BytePairTokenizer

[source]

BytePairTokenizer 类

keras_hub.tokenizers.BytePairTokenizer(
    vocabulary=None,
    merges=None,
    sequence_length=None,
    add_prefix_space=False,
    unsplittable_tokens=None,
    dtype="int32",
    **kwargs
)

字节对编码分词器层。

此 BPE 分词器提供与官方 GPT-2 分词器相同的功能。给定相同的 vocabulary （将 token 映射到 id）和 merges （描述 BPE 合并规则），它应提供与 OpenAI 实现 (https://github.com/openai/gpt-2/blob/master/src/encoder.py) 相同的输出。与 OpenAI 不同，此实现与图兼容，因此您可以在 tf.data 管道中使用它。

如果输入是字符串批次（rank > 0）：默认情况下，该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是 Ragged。如果设置了 sequence_length，该层将输出一个密集的 tf.Tensor，其中所有输入都已填充或截断为 sequence_length。如果输入是标量字符串（rank == 0）：默认情况下，该层将输出一个具有静态形状 [None] 的密集 tf.Tensor。如果设置了 sequence_length，则输出将是形状为 [sequence_length] 的密集 tf.Tensor。

参数

• vocabulary: 字符串或字典，将 token 映射到整数 id。如果它是字符串，则应为 json 文件的文件路径。
• merges: 字符串或列表，包含合并规则。如果它是字符串，则应为合并规则的文件路径。合并规则文件每行应包含一个合并规则。
• sequence_length: 整数。如果设置，输出将被填充或截断为 sequence_length。默认为 None。
• add_prefix_space: 布尔值。是否在输入中添加前导空格。此分词器可识别空格，并将以不同的方式标记带有前导空格的单词。在第一个单词中添加前缀空格将使其与序列中所有后续单词的标记方式相同。默认为 False。
• unsplittable_tokens: 列表。在字节对编码之前应用的词级分割期间永远不会分割的字符串列表。这可以用于确保特殊 token 映射到词汇表中的唯一索引，即使这些特殊 token 包含可分割字符（例如标点符号）。特殊 token 仍必须包含在 vocabulary 中。默认为 None。

示例

分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

反分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[source]

tokenize 方法

BytePairTokenizer.tokenize(inputs)

将字符串的输入张量转换为输出 token。

参数

• inputs: 输入张量，或输入张量的字典/列表/元组。
• *args: 附加的位置参数。
• **kwargs: 附加的关键字参数。

[source]

detokenize 方法

BytePairTokenizer.detokenize(inputs)

将 token 转换回字符串。

参数

• inputs: 输入张量，或输入张量的字典/列表/元组。
• *args: 附加的位置参数。
• **kwargs: 附加的关键字参数。

[source]

get_vocabulary 方法

BytePairTokenizer.get_vocabulary()

获取分词器词汇表作为字符串 token 列表。

[source]

vocabulary_size 方法

BytePairTokenizer.vocabulary_size()

获取分词器词汇表的整数大小。

[source]

token_to_id 方法

BytePairTokenizer.token_to_id(token)

将字符串 token 转换为整数 id。

[source]

id_to_token 方法

BytePairTokenizer.id_to_token(id)

将整数 id 转换为字符串 token。