► KerasHub：预训练模型 / API 文档 / 模型架构 / Albert / AlbertMaskedLMPreprocessor 层

AlbertMaskedLMPreprocessor 层

[源代码]

AlbertMaskedLMPreprocessor 类

keras_hub.models.AlbertMaskedLMPreprocessor(
    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
)

用于掩码语言建模任务的 ALBERT 预处理。

此预处理层将为掩码语言建模任务准备输入。它主要用于 keras_hub.models.AlbertMaskedLM 任务模型。预处理将分多个步骤进行。

  • 使用 tokenizer 对任意数量的输入段进行分词。
  • 将输入与适当的 "<s>"、"</s>" 和 "<pad>" 标记打包在一起，即在整个序列的开头添加单个 "<s>"，在每个段之间添加 "</s></s>"，并在整个序列的末尾添加 "</s>"。
  • 随机选择非特殊标记进行掩码，由 mask_selection_rate 控制。
  • 构建适用于使用 keras_hub.models.AlbertMaskedLM 任务模型进行训练的 (x, y, sample_weight) 元组。

参数

  • tokenizer: 一个 keras_hub.models.AlbertTokenizer 实例。
  • sequence_length: 打包输入的长度。
  • mask_selection_rate: 输入标记将被动态掩码的概率。
  • mask_selection_length: 该层支持的最大掩码标记数。
  • mask_token_rate: 浮点数。mask_token_rate 必须介于 0 和 1 之间，表示 mask_token 被替换为选定进行掩码的标记的频率。默认为 0.8。
  • random_token_rate: 浮点数。random_token_rate 必须介于 0 和 1 之间，表示随机标记被替换为选定进行掩码的标记的频率。默认为 0.1。注意：mask_token_rate + random_token_rate <= 1，对于 (1 - mask_token_rate - random_token_rate)，标记将不会更改。默认为 0.1。
  • truncate: 字符串。用于截断一批分段列表以适应 sequence_length 的算法。该值可以是 round_robin 或 waterfall
    • "round_robin": 可用空间以轮询方式一次分配一个标记给仍然需要标记的输入，直到达到限制。
    • "waterfall": 预算的分配使用“瀑布”算法完成，该算法以从左到右的方式分配配额并填充桶，直到预算用完。它支持任意数量的分段。

示例

直接在数据上调用该层。

preprocessor = keras_hub.models.AlbertMaskedLMPreprocessor.from_preset(
    "albert_base_en_uncased"
)

# Tokenize and mask a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize and mask a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Tokenize and mask sentence pairs.
# In this case, always convert input to tensors before calling the layer.
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

使用 tf.data.Dataset 进行映射。

preprocessor = keras_hub.models.AlbertMaskedLMPreprocessor.from_preset(
    "albert_base_en_uncased"
)

first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])

# Map single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map 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,
)

[源代码]

from_preset 方法

AlbertMaskedLMPreprocessor.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 Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 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() 以列出该类上所有可用的内置预设。

由于给定模型通常有多个预处理类，因此应在特定的子类（如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上调用此方法。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。

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 11.68M 12 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。

tokenizer 属性

keras_hub.models.AlbertMaskedLMPreprocessor.tokenizer

用于标记化字符串的分词器。

AlbertMaskedLMPreprocessor 层
AlbertMaskedLMPreprocessor 类
from_preset 方法
tokenizer 属性