BertTokenizer

[源文件]

BertTokenizer

keras_hub.tokenizers.BertTokenizer(vocabulary=None, lowercase=False, **kwargs)

使用 WordPiece 子词切分的 BERT 分词器。

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

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

如果输入是标量字符串(秩 == 0),该层将输出一个稠密 tf.Tensor,其静态形状为 [None]

参数

  • vocabulary:字符串列表或字符串文件名路径。如果传递列表,列表的每个元素应是一个单独的词块标记字符串。如果传递文件名,该文件应是纯文本文件,每行包含一个词块标记。
  • lowercase:如果为 True,输入文本将在分词前先转换为小写。
  • special_tokens_in_strings:bool。一个布尔值,指示分词器是否应期望输入字符串中包含应被正确分词并映射到其 ID 的特殊标记。默认为 False。

示例

# Unbatched input.
tokenizer = keras_hub.models.BertTokenizer.from_preset(
    "bert_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.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[源文件]

from_preset 方法

BertTokenizer.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 可以以下列方式之一传递:

  1. 一个内置预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 一个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,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,返回对象的子类将从预设目录中的配置推断得出。

参数

  • preset:string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights:bool。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
bert_tiny_en_uncased 4.39M 2层 BERT 模型,所有输入都小写。在 English Wikipedia + BooksCorpus 上训练。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。
bert_small_en_uncased 28.76M 4层 BERT 模型,所有输入都小写。在 English Wikipedia + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 8层 BERT 模型,所有输入都小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_zh 102.27M 12层 BERT 模型。在 Chinese Wikipedia 上训练。
bert_base_en 108.31M 12层 BERT 模型,保留大小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 12层 BERT 模型,所有输入都小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_multi 177.85M 12层 BERT 模型,保留大小写。在 104 种语言的 Wikipedias 上训练。
bert_large_en 333.58M 24层 BERT 模型,保留大小写。在 English Wikipedia + BooksCorpus 上训练。
bert_large_en_uncased 335.14M 24层 BERT 模型,所有输入都小写。在 English Wikipedia + BooksCorpus 上训练。