KerasHub：预训练模型
入门指南 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 度量 预训练模型列表
► 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
)

ALBERT 预处理，用于掩码语言建模任务。

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。
  • 使用适当的 "<s>", "</s>" 和 "<pad>" 标记打包输入，即在整个序列的开头添加单个 "<s>"，在每个片段之间添加 "</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。
  • 构建一个适合使用 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：输入标记被动态掩码的概率。
  • mask_selection_length：该层支持的最大掩码标记数量。
  • mask_token_rate：float。mask_token_rate 必须在 0 到 1 之间，表示掩码词元替代被选中用于掩码的词元的频率。默认为 0.8。
  • random_token_rate：浮点数。random_token_rate 必须在 0 到 1 之间，表示被选为掩码的 token 被随机 token 替换的频率。默认为 0.1。注意：mask_token_rate + random_token_rate <= 1，而对于 (1 - mask_token_rate - random_token_rate)，token 将不会被更改。默认为 0.1。
  • truncate：字符串。用于将一批段列表截断以适应 sequence_length 的算法。值可以是 round_robin 或 waterfall。
    • "round_robin"：可用空间以循环方式一次分配一个标记给仍需要标记的输入，直到达到限制。
    • "waterfall"：预算分配使用“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，直到预算用尽。它支持任意数量的段。

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：

  1. 一个内置的预设标识符，如 'bert_base_en'
  2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径，如 './bert_base_en'

对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。

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

tokenizer 属性

keras_hub.models.AlbertMaskedLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

AlbertMaskedLMPreprocessor 层
AlbertMaskedLMPreprocessor 类
from_preset 方法
tokenizer 属性