BartTokenizer

[源代码]

BartTokenizer

keras_hub.tokenizers.BartTokenizer(vocabulary=None, merges=None, **kwargs)

一个使用字节对编码 (Byte-Pair Encoding) 子词分割的 BART 分词器。

此分词器类会将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同,它会检查 BART 模型所需的所有特殊 token,并提供一个 from_preset() 方法,用于自动下载与 BART 预设匹配的词汇表。

此分词器不提供输入的截断或填充。它可以与 keras_hub.models.BartPreprocessor 层结合使用,用于输入打包。

如果输入是一批字符串(rank > 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 (ragged)。

如果输入是单个字符串(rank == 0),该层将输出一个形状为 [None] 的密集 tf.Tensor

参数

  • vocabulary: 字符串或字典,将 token 映射到整数 id。如果是字符串,则应是 JSON 文件的文件路径。
  • merges: 字符串或列表,包含合并规则。如果是字符串,则应是合并规则文件的文件路径。合并规则文件应每行包含一个合并规则。每个合并规则包含以空格分隔的合并实体。

示例

# Unbatched input.
tokenizer = keras_hub.models.BartTokenizer.from_preset(
    "bart_base_en",
)
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.
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.BartTokenizer(
    vocabulary=vocab,
    merges=merges,
)
tokenizer("The quick brown fox jumped.")

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Tokenizer

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 可以以下列形式之一传递:

  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() 来列出该类中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(),或从模型类调用,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: 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。
  • load_weights: 布尔值。如果为 True,权重将加载到模型架构中。如果为 False,权重将随机初始化。

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
bart_base_en 139.42M 保持大小写的 6 层 BART 模型。在 BookCorpus、English Wikipedia 和 CommonCrawl 数据集上训练。
bart_large_en 406.29M 保持大小写的 12 层 BART 模型。在 BookCorpus、English Wikipedia 和 CommonCrawl 数据集上训练。
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。