RobertaTokenizer

[source]

RobertaTokenizer 类

keras_hub.tokenizers.RobertaTokenizer(vocabulary=None, merges=None, **kwargs)

一个使用 Byte-Pair Encoding 子词分段的 RoBERTa tokenizer。

这个 tokenizer 类会将原始字符串标记化为整数序列，并且基于 keras_hub.tokenizers.BytePairTokenizer。与底层的 tokenizer 不同，它会检查 RoBERTa 模型所需的所有特殊 token，并提供一个 from_preset() 方法来自动下载与 RoBERTa 预设匹配的词汇表。

如果输入是一批字符串（rank > 0），该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是 ragged 的。

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

参数

• vocabulary: 一个字典，将 token 映射到整数 ID，或指向包含 token 到 ID 映射的 json 文件的文件路径。
• merges: 一个合并规则列表或字符串文件路径。如果传递文件路径，则该文件应每行包含一个合并规则。每个合并规则包含用空格分隔的合并实体。

示例

# Unbatched input.
tokenizer = keras_hub.models.RobertaTokenizer.from_preset(
    "roberta_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."))

# Custom vocabulary.
# Note: 'Ġ' is space
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
tokenizer(["a quick fox", "a fox quick"])

[source]

from_preset 方法

RobertaTokenizer.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. 一个指向本地预设目录的路径，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，如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，则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。一个内置的预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个指向本地目录的路径。
• load_weights: 布尔值。如果为 True，权重将加载到模型架构中。如果为 False，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])