DistilBertTextClassifierPreprocessor 层
DistilBertTextClassifierPreprocessor 类
keras_nlp.models.DistilBertTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一个 DistilBERT 预处理层，用于对输入进行分词和打包。
此预处理层将执行以下三项操作：
- 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，并包含适当的"[CLS]"、"[SEP]"和"[PAD]"标记。 - 构建一个字典，其中包含
"token_ids"和"padding_mask"键，可以将其直接传递给 DistilBERT 模型。
此层可以直接与 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。将批处理段列表截断以适应
sequence_length的算法。该值可以是round_robin或waterfall之一： -"round_robin"：一次将一个标记分配给仍需要一些标记的输入，直到达到限制。 -"waterfall"：使用“瀑布”算法分配预算，该算法以从左到右的方式分配配额，并填满桶，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。输入可以是批处理的或非批处理的。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
直接在数据上调用层。
preprocessor = keras_nlp.models.TextClassifierPreprocessor.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.DistilBertTextClassifierPreprocessor(
tokenizer
)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 进行映射。
preprocessor = keras_nlp.models.TextClassifierPreprocessor.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
DistilBertTextClassifierPreprocessor.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、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() 来列出该类上可用的所有内置预设。
由于通常针对给定模型有多个预处理类，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: 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.BertTextClassifierPreprocessor.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，其中所有输入都小写。使用 BERT 作为教师模型，在英语维基百科 + BooksCorpus 上训练。 |
| distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型，其中保留大小写。使用 BERT 作为教师模型，在英语维基百科 + BooksCorpus 上训练。 |
| distil_bert_base_multi | 134.73M | 6 层 DistilBERT 模型，其中保留大小写。在 104 种语言的维基百科上训练 |
tokenizer 属性
keras_nlp.models.DistilBertTextClassifierPreprocessor.tokenizer
用于对字符串进行分词的分词器。