DistilBertPreprocessor 层
DistilBertPreprocessor 类
keras_nlp.models.DistilBertPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
用于对输入进行分词和打包的 DistilBERT 预处理层。
该预处理层将执行以下三个操作：
- 使用
tokenizer对任意数量的输入段进行分词。 - 使用带有适当的
"[CLS]"、"[SEP]"和"[PAD]"标记的keras_nlp.layers.MultiSegmentPacker将输入打包在一起。 - 构造一个字典，键为
"token_ids"和"padding_mask"，可以直接传递给 DistilBERT 模型。
该层可以直接与 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。
参数
- tokenizer：一个
keras_nlp.models.DistilBertTokenizer实例。 - sequence_length：打包输入的长度。
- truncate：字符串。用于将一批段列表截断以适应
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，并填充存储桶，直到预算用完。它支持任意数量的段。
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。输入可以是批量的或非批量的。对于单个序列，原始 Python 输入将转换为张量。对于多个序列，直接传递张量。
- y：任何标签数据。将原样传递。
- sample_weight：任何标签权重数据。将原样传递。
示例
直接调用数据上的层。
preprocessor = keras_nlp.models.DistilBertPreprocessor.from_preset(
"distil_bert_base_en_uncased"
)
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_nlp.models.DistilBertTokenizer(vocabulary=vocab)
preprocessor = keras_nlp.models.DistilBertPreprocessor(tokenizer)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 进行映射。
preprocessor = keras_nlp.models.DistilBertPreprocessor.from_preset(
"distil_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."])
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,
)
from_preset 方法
DistilBertPreprocessor.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：
- 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 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 |
|---|---|---|
| distil_bert_base_en_uncased | 66.36M | 6 层 DistilBERT 模型，所有输入均为小写。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。 |
| distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型，保留大小写。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。 |
| distil_bert_base_multi | 134.73M | 6 层 DistilBERT 模型，保留大小写。在 104 种语言的维基百科上训练。 |
tokenizer 属性
keras_nlp.models.DistilBertPreprocessor.tokenizer
用于对字符串进行分词的分词器。