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

  • proto: 可以是 SentencePiece proto 文件的 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)

[源代码]

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:

  1. 内置预设项标识符,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() 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

  • preset: string。内置预设项标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: bool。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。