分词器

[来源]

Tokenizer

keras_hub.tokenizers.Tokenizer()

分词器层的基类。

KerasHub 库中的分词器都应该继承此类。此类提供两个核心方法 tokenize()detokenize(),用于在纯文本和序列之间相互转换。分词器是 keras.layers.Layer 的子类,可以组合到 keras.Model 中。

子类应该始终实现 tokenize() 方法,在直接对输入调用层时,此方法也将是默认方法。

如果分词可逆,子类可以选择性地实现 detokenize() 方法。否则,可以跳过此步骤。

如适用,子类应实现 get_vocabulary()vocabulary_size()token_to_id()id_to_token() 方法。对于某些简单的“无词汇表”分词器(例如下文所示的按空格分隔的分词器),这些方法不适用,可以跳过。

示例

class WhitespaceSplitterTokenizer(keras_hub.tokenizers.Tokenizer):
    def tokenize(self, inputs):
        return tf.strings.split(inputs)

    def detokenize(self, inputs):
        return tf.strings.reduce_join(inputs, separator=" ", axis=-1)

tokenizer = WhitespaceSplitterTokenizer()

# Tokenize some inputs.
tokenizer.tokenize("This is a test")

# Shorthard for `tokenize()`.
tokenizer("This is a test")

# Detokenize some outputs.
tokenizer.detokenize(["This", "is", "a", "test"])

[来源]

from_preset 方法

Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化一个 keras_hub.models.Tokenizer

预设是用于保存和加载预训练模型的配置文件、权重及其他文件资产的目录。preset 可以是以下任一类型:

  1. 内置预设标识符,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。

此构造函数可通过以下两种方式之一调用。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,返回对象的子类将根据预设目录中的配置推断。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: 布尔值。如果为 True,权重将加载到模型架构中。如果为 False,权重将随机初始化。

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])

[来源]

save_to_preset 方法

Tokenizer.save_to_preset(preset_dir)

将分词器保存到预设目录。

参数

  • preset_dir: 本地模型预设目录的路径。