Tokenizer

[源代码]

Tokenizer 类

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。此类提供了两个核心方法 tokenize() 和 detokenize()，用于将纯文本转换为序列并反向操作。分词器是 keras.layers.Layer 的子类，可以组合成 keras.Model。

子类化时应始终实现 tokenize() 方法，该方法也是在直接在输入上调用该层时的默认行为。

如果分词是可逆的，子类化时可以有选择地实现 detokenize() 方法。否则，可以省略此方法。

子类化时应实现 get_vocabulary()、vocabulary_size()、token_to_id() 和 id_to_token() （如果适用）。对于一些简单的“无词汇表”分词器，例如下面展示的空格分割器，这些方法不适用，可以省略。

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"])

[源代码]

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。

预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

此构造函数可以通过两种方式调用。一种是像 keras_hub.models.Tokenizer.from_preset() 那样从基类调用，另一种是像 keras_hub.models.GemmaTokenizer.from_preset() 那样从模型类调用。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进行推断。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。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])

[源代码]

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。