DebertaV3Tokenizer

[来源]

DebertaV3Tokenizer

keras_hub.tokenizers.DebertaV3Tokenizer(proto, **kwargs)

基于 SentencePiece 的 DeBERTa 分词器层。

此类分词器将原始字符串分词为整数序列,并且基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它将检查 DeBERTa 模型所需的所有特殊 token,并提供一个 from_preset() 方法来自动下载与 DeBERTa 预设匹配的词汇表。

如果输入是字符串批量(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。

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

注意:Mask token ("[MASK]") 在此分词器中的处理方式不同。如果提供的 SentencePiece 词汇表中不存在该 token,该 token 将被附加到词汇表中。例如,如果词汇表大小为 100,mask token 将被分配 ID 100。

参数

  • proto:SentencePiece proto 文件的 string 路径,或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息,请参阅 SentencePiece 仓库

示例

# Unbatched input.
tokenizer = keras_hub.models.DebertaV3Tokenizer.from_preset(
    "deberta_v3_base_en",
)
tokenizer("The quick brown fox jumped.")

# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=9,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="[PAD]",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    unk_piece="[UNK]",
)
tokenizer = keras_hub.models.DebertaV3Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[来源]

from_preset 方法

DebertaV3Tokenizer.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。预设可以以下列方式之一传递:

  1. 内置预设标识符,如 'bert_base_en'
  2. Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,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之一调用。例如从基类调用 keras_hub.models.Tokenizer.from_preset(),或从模型类调用 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

  • preset:string。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:bool。如果为 True,则权重将被加载到模型架构中。如果为 False,则权重将被随机初始化。

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
deberta_v3_extra_small_en 70.68M 保持大小写(case)的 12 层 DeBERTaV3 模型。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 保持大小写(case)的 6 层 DeBERTaV3 模型。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 保持大小写(case)的 12 层 DeBERTaV3 模型。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi 278.22M 保持大小写(case)的 12 层 DeBERTaV3 模型。在 2.5TB 多语言 CC100 数据集上训练。
deberta_v3_large_en 434.01M 保持大小写(case)的 24 层 DeBERTaV3 模型。在英文维基百科、BookCorpus 和 OpenWebText 上训练。