BartTokenizer
类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。
这个分词器类将原始字符串分词成整数序列,并基于 keras_hub.tokenizers.BytePairTokenizer
。与底层分词器不同的是,它会检查 BART 模型所需的所有特殊 token,并提供一个 from_preset()
方法来自动下载 BART 预设的匹配词汇表。
这个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(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
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.")
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Tokenizer
子类,您都可以运行 cls.presets.keys()
来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调用。可以从基类调用,如 keras_hub.models.Tokenizer.from_preset()
,也可以从模型类调用,如 keras_hub.models.GemmaTokenizer.from_preset()
。如果从基类调用,返回对象的子类将根据预设目录中的配置推断。
参数
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 | 6 层 BART 模型,大小写保持不变。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
bart_large_en | 406.29M | 12 层 BART 模型,大小写保持不变。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 骨干模型。 |