► Keras 3 API 文档 / KerasNLP / 预训练模型 / DebertaV3 / DebertaV3Preprocessor 层

DebertaV3Preprocessor 层

[源代码]

DebertaV3Preprocessor 类

keras_nlp.models.DebertaV3Preprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

用于对输入进行分词和打包的 DeBERTa 预处理层。

此预处理层将执行三个操作

  • 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]" 标记。
  • 构造一个包含键 "token_ids" 和 "padding_mask" 的字典，该字典可以直接传递给 DeBERTa 模型。

此层可以直接与 tf.data.Dataset.map 一起使用，以预处理 (x, y, sample_weight) 格式的字符串数据，该格式由 keras.Model.fit 使用。

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，表示一批单个段的 Python 字符串列表，或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，可以有任何格式，并将原样传递。

在使用 tf.data 映射未标记的字符串段元组时，应特别注意。tf.data.Dataset.map 会将此元组直接解包到此层的调用参数中，而不是将所有参数都转发给 x。为了处理这种情况，建议显式调用该层，例如 ds.map(lambda seg1, seg2: preprocessor(x=(seg1, seg2)))。

参数

  • tokenizer：一个 keras_nlp.models.DebertaV3Tokenizer 实例。
  • sequence_length：打包输入的长度。
  • truncate：字符串。用于将一批分段列表截断以适应 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标记给仍然需要的输入，直到达到限制。 - "waterfall"：使用“瀑布”算法进行预算分配，该算法以从左到右的方式分配配额，并填充桶，直到预算用完。它支持任意数量的段。

示例

直接调用数据层。

preprocessor = keras_nlp.models.DebertaV3Preprocessor.from_preset(
    "deberta_v3_base_en"
)

# 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=9,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="[PAD]",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    unk_piece="[UNK]",
)
tokenizer = keras_nlp.models.DebertaV3Tokenizer(
    proto=bytes_io.getvalue(),
)
preprocessor = keras_nlp.models.DebertaV3Preprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 进行映射。

preprocessor = keras_nlp.models.DebertaV3Preprocessor.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."])
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

DebertaV3Preprocessor.from_preset(preset, **kwargs)

从模型预设实例化 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

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

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

由于给定模型通常有多个预处理类，因此应在特定子类上调用此方法，例如 keras_nlp.models.BertPreprocessor.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.BertPreprocessor.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，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 6 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 12 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_large_en 434.01M 24 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi 278.22M 12 层 DeBERTaV3 模型，保留大小写。在 2.5TB 多语言 CC100 数据集上训练。

tokenizer 属性

keras_nlp.models.DebertaV3Preprocessor.tokenizer

用于对字符串进行分词的分词器。

DebertaV3Preprocessor 层
DebertaV3Preprocessor 类
from_preset 方法
tokenizer 属性