XLMRobertaTokenizer
类keras_hub.tokenizers.XLMRobertaTokenizer(proto, **kwargs)
一个使用 SentencePiece 子词分割的 XLM-RoBERTa 分词器。
此类分词器会将原始字符串分词为整数序列,并基于 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,并提供一个 from_preset()
方法,用于自动下载与 XLM-RoBERTa 预设项匹配的词汇表。
注意:如果您提供自己的自定义 SentencePiece 模型,原始的 fairseq XLM-RoBERTa 实现会重新映射底层 sentencepiece 输出中的一些标记索引。为了保持兼容性,我们在此处也进行相同的重新映射。
如果输入是一个字符串批次(秩 > 0),层将输出一个 tf.RaggedTensor
,其输出的最后一个维度是不规则的。
如果输入是一个标量字符串(秩 == 0),层将输出一个密集的 tf.Tensor
,其静态形状为 [None]
。
参数
string
路径,也可以是包含序列化 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)
from_preset
方法XLMRobertaTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)
从模型预设项实例化一个 keras_hub.models.Tokenizer
。
预设项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
可以是以下几种形式之一:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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项。
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,返回对象的子类将从预设目录中的配置推断。
参数
True
,权重将被加载到模型架构中。如果为 False
,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])
预设项 | 参数 | 描述 |
---|---|---|
xlm_roberta_base_multi | 277.45M | 12层 XLM-RoBERTa 模型,保持大小写。在 100 种语言的 CommonCrawl 上训练。 |
xlm_roberta_large_multi | 558.84M | 24层 XLM-RoBERTa 模型,保持大小写。在 100 种语言的 CommonCrawl 上训练。 |