KerasHub:预训练模型 / API 文档 / 分词器 / 字节对分词器

字节对分词器

[来源]

BytePairTokenizer

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。给定将词元映射到 id 的相同 vocabulary 以及描述 BPE 合并规则的 merges,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,此实现兼容图结构,因此您可以在 tf.data 流水线中使用它。

如果输入是字符串批次(秩 > 0):默认情况下,层将输出一个 tf.RaggedTensor,其输出的最后一个维度是不规则的(ragged)。如果设置了 sequence_length,层将输出一个稠密的 tf.Tensor,其中所有输入都已填充或截断到 sequence_length。如果输入是标量字符串(秩 == 0):默认情况下,层将输出一个静态形状为 [None] 的稠密 tf.Tensor。如果设置了 sequence_length,输出将是一个形状为 [sequence_length] 的稠密 tf.Tensor

参数

  • vocabulary: 字符串或字典,将词元映射到整数 id。如果是字符串,则应为 json 文件的文件路径。
  • merges: 字符串或列表,包含合并规则。如果是字符串,则应为合并规则的文件路径。合并规则文件应每行包含一个合并规则。
  • sequence_length: int。如果设置,输出将被填充或截断到 sequence_length。默认为 None
  • add_prefix_space: bool。是否在输入中添加初始空格。此分词器感知空格,并且会将带有前导空格的单词区别对待。在第一个单词前面添加前导空格会使其分词方式与序列中的所有后续单词相同。默认为 False
  • unsplittable_tokens: 列表。一个字符串列表,在应用字节对编码之前的单词级拆分过程中不会被拆分。这可用于确保特殊词元映射到词表中的唯一索引,即使这些特殊词元包含可拆分字符,例如标点符号。特殊词元仍必须包含在 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']

[来源]

tokenize 方法

BytePairTokenizer.tokenize(inputs)

将输入的字符串张量转换为输出的词元。

参数

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

[来源]

detokenize 方法

BytePairTokenizer.detokenize(inputs)

将词元转换回字符串。

参数

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

[来源]

get_vocabulary 方法

BytePairTokenizer.get_vocabulary()

获取分词器词表作为字符串词元列表。


[来源]

vocabulary_size 方法

BytePairTokenizer.vocabulary_size()

获取分词器词表的整数大小。


[来源]

token_to_id 方法

BytePairTokenizer.token_to_id(token)

将字符串词元转换为整数 id。


[来源]

id_to_token 方法

BytePairTokenizer.id_to_token(id)

将整数 id 转换为字符串词元。