XLMRobertaTokenizer

[source]

XLMRobertaTokenizer

keras_hub.tokenizers.XLMRobertaTokenizer(proto, **kwargs)

一个使用 SentencePiece 子词分段的 XLM-RoBERTa 分词器。

这个分词器类会将原始字符串分词成整数序列,并且基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它会检查 XLM-RoBERTa 模型所需的所有特殊标记,并提供 from_preset() 方法来自动下载与 XLM-RoBERTa 预设匹配的词汇表。

注意:如果您提供自己的自定义 SentencePiece 模型,则原始 fairseq 实现的 XLM-RoBERTa 会重新映射底层 sentencepiece 输出中的一些标记索引。为了保持兼容性,我们在此处进行相同的重新映射。

如果输入是字符串批次(秩 > 0),则该层将输出一个 tf.RaggedTensor,其中输出的最后一个维度是参差不齐的。

如果输入是标量字符串(秩 == 0),则该层将输出一个具有静态形状 [None] 的密集 tf.Tensor

参数

  • proto:SentencePiece proto 文件的 string 路径,或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息,请参阅 SentencePiece 仓库

示例

tokenizer = keras_hub.models.XLMRobertaTokenizer.from_preset(
    "xlm_roberta_base_multi",
)

# Unbatched inputs.
tokenizer("the quick brown fox")

# Batched inputs.
tokenizer(["the quick brown fox", "الأرض كروية"])

# Detokenization.
tokenizer.detokenize(tokenizer("the quick brown fox"))

# 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)

[source]

from_preset 方法

XLMRobertaTokenizer.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. 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 Tokenizer 子类,您可以运行 cls.presets.keys() 以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,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。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights:布尔值。如果为 True,则权重将加载到模型架构中。如果为 False,则权重将被随机初始化。

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
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型,其中保留了大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型,其中保留了大小写。在 100 种语言的 CommonCrawl 上训练。