FNetTokenizer

[源代码]

FNetTokenizer

keras_hub.tokenizers.FNetTokenizer(proto, **kwargs)

基于 SentencePiece 的 FNet 分词器层。

此分词器类将原始字符串分词为整数序列,其基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它会检查 FNet 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 FNet 预设匹配的词汇表。

如果输入是批量字符串(秩 > 0),该层将输出一个 tf.RaggedTensor,其输出的最后一维是参差不齐的。

如果输入是标量字符串(秩 == 0),该层将输出一个稠密的 tf.Tensor,静态形状为 [None]

参数

  • proto:可以是指向 SentencePiece proto 文件的 string 路径,或者是一个包含序列化 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."))

[源代码]

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。可以将 preset 作为以下任一选项传递:

  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 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。

此构造函数可以通过两种方式之一调用。可以从基类调用,例如 keras_hub.models.Tokenizer.from_preset(),或者从模型类调用,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。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights:布尔值。如果为 True,则权重将加载到模型架构中。如果为 False,则权重将随机初始化。

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
f_net_base_en 82.86M 维护大小写的 12 层 FNet 模型。在 C4 数据集上训练。
f_net_large_en 236.95M 维护大小写的 24 层 FNet 模型。在 C4 数据集上训练。