DebertaV3Tokenizer
DebertaV3Tokenizer 类
keras_nlp.tokenizers.DebertaV3Tokenizer(proto, **kwargs)
基于 SentencePiece 的 DeBERTa 分词器层。
此分词器类将原始字符串分词为整数序列，并且基于 keras_nlp.tokenizers.SentencePieceTokenizer。与底层分词器不同，它将检查 DeBERTa 模型所需的所有特殊标记，并提供 from_preset() 方法来自动下载与 DeBERTa 预设匹配的词汇表。
如果输入是一批字符串（秩 > 0），则该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是不规则的。
如果输入是一个标量字符串（秩 == 0），则该层将输出一个密集的 tf.Tensor，其静态形状为 [None]。
注意：此分词器中掩码标记 ("[MASK]") 的处理方式不同。如果提供的 SentencePiece 词汇表中不存在该标记，则该标记将被追加到词汇表中。例如，如果词汇表大小为 100，则掩码标记将被分配 ID 100。
参数
- proto:
string类型，指向 SentencePiece proto 文件的路径，或bytes类型，包含序列化后的 SentencePiece proto。有关格式的更多详细信息，请参阅 SentencePiece 存储库。
示例
# Unbatched input.
tokenizer = keras_nlp.models.DebertaV3Tokenizer.from_preset(
"deberta_v3_base_en",
)
tokenizer("The quick brown fox jumped.")
# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])
# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))
# 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(),
)
tokenizer("The quick brown fox jumped.")
from_preset 方法
DebertaV3Tokenizer.from_preset(preset, **kwargs)
从模型预设实例化一个 keras_nlp.models.Tokenizer。
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，例如
'bert_base_en' - Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./bert_base_en'
对于任何 Tokenizer 子类，都可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。
此构造函数可以通过两种方式之一调用。从基类调用，例如 keras_nlp.models.Tokenizer.from_preset()，或从模型类调用，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断。
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。
- load_weights: 布尔值。如果为
True，则权重将加载到模型架构中。如果为False，则权重将随机初始化。
示例
# Load a preset tokenizer.
tokenizer = keras_nlp.tokenizer.Tokenizer.from_preset("bert_base_en")
# Tokenize some input.
tokenizer("The quick brown fox tripped.")
# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])
| 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。 |