DistilBert 分词器

[来源]

DistilBertTokenizer

keras_hub.tokenizers.DistilBertTokenizer(vocabulary, lowercase=False, **kwargs)

一个使用 WordPiece 子词分割的 DistilBERT 分词器。

这个分词器类会将原始字符串分词成整数序列,并基于 keras_hub.tokenizers.WordPieceTokenizer。与底层分词器不同的是,它会检查 DistilBERT 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 DistilBERT 预设相匹配的词汇表。

如果输入是一个字符串批次(秩 > 0),该层将输出一个 tf.RaggedTensor,其输出的最后一维是锯齿状的。

如果输入是一个标量字符串(秩 == 0),该层将输出一个密集(dense)的 tf.Tensor,其静态形状为 [None]

参数

  • vocabulary:一个字符串列表或一个字符串文件名路径。如果传入一个列表,列表中的每个元素应该是一个单独的 WordPiece 标记字符串。如果传入一个文件名,该文件应该是一个纯文本文件,每行包含一个单独的 WordPiece 标记。
  • lowercase:如果为 True,输入文本在分词前会先转换为小写。
  • special_tokens_in_strings:布尔值。一个布尔值,指示分词器是否应预期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.DistilBertTokenizer.from_preset(
    "distil_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.DistilBertTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[来源]

from_preset 方法

DistilBertTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设(preset)实例化一个 keras_hub.models.Tokenizer

预设是一个包含配置、权重和其他文件资产的目录,用于保存和加载预训练模型。preset 可以以下列形式之一传入:

  1. 一个内置预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄(handle),例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄(handle),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。

这个构造函数可以通过两种方式之一调用。要么从基类调用,例如 keras_hub.models.Tokenizer.from_preset(),要么从模型类调用,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出来。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights:布尔值。如果为 True,权重将被加载到模型架构中。如果为 False,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
distil_bert_base_en 65.19M 6层 DistilBERT 模型,保持大小写。使用英语维基百科 + BooksCorpus 进行训练,使用 BERT 作为教师模型。
distil_bert_base_en_uncased 66.36M 6层 DistilBERT 模型,所有输入都转换为小写。使用英语维基百科 + BooksCorpus 进行训练,使用 BERT 作为教师模型。
distil_bert_base_multi 134.73M 6层 DistilBERT 模型,保持大小写。使用104种语言的维基百科进行训练