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 / XLMRoberta / XLMRobertaMaskedLMPreprocessor 层

XLMRobertaMaskedLMPreprocessor 层

[源]

XLMRobertaMaskedLMPreprocessor 类

keras_hub.models.XLMRobertaMaskedLMPreprocessor(
    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 XLM-RoBERTa 预处理。

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

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 将输入与相应的 "<s>", "</s>" 和 "<pad>" 标记打包在一起，例如，在整个序列的开头添加单个 "<s>"，在每个段之间添加 "</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 (x, y, sample_weight) 元组，适用于使用 keras_hub.models.XLMRobertaMaskedLM 任务模型进行训练。

参数

  • tokenizer：一个 keras_hub.models.XLMRobertaTokenizer 实例。
  • sequence_length：int。打包输入的长度。
  • truncate：string。用于截断批量段列表以适应 sequence_length 的算法。值可以是 round_robin 或 waterfall：- "round_robin"：可用空间以轮循的方式一次分配一个标记给仍然需要空间的输入，直到达到限制。- "waterfall"：预算分配使用“瀑布”算法，该算法以从左到右的方式分配配额并填充桶，直到预算用尽。它支持任意数量的段。
  • mask_selection_rate：float。输入标记被动态掩码的概率。
  • mask_selection_length：int。给定样本中掩码标记的最大数量。
  • mask_token_rate：float。选定的标记被掩码标记替换的概率。
  • random_token_rate：float。选定的标记被词汇表中的随机标记替换的概率。选定的标记将以 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，或要打包在一起的多个张量序列的元组。输入可以是批量的或非批量的。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，因为层会生成标签。
  • sample_weight：标签权重。应始终为 None，因为层会生成标签权重。

示例

直接在数据上调用层。

# Load the preprocessor from a preset.
preprocessor = keras_hub.models.XLMRobertaMaskedLMPreprocessor.from_preset(
    "xlm_roberta_base_multi"
)

# 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 映射。

preprocessor = keras_hub.models.XLMRobertaMaskedLMPreprocessor.from_preset(
    "xlm_roberta_base_multi"
)
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,
)

----

<span style="float:right;">[[source]](https://github.com/keras-team/keras-hub/tree/v0.20.0/keras_hub/src/models/preprocessor.py#L132)</span>

### `from_preset` method


```python
XLMRobertaMaskedLMPreprocessor.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 可以是以下任一形式：

  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() 来列出该类中所有可用的内置预设。

由于给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，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
xlm_roberta_base_multi 277.45M 保持大小写的 12 层 XLM-RoBERTa 模型。在 CommonCrawl 数据集上以 100 种语言训练。
xlm_roberta_large_multi 558.84M 保持大小写的 24 层 XLM-RoBERTa 模型。在 CommonCrawl 数据集上以 100 种语言训练。

tokenizer 属性

keras_hub.models.XLMRobertaMaskedLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

XLMRobertaMaskedLMPreprocessor 层
XLMRobertaMaskedLMPreprocessor 类
加载用于 Gemma 生成的预处理器。
加载用于 Bert 分类的预处理器。