbertTextClassifierPreprocessor 类
from_preset 方法
tokenizer 属性