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

AlbertTokenizer

[源代码]

AlbertTokenizer 类

keras_hub.tokenizers.AlbertTokenizer(proto, **kwargs)

基于 SentencePiece 的 ALBERT 分词器层。

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

如果输入是字符串批次（秩 > 0），该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是不规则的。

如果输入是标量字符串（秩 == 0），该层将输出一个具有静态形状 [None] 的密集 tf.Tensor。

参数

  • proto: SentencePiece proto 文件的 string 路径，或者包含序列化 SentencePiece proto 的 bytes 对象。 有关格式的更多详细信息，请参阅 SentencePiece 仓库。

示例

# Unbatched input.
tokenizer = keras_hub.models.AlbertTokenizer.from_preset(
    "albert_base_en_uncased",
)
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=10,
    model_type="WORD",
    pad_id=0,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_hub.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[源代码]

from_preset 方法

AlbertTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化 keras_hub.models.Tokenizer。

预设是配置、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. 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 Tokenizer 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。

此构造函数可以通过两种方式之一调用。 可以从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，例如 keras_hub.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中推断出来。

参数

  • preset: string 类型。 内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: bool 类型。 如果为 True，权重将加载到模型架构中。 如果为 False，权重将被随机初始化。

示例

# Load a preset tokenizer.
tokenizer = keras_hub.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 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。
AlbertTokenizer
AlbertTokenizer 类
from_preset 方法