BertTokenizer
类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
True
,输入文本将在分词前先转换为小写。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.")
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:
'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
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。 |