MaskedLMPreprocessor
类keras_hub.models.MaskedLMPreprocessor(
tokenizer,
sequence_length=512,
truncate="round_robin",
mask_selection_rate=0.15,
mask_selection_length=96,
mask_token_rate=0.8,
random_token_rate=0.1,
**kwargs
)
掩码语言建模预处理层的基类。
MaskedLMPreprocessor
任务包装一个 keras_hub.tokenizer.Tokenizer
来创建用于掩码语言建模任务的预处理层。它旨在与 keras.models.MaskedLM
任务配对使用。
所有 MaskedLMPreprocessor
都接受单个输入。这可以是单个字符串、字符串批次,或应组合成单个序列的字符串片段批次元组。参见下方示例。这些输入将被分词、组合,并在序列中随机掩码。
此层将始终输出一个 (x, y, sample_weight)
元组,其中 x
是包含被掩码、分词后的输入的字典,y
包含在 x
中被掩码的标记,并且 sample_weight
标记 y
中包含填充值的位置。x
的具体内容将因所使用的模型而异。
所有 MaskedLMPreprocessor
任务都包含一个 from_preset()
构造函数,可用于加载预训练配置和词汇表。您可以直接在此基类上调用 from_preset()
构造函数,在这种情况下,适用于您的模型的正确类将自动实例化。
示例。
preprocessor = keras_hub.models.MaskedLMPreprocessor.from_preset(
"bert_base_en_uncased",
sequence_length=256, # Optional.
)
# Tokenize, mask and pack a single sentence.
x = "The quick brown fox jumped."
x, y, sample_weight = preprocessor(x)
# Preprocess a batch of labeled sentence pairs.
first = ["The quick brown fox jumped.", "Call me Ishmael."]
second = ["The fox tripped.", "Oh look, a whale."]
x, y, sample_weight = preprocessor((first, second))
# With a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices((first, second))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset
方法MaskedLMPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)
从模型预设实例化一个 keras_hub.models.Preprocessor
。
预设是一个包含配置、权重和其他文件资产的目录,用于保存和加载预训练模型。preset
可以作为以下之一传递
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Preprocessor
子类,您可以运行 cls.presets.keys()
来列出类中所有可用的内置预设。
由于给定模型通常有多个预处理类,因此此方法应在特定子类上调用,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()
。
参数
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en",
)
预设 | 参数 | 描述 |
---|---|---|
albert_base_en_uncased | 1168 万 | 12 层 ALBERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
albert_large_en_uncased | 1768 万 | 24 层 ALBERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
albert_extra_large_en_uncased | 5872 万 | 24 层 ALBERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
albert_extra_extra_large_en_uncased | 2.226 亿 | 12 层 ALBERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_tiny_en_uncased | 439 万 | 2 层 BERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_tiny_en_uncased_sst2 | 439 万 | 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。 |
bert_small_en_uncased | 2876 万 | 4 层 BERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_medium_en_uncased | 4137 万 | 8 层 BERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_base_zh | 1.0227 亿 | 12 层 BERT 模型。在 Chinese Wikipedia 上训练。 |
bert_base_en | 1.0831 亿 | 12 层 BERT 模型,其中保持大小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_base_en_uncased | 1.0948 亿 | 12 层 BERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_base_multi | 1.7785 亿 | 12 层 BERT 模型,其中保持大小写。在 104 种语言的维基百科上训练。 |
bert_large_en | 3.3358 亿 | 24 层 BERT 模型,其中保持大小写。在 English Wikipedia + BooksCorpus 上训练。 |
bert_large_en_uncased | 3.3514 亿 | 24 层 BERT 模型,其中所有输入都转换为小写。在 English Wikipedia + BooksCorpus 上训练。 |
deberta_v3_extra_small_en | 7068 万 | 12 层 DeBERTaV3 模型,其中保持大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_small_en | 1.413 亿 | 6 层 DeBERTaV3 模型,其中保持大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_base_en | 1.8383 亿 | 12 层 DeBERTaV3 模型,其中保持大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_base_multi | 2.7822 亿 | 12 层 DeBERTaV3 模型,其中保持大小写。在 2.5TB 多语言 CC100 数据集上训练。 |
deberta_v3_large_en | 4.3401 亿 | 24 层 DeBERTaV3 模型,其中保持大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。 |
distil_bert_base_en | 6519 万 | 6 层 DistilBERT 模型,其中保持大小写。使用 BERT 作为教师模型在 English Wikipedia + BooksCorpus 上训练。 |
distil_bert_base_en_uncased | 6636 万 | 6 层 DistilBERT 模型,其中所有输入都转换为小写。使用 BERT 作为教师模型在 English Wikipedia + BooksCorpus 上训练。 |
distil_bert_base_multi | 1.3473 亿 | 6 层 DistilBERT 模型,其中保持大小写。在 104 种语言的维基百科上训练。 |
f_net_base_en | 8286 万 | 12 层 FNet 模型,其中保持大小写。在 C4 数据集上训练。 |
f_net_large_en | 2.3695 亿 | 24 层 FNet 模型,其中保持大小写。在 C4 数据集上训练。 |
roberta_base_en | 1.2405 亿 | 12 层 RoBERTa 模型,其中保持大小写。在 English Wikipedia、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
roberta_large_en | 3.5431 亿 | 24 层 RoBERTa 模型,其中保持大小写。在 English Wikipedia、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
xlm_roberta_base_multi | 2.7745 亿 | 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 | 5.5884 亿 | 24 层 XLM-RoBERTa 模型,其中保持大小写。在 100 种语言的 CommonCrawl 上训练。 |
save_to_preset
方法MaskedLMPreprocessor.save_to_preset(preset_dir)
将预处理器保存到预设目录。
参数
tokenizer
属性keras_hub.models.MaskedLMPreprocessor.tokenizer
用于分词字符串的分词器。