RobertaTokenizer
RobertaTokenizer 类
keras_nlp.tokenizers.RobertaTokenizer(vocabulary=None, merges=None, **kwargs)
使用字节对编码子词分割的 RoBERTa 分词器。
此分词器类会将原始字符串分词为整数序列，并且基于 keras_nlp.tokenizers.BytePairTokenizer。与底层分词器不同，它将检查 RoBERTa 模型所需的所有特殊标记，并提供一个 from_preset() 方法来自动下载与 RoBERTa 预设匹配的词汇表。
如果输入是一批字符串（等级 > 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。
如果输入是标量字符串（等级 == 0），则该层将输出一个密集的 tf.Tensor，其静态形状为 [None]。
参数
- vocabulary: 一个将标记映射到整数 ID 的字典，或指向包含标记到 ID 映射的 json 文件的文件路径。
- merges: 合并规则列表或字符串文件路径，如果传递文件路径，则该文件应每行包含一个合并规则。每个合并规则都包含由空格分隔的合并实体。
示例
# Unbatched input.
tokenizer = keras_nlp.models.RobertaTokenizer.from_preset(
"roberta_base_en",
)
tokenizer("The quick brown fox jumped.")
# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])
# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))
# Custom vocabulary.
# Note: 'Ġ' is space
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_nlp.models.RobertaTokenizer(
vocabulary=vocab,
merges=merges
)
tokenizer(["a quick fox", "a fox quick"])
from_preset 方法
RobertaTokenizer.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：
- 一个内置预设标识符，例如
'bert_base_en' - 一个 Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - 一个 Hugging Face 句柄，例如
'hf://user/bert_base_en' - 指向本地预设目录的路径，例如
'./bert_base_en'
对于任何 Tokenizer 子类，您都可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。
此构造函数可以以两种方式之一调用。从基类调用，如 keras_nlp.models.Tokenizer.from_preset()，或从模型类调用，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出来。
参数
- preset: 字符串。一个内置预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄或指向本地目录的路径。
- 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，则权重将被随机初始化。
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 |
|---|---|---|
| roberta_base_en | 124.05M | 12 层 RoBERTa 模型，其中保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
| roberta_large_en | 354.31M | 24 层 RoBERTa 模型，其中保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |