DebertaV3Tokenizer 类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
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.")
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：
'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
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。 |