► KerasHub：预训练模型 / API 文档 / 模型架构 / Roberta / RobertaTokenizer

RobertaTokenizer

`RobertaTokenizer` 类

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

一个使用字节对编码（Byte-Pair Encoding）子词分割的 RoBERTa 分词器。

该分词器类将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同，它会检查 RoBERTa 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 RoBERTa 预设相匹配的词汇表。

如果输入是字符串批次（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），该层将输出一个稠密的 tf.Tensor，具有静态形状 [None]。

参数

vocabulary：一个将标记映射到整数 ID 的字典，或一个包含标记到 ID 映射的 JSON 文件路径。
merges：合并规则列表或字符串文件路径。如果传入文件路径，该文件应每行包含一个合并规则。每个合并规则包含由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"])

[源]

`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 可以以下列方式之一传递：

内置预设标识符，例如 'bert_base_en'
Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
Hugging Face 句柄，例如 'hf://user/bert_base_en'
本地预设目录路径，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()，也可以从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，返回对象的子类将根据预设目录中的配置进行推断。

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])

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。

RobertaTokenizer

RobertaTokenizer 类

from_preset 方法

RobertaTokenizer

RobertaTokenizer 类

from_preset 方法

`RobertaTokenizer` 类

`from_preset` 方法