► KerasHub: 预训练模型 / API 文档 / 分词器 / compute_word_piece_vocabulary 函数

compute_word_piece_vocabulary 函数

`compute_word_piece_vocabulary` 函数

keras_hub.tokenizers.compute_word_piece_vocabulary(
    data,
    vocabulary_size,
    vocabulary_output_file=None,
    lowercase=False,
    strip_accents=False,
    split=True,
    split_on_cjk=True,
    suffix_indicator="##",
    reserved_tokens=["[PAD]", "[CLS]", "[SEP]", "[UNK]", "[MASK]"],
)

训练 WordPiece 词汇表的实用函数。

根据输入数据集或文件名列表训练一个 WordPiece 词汇表。

对于自定义数据加载和预分词 (split=False)，输入 data 应该是 tf.data.Dataset。如果 data 是文件名列表，则文件格式必须是纯文本文件，训练期间会逐行读取文本。

参数

data: 一个 tf.data.Dataset，或一个文件名列表。
vocabulary_size: int。要训练的词汇表的最大大小。
vocabulary_output_file: str。写入词汇表文件的位置。默认为 None。
lowercase: bool。如果为 True，输入文本将在分词前转换为小写。默认为 False。
strip_accents: bool。如果为 True，所有重音符号将在分词前从文本中移除。默认为 False。
split: bool。如果为 True，输入将按空格和标点符号分割，所有标点符号将保留为 token。如果为 False，输入应在调用分词器之前分割（“预分词”），并作为完整单词的密集或 Ragged 张量传入。当 data 是文件名列表时，split 必须为 True。默认为 True。
split_on_cjk: bool。如果为 True，输入将按 CJK 字符分割，即中文、日文、韩文和越南文（https://en.wikipedia.org/wiki/CJK_Unified_Ideographs_(Unicode_block)）。注意，这仅在 split 为 True 时适用。默认为 True。
suffix_indicator: str。添加到 WordPiece 前面以指示其为另一个子词后缀的字符。例如 "##ing"。默认为 "##"。
reserved_tokens: string 列表。必须包含在词汇表中的 token 列表。

返回词汇项列表。

示例

基本用法（来自 Dataset）。

>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat pat mat rat"])
>>> vocab = compute_word_piece_vocabulary(inputs, 13)
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
...     vocabulary=vocab,
...     oov_token="[UNK]",
... )
>>> outputs = inputs.map(tokenizer.tokenize)
>>> for x in outputs:
...     print(x)
tf.Tensor([ 6 12 10 12  8 12  7 12  9 12], shape=(10,), dtype=int32)

基本用法（来自文件名）。

with open("test.txt", "w+") as f:
    f.write("bat sat pat mat rat\n")
inputs = ["test.txt"]
vocab = keras_hub.tokenizers.compute_word_piece_vocabulary(inputs, 13)

自定义分割用法（来自 Dataset）。

>>> def normalize_and_split(x):
...     "Strip punctuation and split on whitespace."
...     x = tf.strings.regex_replace(x, r"\p{P}", "")
...     return tf.strings.split(x)
>>> inputs = tf.data.Dataset.from_tensor_slices(["bat sat: pat mat rat.\n"])
>>> split_inputs = inputs.map(normalize_and_split)
>>> vocab = compute_word_piece_vocabulary(
...     split_inputs, 13, split=False,
... )
>>> vocab
['[PAD]', '[CLS]', '[SEP]', '[UNK]', '[MASK]', 'a', 'b', 'm', 'p', 'r', 's', 't', '##at']
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(vocabulary=vocab)
>>> inputs.map(tokenizer.tokenize)

自定义分割用法（来自文件名）。

def normalize_and_split(x):
    "Strip punctuation and split on whitespace."
    x = tf.strings.regex_replace(x, r"\p{P}", "")
    return tf.strings.split(x)
with open("test.txt", "w+") as f:
    f.write("bat sat: pat mat rat.\n")
inputs = tf.data.TextLineDataset(["test.txt"])
split_inputs = inputs.map(normalize_and_split)
vocab = keras_hub.tokenizers.compute_word_piece_vocabulary(
    split_inputs, 13, split=False
)
tokenizer = keras_hub.tokenizers.WordPieceTokenizer(vocabulary=vocab)
inputs.map(tokenizer.tokenize)

compute_word_piece_vocabulary 函数

compute_word_piece_vocabulary 函数