Keras 3 API 文档 / 层 API / 预处理层 / 文本预处理 / TextVectorization 层

TextVectorization 层

[源代码]

TextVectorization

keras.layers.TextVectorization(
    max_tokens=None,
    standardize="lower_and_strip_punctuation",
    split="whitespace",
    ngrams=None,
    output_mode="int",
    output_sequence_length=None,
    pad_to_max_tokens=False,
    vocabulary=None,
    idf_weights=None,
    sparse=False,
    ragged=False,
    encoding="utf-8",
    name=None,
    **kwargs
)

将文本特征映射到整数序列的预处理层。

此层包含用于在 Keras 模型中管理文本的基本选项。它将一批字符串(一个示例 = 一个字符串)转换为令牌索引列表(一个示例 = 一个整数令牌索引的一维张量)或密集表示(一个示例 = 一个浮点值的一维张量,表示有关示例令牌的数据)。此层旨在处理自然语言输入。要处理简单的字符串输入(分类字符串或预令牌化字符串),请参见 keras_core.layers.StringLookup

层的词汇表必须在构建时提供或通过 adapt() 学习。当此层进行自适应时,它将分析数据集,确定单个字符串值的频率,并从中创建词汇表。此词汇表可以具有无限大小或受上限限制,具体取决于此层的配置选项;如果输入中的唯一值多于最大词汇量,则最频繁的术语将用于创建词汇表。

每个示例的处理包含以下步骤:

  1. 标准化每个示例(通常是小写 + 去除标点符号)
  2. 将每个示例拆分为子字符串(通常是单词)
  3. 将子字符串重新组合为令牌(通常是 N 元组)
  4. 索引令牌(将唯一的整数值与每个令牌关联)
  5. 使用此索引转换每个示例,转换为整数向量或密集浮点向量。

关于传递可调用对象以自定义此层的拆分和标准化的一些说明:

  1. 任何可调用对象都可以传递给此层,但如果要序列化此对象,则只能传递已注册为 Keras 可序列化的函数(有关详细信息,请参见 keras.saving.register_keras_serializable)。
  2. 当使用自定义可调用对象进行 standardize 时,可调用对象接收的数据将与传递给此层的数据完全相同。可调用对象应返回与输入形状相同的张量。
  3. 当使用自定义可调用对象进行 split 时,可调用对象接收的数据将压缩第一个维度——不是 [["string to split"], ["another string to split"]],而是 ["string to split", "another string to split"]。可调用对象应返回一个 dtype 为 stringtf.Tensor,其第一个维度包含拆分的令牌——在此示例中,我们应该看到类似 [["string", "to", "split"], ["another", "string", "to", "split"]] 的内容。

注意:此层在内部使用 TensorFlow。除了 TensorFlow 之外,它不能作为任何后端模型的编译计算图的一部分使用。但是,在急切执行时,它可以与任何后端一起使用。它也可以始终作为任何后端(模型本身之外)的输入预处理管道的一部分使用,这是我们推荐使用此层的方式。

