ESMTokenizer

[源代码]

ESMTokenizer 类

keras_hub.tokenizers.ESMTokenizer(
    vocabulary=None, lowercase=False, oov_token="<unk>", **kwargs
)

一个使用WordPiece子词分割的ESM分词器。

此类分词器会将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.WordPieceTokenizer。与底层分词器不同的是，它会检查ESM模型所需的特殊标记，并提供一个 from_preset() 方法来自动下载与ESM预设匹配的词汇表。

如果输入是一批字符串（秩 > 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（秩 == 0），该层将输出一个具有静态形状 [None] 的密集 tf.Tensor。

参数

• vocabulary：字符串列表或字符串文件名路径。如果传递列表，列表中的每个元素都应为单个word piece token字符串。如果传递文件名，文件应为纯文本文件，每行包含一个word piece token。
• lowercase：如果为 True，输入文本将在分词前首先转换为小写。
• special_tokens_in_strings：布尔值。一个布尔值，指示分词器是否应在输入字符串中期望特殊标记，这些标记应被正确分词并映射到它们的 ID。默认为 False。

示例

# Unbatched input.
tokenizer = keras_hub.models.ESMTokenizer.from_preset(
    "hf://facebook/esm2_t6_8M_UR50D",
)
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>", "<eos>", "<pad>", "<mask>"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.ESMTokenizer(vocabulary=vocab)
tokenizer("The quick brown fox jumped.")

[源代码]

from_preset 方法

ESMTokenizer.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 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，您都可以运行 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。一种是像 keras_hub.models.Tokenizer.from_preset() 那样从基类调用，另一种是像 keras_hub.models.GemmaTokenizer.from_preset() 那样从模型类调用。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进行推断。

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])