XLMRobertaTokenizer

[源代码]

XLMRobertaTokenizer

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

一个使用 SentencePiece 子词分割的 XLM-RoBERTa 分词器。

此分词器类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,它将检查 XLM-RoBERTa 模型所需的所有特殊标记,并提供一个 from_preset() 方法来自动下载 XLM-RoBERTa 预设的匹配词汇表。

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

如果输入是一批字符串(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),该层将输出一个具有静态形状 [None] 的密集 tf.Tensor

参数

  • proto: 一个指向 SentencePiece proto 文件的 string 路径,或一个包含序列化 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)

[源代码]

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 可以作为以下之一传递:

  1. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Tokenizer 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。

此构造函数可以通过两种方式调用。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推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights:布尔值。如果为 `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 参数 描述
xlm_roberta_base_multi 2.7745 亿 12 层 XLM-RoBERTa 模型,大小写保持不变。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 5.5884 亿 24 层 XLM-RoBERTa 模型,大小写保持不变。在 100 种语言的 CommonCrawl 上训练。