注意:此层可以在 tf.data 管道中使用(与您使用的后端无关)。

参数

  • max_tokens:此层的词汇表的最大大小。这应仅在自适应词汇表或设置 pad_to_max_tokens=True 时指定。请注意,此词汇表包含 1 个 OOV 令牌,因此有效令牌数是 (max_tokens - 1 - (1 if output_mode == "int" else 0))
  • standardize:用于应用于输入文本的标准化可选规范。值可以是:
    • None:不进行标准化。
    • "lower_and_strip_punctuation":文本将小写并去除所有标点符号。
    • "lower":文本将小写。
    • "strip_punctuation":将去除所有标点符号。
    • 可调用对象:输入将传递给可调用函数,该函数应进行标准化并返回。
  • split:用于拆分输入文本的可选规范。值可以是:
    • None:不拆分。
    • "whitespace":按空格拆分。
    • "character":按每个 Unicode 字符拆分。
    • 可调用对象:标准化输入将传递给可调用函数,该函数应进行拆分并返回。
  • ngrams:用于从可能已拆分的输入文本创建 N 元组的可选规范。值可以是 None、整数或整数元组;传递整数将创建最大为该整数的 N 元组,传递整数元组将创建元组中指定值的 N 元组。传递 None 表示不创建 N 元组。
  • output_mode:层输出的可选规范。值可以是 "int""multi_hot""count""tf_idf",配置层如下:
    • "int":输出整数索引,每个拆分的字符串令牌一个整数索引。当 output_mode == "int" 时,0 保留用于遮罩位置;这会将词汇量减少到 max_tokens - 2 而不是 max_tokens - 1
    • "multi_hot":每个批次输出一个整数数组,大小为 vocab_size 或 max_tokens,其中所有元素中如果令牌映射到该索引在批次项中至少存在一次,则为 1。
    • "count":类似于 "multi_hot",但整数数组包含该索引处的令牌在批次项中出现的次数。
    • "tf_idf":类似于 "multi_hot",但应用 TF-IDF 算法来查找每个令牌槽中的值。对于 "int" 输出,支持任何形状的输入和输出。对于所有其他输出模式,目前仅支持秩 1 输入(拆分后秩 2 输出)。
  • output_sequence_length:仅在 INT 模式下有效。如果设置,输出的时间维度将填充或截断到精确的 output_sequence_length 值,从而无论拆分步骤产生多少令牌,都将生成形状为 (batch_size, output_sequence_length) 的张量。默认为 None。如果 raggedTrue,则 output_sequence_length 仍然可以截断输出。
  • pad_to_max_tokens:仅在 "multi_hot""count""tf_idf" 模式下有效。如果为 True,即使词汇表中唯一令牌的数量小于 max_tokens,输出的特征轴也将填充到 max_tokens,从而无论词汇量大小如何,都将生成形状为 (batch_size, max_tokens) 的张量。默认为 False
  • vocabulary:可选。字符串数组或文本文件的字符串路径。如果传递数组,可以传递包含字符串词汇表术语的元组、列表、一维 NumPy 数组或一维张量。如果传递文件路径,文件应每行包含一个词汇表术语。如果设置此参数,则无需对层进行 adapt()
  • idf_weights:仅当 output_mode"tf_idf" 时有效。与词汇表长度相同的元组、列表、一维 NumPy 数组或一维张量,包含浮点逆文档频率权重,这些权重将乘以每个样本的术语计数,以获得最终的 tf_idf 权重。如果设置了 vocabulary 参数,并且 output_mode"tf_idf",则必须提供此参数。
  • ragged:布尔值。仅适用于 "int" 输出模式。仅支持 TensorFlow 后端。如果为 True,则返回 RaggedTensor 而不是密集 Tensor,其中每个序列在字符串拆分后可能具有不同的长度。默认为 False
  • sparse:布尔值。仅适用于 "multi_hot""count""tf_idf" 输出模式。仅支持 TensorFlow 后端。如果为 True,则返回 SparseTensor 而不是密集 Tensor。默认为 False
  • encoding:可选。用于解释输入字符串的文本编码。默认为 "utf-8"

示例

此示例实例化一个 TextVectorization 层,该层将文本小写,按空格拆分,去除标点符号,并输出整数词汇索引。

>>> max_tokens = 5000  # Maximum vocab size.
>>> max_len = 4  # Sequence length to pad the outputs to.
>>> # Create the layer.
>>> vectorize_layer = TextVectorization(
...     max_tokens=max_tokens,
...     output_mode='int',
...     output_sequence_length=max_len)
>>> # Now that the vocab layer has been created, call `adapt` on the
>>> # list of strings to create the vocabulary.
>>> vectorize_layer.adapt(["foo bar", "bar baz", "baz bada boom"])
>>> # Now, the layer can map strings to integers -- you can use an
>>> # embedding layer to map these integers to learned embeddings.
>>> input_data = [["foo qux bar"], ["qux baz"]]
>>> vectorize_layer(input_data)
array([[4, 1, 3, 0],
       [1, 2, 0, 0]])

此示例通过将词汇表术语列表传递给层的 __init__() 方法来实例化 TextVectorization 层。

>>> vocab_data = ["earth", "wind", "and", "fire"]
>>> max_len = 4  # Sequence length to pad the outputs to.
>>> # Create the layer, passing the vocab directly. You can also pass the
>>> # vocabulary arg a path to a file containing one vocabulary word per
>>> # line.
>>> vectorize_layer = keras.layers.TextVectorization(
...     max_tokens=max_tokens,
...     output_mode='int',
...     output_sequence_length=max_len,
...     vocabulary=vocab_data)
>>> # Because we've passed the vocabulary directly, we don't need to adapt
>>> # the layer - the vocabulary is already set. The vocabulary contains the
>>> # padding token ('') and OOV token ('[UNK]')
>>> # as well as the passed tokens.
>>> vectorize_layer.get_vocabulary()
['', '[UNK]', 'earth', 'wind', 'and', 'fire']