DebertaV3MaskedLMPreprocessor 层
DebertaV3MaskedLMPreprocessor 类
keras_nlp.models.DebertaV3MaskedLMPreprocessor(
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 DeBERTa 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.DebertaV3MaskedLM 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，适合使用keras_nlp.models.DebertaV3MaskedLM任务模型进行训练。
参数
- tokenizer: 一个
keras_nlp.models.DebertaV3Tokenizer实例。 - sequence_length: 打包后的输入长度。
- mask_selection_rate: 输入符号被动态掩码的概率。
- mask_selection_length: 该层支持的掩码符号的最大数量。
- mask_token_rate: float。
mask_token_rate必须介于 0 到 1 之间，表示选择用于掩码的符号时，掩码符号被替换的频率。默认值为0.8。 - random_token_rate: float。
random_token_rate必须介于 0 到 1 之间，表示选择用于掩码的符号时，随机符号被替换的频率。注意：mask_token_rate+random_token_rate<= 1，对于 (1 -mask_token_rate-random_token_rate)，符号不会被更改。默认值为0.1。 - truncate: string。用于将一批分词段截断以适合
sequence_length的算法。该值可以是round_robin或waterfall"round_robin": 可用空间每次分配一个符号，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，以从左到右的方式分配配额，并填充分配，直到预算用完。它支持任意数量的段。
示例
直接在数据上调用该层。
preprocessor = keras_nlp.models.DebertaV3MaskedLMPreprocessor.from_preset(
"deberta_v3_base_en"
)
# 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.DebertaV3MaskedLMPreprocessor.from_preset(
"deberta_v3_base_en"
)
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
DebertaV3MaskedLMPreprocessor.from_preset(preset, **kwargs)
从模型预设实例化一个 keras_nlp.models.Preprocessor。
预设是一个包含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 Models 处理程序，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 处理程序，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() 来列出该类上所有可用的内置预设。
由于通常存在针对给定模型的多个预处理类，因此此方法应在特定子类上调用，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 |
|---|---|---|
| deberta_v3_extra_small_en | 70.68M | 12 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_small_en | 141.30M | 6 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_en | 183.83M | 12 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_large_en | 434.01M | 24 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_multi | 278.22M | 12 层 DeBERTaV3 模型，保持大小写。在 2.5TB 多语言 CC100 数据集上训练。 |
tokenizer 属性
keras_nlp.models.DebertaV3MaskedLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。