XLMRobertaTextClassifierPreprocessor 类keras_hub.models.XLMRobertaTextClassifierPreprocessor(
tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)
一个 XLM-RoBERTa 预处理层，用于对输入进行分词和打包。
此预处理层将执行三个操作
tokenizer 对任意数量的输入段进行分词。keras_hub.layers.MultiSegmentPacker 将输入打包在一起，并添加适当的 "<s>"、"</s>" 和 "<pad>" 标记。具体来说，在整个序列的开头添加一个 "<s>"，在每个段的末尾（最后一个段除外）添加 "</s></s>"，并在整个序列的末尾添加一个 "</s>"。"token_ids" 和 "padding_mask" 的字典，可以直接将其传递给 XLM-RoBERTa 模型。此层可以直接与 tf.data.Dataset.map 配合使用，以按 keras.Model.fit 使用的 (x, y, sample_weight) 格式预处理字符串数据。
参数
keras_hub.tokenizers.XLMRobertaTokenizer 实例。sequence_length 的算法。值可以是 round_robin 或 waterfall：- "round_robin"：可用空间以轮询（round-robin）方式每次分配一个标记给仍然需要的输入，直到达到限制。- "waterfall"：预算分配使用“瀑布”（waterfall）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尽。它支持任意数量的段。调用参数
示例
直接在数据上调用层。
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"xlm_roberta_base_multi"
)
# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")
# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "اسمي اسماعيل"])
# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "اسمي اسماعيل"])
second = tf.constant(["The fox tripped.", "الأسد ملك الغابة"])
preprocessor((first, second))
# Custom vocabulary.
def train_sentencepiece(ds, vocab_size):
bytes_io = io.BytesIO()
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=vocab_size,
model_type="WORD",
unk_id=0,
bos_id=1,
eos_id=2,
)
return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(proto=proto)
preprocessor = keras_hub.models.XLMRobertaTextClassifierPreprocessor(
tokenizer
)
preprocessor("The quick brown fox jumped.")
使用 tf.data.Dataset 进行映射。
preprocessor = keras_hub.models.TextClassifierPreprocessor.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."])
label = tf.constant([1, 1])
# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map unlabeled 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,
)
from_preset 方法XLMRobertaTextClassifierPreprocessor.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 可以作为以下之一传递：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./bert_base_en'对于任何 Preprocessor 子类，您都可以运行 cls.presets.keys() 来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，因此应在特定子类（例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上调用此方法。
参数
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 | 一个 12 层的 XLM-RoBERTa 模型，保持大小写。在 CommonCrawl 的 100 种语言上训练。 |
| xlm_roberta_large_multi | 558.84M | 一个 24 层的 XLM-RoBERTa 模型，保持大小写。在 CommonCrawl 的 100 种语言上训练。 |
tokenizer 属性keras_hub.models.XLMRobertaTextClassifierPreprocessor.tokenizer
用于对字符串进行分词的分词器。