FNetTokenizer
类keras_hub.tokenizers.FNetTokenizer(proto, **kwargs)
基于SentencePiece的FNet分词层。
此分词器类将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.SentencePieceTokenizer
。与底层分词器不同,它将检查FNet模型所需的所有特殊标记,并提供一个 from_preset()
方法来自动下载FNet预设的匹配词汇表。
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
string
路径,或一个带有序列化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.FNetTokenizer.from_preset(
"f_net_base_en",
)
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."))
from_preset
方法FNetTokenizer.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:
'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。可以像 keras_hub.models.Tokenizer.from_preset()
那样从基类调用,也可以像 keras_hub.models.GemmaTokenizer.from_preset()
那样从模型类调用。如果从基类调用,则返回对象的子类将根据预设目录中的配置推断。
参数
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 |
---|---|---|
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。 |