KerasHub：预训练模型
入门 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 评估指标 预训练模型列表
► KerasHub：预训练模型 / API 文档 / 模型架构 / Roberta / RobertaMaskedLMPreprocessor 层

RobertaMaskedLMPreprocessor 层

[源]

RobertaMaskedLMPreprocessor 类

keras_hub.models.RobertaMaskedLMPreprocessor(
    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
)

用于掩码语言建模任务的 RoBERTa 预处理。

此预处理层将为掩码语言建模任务准备输入。它主要用于 keras_hub.models.RobertaMaskedLM 任务模型。预处理将分多个步骤进行。

  1. 使用 tokenizer 对任意数量的输入片段进行分词。
  2. 将输入与相应的 "<s>""、"</s>" 和 "<pad>" 标记打包在一起，即在整个序列的开头添加一个 "<s>"，在每个片段之间添加 "</s></s>"，并在整个序列的末尾添加一个 "</s>"。
  3. 随机选择非特殊标记进行掩码，由 mask_selection_rate 控制。
  4. 构造一个适合与 keras_hub.models.RobertaMaskedLM 任务模型一起训练的 (x, y, sample_weight) 元组。

参数

  • tokenizer: 一个 keras_hub.models.RobertaTokenizer 实例。
  • sequence_length: int。打包输入的长度。
  • truncate: string。用于截断一批片段以适应 sequence_length 的算法。取值可以是 round_robin 或 waterfall
    • "round_robin"：可用的空间以轮询方式一次分配一个标记给仍需要空间的输入，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，直到预算用完。它支持任意数量的片段。
  • mask_selection_rate: float。输入标记被动态掩码的概率。
  • mask_selection_length: int。给定样本中最大掩码标记数量。
  • mask_token_rate: float。被选中的标记被替换为掩码标记的概率。
  • random_token_rate: float。被选中的标记被替换为词汇表中随机标记的概率。被选中的标记将以 1 - mask_token_rate - random_token_rate 的概率保持不变。

调用参数

  • x: 单个字符串序列的张量，或多个张量序列的元组，这些序列将被打包在一起。输入可以是批量或非批量。对于单个序列，原始 Python 输入将被转换为张量。对于多个序列，直接传递张量。
  • y: 标签数据。应始终为 None，因为该层会生成标签。
  • sample_weight: 标签权重。应始终为 None，因为该层会生成标签权重。

示例

直接在数据上调用层。

# Load the preprocessor from a preset.
preprocessor = keras_hub.models.RobertaMaskedLMPreprocessor.from_preset(
    "roberta_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.RobertaMaskedLMPreprocessor.from_preset(
    "roberta_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)

# 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,
)

[源]

from_preset 方法

RobertaMaskedLMPreprocessor.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。preset 可以是以下之一

  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 Preprocessor 子类，您可以运行 cls.presets.keys() 列出该类上所有可用的内置预设。

由于给定模型通常有多个预处理类，此方法应在特定的子类上调用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。

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
roberta_base_en 124.05M 12层 RoBERTa 模型，保留大小写。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
roberta_large_en 354.31M 24层 RoBERTa 模型，保留大小写。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12层 XLM-RoBERTa 模型，保留大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24层 XLM-RoBERTa 模型，保留大小写。在 100 种语言的 CommonCrawl 上训练。

tokenizer 属性

keras_hub.models.RobertaMaskedLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

RobertaMaskedLMPreprocessor 层
RobertaMaskedLMPreprocessor 类
from_preset 方法
tokenizer 属性