► Keras 3 API 文档 / KerasNLP / 预训练模型 / XLMRoberta / XLMRobertaTokenizer

XLMRobertaTokenizer

[来源]

XLMRobertaTokenizer 类

keras_nlp.tokenizers.XLMRobertaTokenizer(proto, **kwargs)

使用 SentencePiece 子词分割的 XLM-RoBERTa 分词器。

此分词器类将原始字符串分词为整数序列，并基于 keras_nlp.tokenizers.SentencePieceTokenizer。与底层分词器不同，它将检查 XLM-RoBERTa 模型所需的所有特殊标记，并提供 from_preset() 方法来自动下载与 XLM-RoBERTa 预设匹配的词汇表。

注意：如果您提供自己的自定义 SentencePiece 模型，则 XLM-RoBERTa 的原始 fairseq 实现会将一些标记索引从底层句子片段输出重新映射。为了保持兼容性，我们在这里执行相同的重新映射。

如果输入是一批字符串（等级 > 0），则层将输出一个 tf.RaggedTensor，其中输出的最后一维是参差不齐的。

如果输入是一个标量字符串（等级 == 0），则层将输出一个密集的 tf.Tensor，其静态形状为 [None]。

参数

  • proto: string 类型 SentencePiece proto 文件的路径或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息，请参阅 SentencePiece 存储库。

示例

tokenizer = keras_nlp.models.XLMRobertaTokenizer.from_preset(
    "xlm_roberta_base_multi",
)

# Unbatched inputs.
tokenizer("the quick brown fox")

# Batched inputs.
tokenizer(["the quick brown fox", "الأرض كروية"])

# Detokenization.
tokenizer.detokenize(tokenizer("the quick brown fox"))

# Custom vocabulary
def train_sentencepiece(ds, vocab_size):
    bytes_io = io.BytesIO()
    sentencepiece.SentencePieceTrainer.train(
        sentence_iterator=ds.as_numpy_iterator(),
        model_writer=bytes_io,
        vocab_size=vocab_size,
        model_type="WORD",
        unk_id=0,
        bos_id=1,
        eos_id=2,
    )
    return bytes_io.getvalue()

ds = tf.data.Dataset.from_tensor_slices(
    ["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_nlp.models.XLMRobertaTokenizer(proto=proto)

[来源]

from_preset 方法

XLMRobertaTokenizer.from_preset(preset, **kwargs)

从模型预设实例化 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

  1. 内置预设标识符，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 Tokenizer 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。

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()，或者从模型类调用，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: string. 内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或指向本地目录的路径。
  • load_weights: bool. 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
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型，其中保持大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，其中保持大小写。在 100 种语言的 CommonCrawl 上训练。
XLMRobertaTokenizer
XLMRobertaTokenizer 类
from_preset 方法