FNetMaskedLMPreprocessor 类keras_hub.models.FNetMaskedLMPreprocessor(
tokenizer,
sequence_length=512,
truncate="round_robin",
mask_selection_rate=0.15,
mask_selection_length=96,
mask_token_rate=0.8,
random_token_rate=0.1,
**kwargs
)
FNet 预处理，用于掩码语言建模任务。
此预处理层将准备输入以用于掩码语言建模任务。它主要设计用于 keras_hub.models.FNetMaskedLM 任务模型。预处理将分多个步骤进行。
tokenizer 对任意数量的输入段进行分词。"<s>", "</s>" 和 "<pad>" 标记打包输入，即在整个序列的开头添加单个 "<s>"，在每个片段之间添加 "</s></s>"，并在整个序列的末尾添加 "</s>"。mask_selection_rate 控制。keras_hub.models.FNetMaskedLM 任务模型进行训练的 (x, y, sample_weight) 元组。参数
keras_hub.models.FNetTokenizer 实例。mask_token_rate 必须在 0 到 1 之间，表示掩码词元替代被选中用于掩码的词元的频率。默认为 0.8。random_token_rate 必须在 0 和 1 之间，它表示在所选的掩码标记中，有多少比例被随机标记替换。注意：mask_token_rate + random_token_rate <= 1，对于 (1 - mask_token_rate - random_token_rate) 的比例，标记将不会被更改。默认为 0.1。sequence_length 的算法。值可以是 round_robin 或 waterfall。"round_robin"：可用空间以循环方式一次分配一个标记给仍需要标记的输入，直到达到限制。"waterfall"：预算分配使用“瀑布”算法完成，该算法以从左到右的方式分配配额，并填充桶，直到预算用尽。它支持任意数量的段。示例
直接在数据上调用该层。
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.FNetMaskedLMPreprocessor.from_preset(
"f_net_base_en"
)
# Tokenize and mask a single sentence.
preprocessor("The quick brown fox jumped.")
# Tokenize and mask a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])
# Tokenize and mask sentence pairs.
# In this case, always convert input to tensors before calling the layer.
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))
使用 tf.data.Dataset 进行映射。
preprocessor = keras_hub.models.FNetMaskedLMPreprocessor.from_preset(
"f_net_base_en"
)
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
# Map single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Alternatively, you can create a preprocessor from your own vocabulary.
vocab_data = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
# Map 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,
)
from_preset 方法FNetMaskedLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
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：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./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。
由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
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 |
|---|---|---|
| f_net_base_en | 82.86M | 12 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。 |
| f_net_large_en | 236.95M | 24 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。 |
tokenizer 属性keras_hub.models.FNetMaskedLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。