BartSeq2SeqLMPreprocessor
类keras_hub.models.BartSeq2SeqLMPreprocessor(
tokenizer, encoder_sequence_length=1024, decoder_sequence_length=1024, **kwargs
)
BART Seq2Seq LM 预处理器。
此层用作使用 BART 模型的 seq2seq 任务的预处理器。此类继承自 keras_hub.models.BartPreprocessor
并保留了其大部分功能。它与超类相比有两个变化
y
(标签) 和 sample_weights
字段。这两个字段都在内部推断,任何传递的值都将被忽略。参数
keras_hub.models.BartTokenizer
实例。调用参数
encoder_text
和 decoder_text
作为其键。字典中的每个值都应是单个字符串序列的张量。输入可以是批量的或非批量的。原始 python 输入将转换为张量。None
,因为该层通过将解码器输入序列向左移动一步来生成标签。None
,因为该层通过将填充掩码向左移动一步来生成标签权重。示例
直接在数据上调用该层
preprocessor = keras_hub.models.BartPreprocessor.from_preset("bart_base_en")
# Preprocess unbatched inputs.
inputs = {
"encoder_text": "The fox was sleeping.",
"decoder_text": "The fox was awake."
}
preprocessor(inputs)
# Preprocess batched inputs.
inputs = {
"encoder_text": ["The fox was sleeping.", "The lion was quiet."],
"decoder_text": ["The fox was awake.", "The lion was roaring."]
}
preprocessor(inputs)
# Custom vocabulary.
vocab = {
"<s>": 0,
"<pad>": 1,
"</s>": 2,
"Ġafter": 5,
"noon": 6,
"Ġsun": 7,
}
merges = ["Ġ a", "Ġ s", "Ġ n", "e r", "n o", "o n", "Ġs u", "Ġa f", "no on"]
merges += ["Ġsu n", "Ġaf t", "Ġaft er"]
tokenizer = keras_hub.models.BartTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.BartPreprocessor(
tokenizer=tokenizer,
encoder_sequence_length=20,
decoder_sequence_length=10,
)
inputs = {
"encoder_text": "The fox was sleeping.",
"decoder_text": "The fox was awake."
}
preprocessor(inputs)
使用 tf.data.Dataset
进行映射。
preprocessor = keras_hub.models.BartPreprocessor.from_preset("bart_base_en")
# Map single sentences.
features = {
"encoder_text": tf.constant(
["The fox was sleeping.", "The lion was quiet."]
),
"decoder_text": tf.constant(
["The fox was awake.", "The lion was roaring."]
)
}
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset
方法BartSeq2SeqLMPreprocessor.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()
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上调用此方法,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 |
---|---|---|
bart_base_en | 139.42M | 6 层 BART 模型,其中保留了大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
bart_large_en | 406.29M | 12 层 BART 模型,其中保留了大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
bart_large_en_cnn | 406.29M | 在 CNN+DM 摘要数据集上微调的 bart_large_en 主干模型。 |
generate_preprocess
方法BartSeq2SeqLMPreprocessor.generate_preprocess(
x, encoder_sequence_length=None, decoder_sequence_length=None, sequence_length=None
)
将输入字符串转换为用于生成的整数 token 输入。
与调用层进行训练类似,此方法接收包含 "encoder_text"
和 "decoder_text"
的字典,其值为字符串或张量字符串,对输入进行分词和打包,并计算一个填充掩码,该掩码掩盖所有未用填充值填充的输入。
与调用层进行训练不同,此方法不计算标签,并且永远不会将 tokenizer.end_token_id 附加到解码器序列的末尾(因为生成预计在输入的解码器提示的末尾继续)。
generate_postprocess
方法BartSeq2SeqLMPreprocessor.generate_postprocess(x)
将整数 token 输出转换为用于生成的字符串。
此方法反转 generate_preprocess()
,首先删除所有填充和开始/结束 token,然后将整数序列转换回字符串。
tokenizer
属性keras_hub.models.BartSeq2SeqLMPreprocessor.tokenizer
用于标记字符串的分词器。