► Keras 3 API 文档 / KerasNLP / 预训练模型 / Bert / BertMaskedLMPreprocessor 层

BertMaskedLMPreprocessor 层

[来源]

BertMaskedLMPreprocessor 类

keras_nlp.models.BertMaskedLMPreprocessor(
    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 BERT 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.BertMaskedLM 任务模型一起使用。预处理将分多个步骤进行。

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 将输入与适当的 "[CLS]"、"[SEP]" 和 "[PAD]" 符号一起打包。
  3. 随机选择非特殊符号进行掩码，由 mask_selection_rate 控制。
  4. 构造一个 (x, y, sample_weight) 元组，适合使用 keras_nlp.models.BertMaskedLM 任务模型进行训练。

参数

  • tokenizer: 一个 keras_nlp.models.BertTokenizer 实例。
  • sequence_length: int。打包输入的长度。
  • truncate: string。将批次段列表截断以适合 sequence_length 的算法。该值可以是 round_robin 或 waterfall
    • "round_robin": 可用空间以循环方式一次分配一个符号给仍然需要一些空间的输入，直到达到限制。
    • "waterfall": 预算分配使用“瀑布”算法完成，该算法以从左到右的方式分配配额，并填充桶，直到我们用完预算。它支持任意数量的段。
  • mask_selection_rate: float。输入符号动态掩码的概率。
  • mask_selection_length: int。给定样本中掩码符号的最大数量。
  • mask_token_rate: float。选定符号被掩码符号替换的概率。
  • random_token_rate: float。选定符号被词汇表中的随机符号替换的概率。选定符号将以 1 - mask_token_rate - random_token_rate 的概率保留原样。

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。输入可以是批次的或非批次的。对于单个序列，原始 python 输入将被转换为张量。对于多个序列，直接传递张量。
  • y: 标签数据。应该始终为 None，因为层会生成标签。
  • sample_weight: 标签权重。应该始终为 None，因为层会生成标签权重。

示例

直接在数据上调用层。

preprocessor = keras_nlp.models.BertMaskedLMPreprocessor.from_preset(
    "bert_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 映射。

preprocessor = keras_nlp.models.BertMaskedLMPreprocessor.from_preset(
    "bert_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,
)

[来源]

from_preset 方法

BertMaskedLMPreprocessor.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文件、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，如 'bert_base_en'
  2. Kaggle Models 处理程序，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 处理程序，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Preprocessor 子类，你可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。

由于通常每个模型都有多个预处理类，因此此方法应该在特定子类上调用，例如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset: string。内置预设标识符、Kaggle Models 处理程序、Hugging Face 处理程序或本地目录的路径。

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
bert_tiny_en_uncased 4.39M 所有输入都小写化的 2 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_small_en_uncased 28.76M 所有输入都小写化的 4 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 所有输入都小写化的 8 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 所有输入都小写化的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en 108.31M 保持大小写的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_zh 102.27M 12 层 BERT 模型。在中文维基百科上训练。
bert_base_multi 177.85M 保持大小写的 12 层 BERT 模型。在 104 种语言的维基百科上训练。
bert_large_en_uncased 335.14M 所有输入都小写化的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_large_en 333.58M 保持大小写的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。

tokenizer 属性

keras_nlp.models.BertMaskedLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

BertMaskedLMPreprocessor 层
BertMaskedLMPreprocessor 类
from_preset 方法
tokenizer 属性