KerasHub: 预训练模型
入门 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 评估指标 预训练模型列表
► KerasHub: 预训练模型 / API 文档 / 模型架构 / DistilBert / DistilBertTextClassifierPreprocessor 层

DistilBertTextClassifierPreprocessor 层

[源文件]

DistilBertTextClassifierPreprocessor 类

keras_hub.models.DistilBertTextClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

一个 DistilBERT 预处理层，用于对输入进行分词和打包。

此预处理层将完成以下三项任务

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 使用 keras_hub.layers.MultiSegmentPacker 将输入打包在一起，并添加适当的 "[CLS]"、"[SEP]" 和 "[PAD]" 标记。
  3. 构建一个包含键 "token_ids" 和 "padding_mask" 的字典，该字典可以直接传递给 DistilBERT 模型。

此层可以直接与 tf.data.Dataset.map 配合使用，以预处理 keras.Model.fit 所使用的 (x, y, sample_weight) 格式的字符串数据。

参数

  • tokenizer: 一个 keras_hub.models.DistilBertTokenizer 实例。
  • sequence_length: 打包输入的长度。
  • truncate: 字符串。用于截断批量段列表以使其符合 sequence_length 的算法。值可以是 round_robin 或 waterfall： - "round_robin": 可用空间以轮询方式每次为一个需要空间的输入分配一个标记，直到达到限制。 - "waterfall": 使用“瀑布”算法分配预算，该算法从左到右分配配额并填充桶，直到预算用尽。它支持任意数量的段。

调用参数

  • x: 单个字符串序列的张量，或要一起打包的多个张量序列的元组。输入可以是批处理的或非批处理的。对于单个序列，原始 Python 输入将被转换为张量。对于多个序列，直接传递张量。
  • y: 任何标签数据。将原样传递。
  • sample_weight: 任何样本权重数据。将原样传递。

示例

直接在数据上调用该层。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "distil_bert_base_en_uncased"
)
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Custom vocabulary.
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.DistilBertTokenizer(vocabulary=vocab)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
    tokenizer
)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 进行映射。

preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "distil_bert_base_en_uncased"
)

first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
label = tf.constant([1, 1])
# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)


# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map unlabeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices((first, second))

# Watch out for tf.data's default unpacking of tuples here!
# Best to invoke the `preprocessor` directly in this case.
ds = ds.map(
    lambda first, second: preprocessor(x=(first, second)),
    num_parallel_calls=tf.data.AUTOTUNE,
)

[源文件]

from_preset 方法

DistilBertTextClassifierPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化 keras_hub.models.Preprocessor。

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 可以是以下之一

  1. 内置预设标识符，例如 'bert_base_en'
  2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Preprocessor 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。

由于给定模型通常有多个预处理类，此方法应在特定子类上调用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设 参数 描述
distil_bert_base_en 65.19M 保持大小写的 6 层 DistilBERT 模型。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。
distil_bert_base_en_uncased 66.36M 所有输入都小写化的 6 层 DistilBERT 模型。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。
distil_bert_base_multi 134.73M 保持大小写的 6 层 DistilBERT 模型。在 104 种语言的维基百科上训练。

tokenizer 属性

keras_hub.models.DistilBertTextClassifierPreprocessor.tokenizer

用于对字符串进行分词的分词器。

DistilBertTextClassifierPreprocessor 层
DistilBertTextClassifierPreprocessor 类
from_preset 方法
tokenizer 属性