WordPieceTokenizer
WordPieceTokenizer 类
keras_hub.tokenizers.WordPieceTokenizer(
vocabulary=None,
sequence_length=None,
lowercase=False,
strip_accents=False,
split=True,
split_on_cjk=True,
suffix_indicator="##",
oov_token="[UNK]",
special_tokens=None,
special_tokens_in_strings=False,
dtype="int32",
**kwargs
)
一个 WordPiece 分词器层。
此层提供了 BERT 和其他模型使用的 WordPiece 算法的高效图内实现。
为了使此层更易于开箱即用，该层将对输入进行预分词，可以选择将输入转换为小写、去除重音符号，并按空格和标点符号分割。这些预分词步骤中的每一个都不可逆。detokenize 方法将用空格连接单词，并且不会完全反转 tokenize。
如果需要更自定义的预分词步骤，可以通过传递 lowercase=False、strip_accents=False 和 split=False 来配置该层，使其仅应用严格的 WordPiece 算法。在这种情况下，输入应该是预分割的字符串张量或不规则张量。
分词器输出可以使用 sequence_length 参数进行填充和截断，或者不进行截断。确切的输出将取决于输入张量的秩。
如果输入是一批字符串（秩 > 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不规则的。如果设置了 sequence_length，则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（秩 == 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。
可以使用 dtype 参数控制输出的数据类型，该参数应为整数或字符串类型。
参数
- vocabulary: 字符串列表或字符串文件名路径。如果传递列表，则列表的每个元素都应该是单个 WordPiece 标记字符串。如果传递文件名，则该文件应为纯文本文件，每行包含一个 WordPiece 标记。
- sequence_length: int。如果设置，输出将被转换为密集张量，并进行填充/修剪，以便所有输出都具有 sequence_length。
- lowercase: bool。如果为
True，输入文本将在分词之前转换为小写。默认为False。 - strip_accents: bool。如果为
True，所有重音标记将在分词之前从文本中删除。默认为False。 - split: bool。如果为
True，输入将按空格和标点符号分割，并且所有标点符号将保留为标记。如果为False，输入应在调用分词器之前进行分割（“预分词”），并作为完整的单词的密集或不规则张量传递。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、韩文和越南文字符 (https://en.wikipedia.org/wiki/CJK_Unified_Ideographs_(Unicode_block))。请注意，这仅在
split为 True 时适用。默认为True。 - suffix_indicator: str。前置于 WordPiece 的字符，以指示它是另一个子词的后缀。例如，“##ing”。默认为
"##"。 - oov_token: str。用于替换未知标记的字符串值。它必须包含在词汇表中。默认为
"[UNK]"。 - special_tokens_in_strings: bool。一个布尔值，指示分词器是否应在输入字符串中期望特殊标记，这些标记应被正确分词并映射到它们的 ID。默认为 False。
参考文献
示例
不规则输出。
>>> vocab = ["[UNK]", "the", "qu", "##ick", "br", "##own", "fox", "."]
>>> inputs = "The quick brown fox."
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... lowercase=True,
... )
>>> outputs = tokenizer(inputs)
>>> np.array(outputs)
array([1, 2, 3, 4, 5, 6, 7], dtype=int32)
密集输出。
>>> vocab = ["[UNK]", "the", "qu", "##ick", "br", "##own", "fox", "."]
>>> inputs = ["The quick brown fox."]
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... sequence_length=10,
... lowercase=True,
... )
>>> outputs = tokenizer(inputs)
>>> np.array(outputs)
array([[1, 2, 3, 4, 5, 6, 7, 0, 0, 0]], dtype=int32)
字符串输出。
>>> vocab = ["[UNK]", "the", "qu", "##ick", "br", "##own", "fox", "."]
>>> inputs = "The quick brown fox."
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... lowercase=True,
... dtype="string",
... )
>>> tokenizer(inputs)
['the', 'qu', '##ick', 'br', '##own', 'fox', '.']
反分词。
>>> vocab = ["[UNK]", "the", "qu", "##ick", "br", "##own", "fox", "."]
>>> inputs = "The quick brown fox."
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... lowercase=True,
... )
>>> tokenizer.detokenize(tokenizer.tokenize(inputs))
'the quick brown fox .'
自定义分割。
>>> vocab = ["[UNK]", "the", "qu", "##ick", "br", "##own", "fox", "."]
>>> inputs = "The$quick$brown$fox"
>>> tokenizer = keras_hub.tokenizers.WordPieceTokenizer(
... vocabulary=vocab,
... split=False,
... lowercase=True,
... dtype='string',
... )
>>> split_inputs = tf.strings.split(inputs, sep="$")
>>> tokenizer(split_inputs)
['the', 'qu', '##ick', 'br', '##own', 'fox']
tokenize 方法
WordPieceTokenizer.tokenize(inputs)
将字符串的输入张量转换为输出标记。
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。
detokenize 方法
WordPieceTokenizer.detokenize(inputs)
将标记转换回字符串。
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。
get_vocabulary 方法
WordPieceTokenizer.get_vocabulary()
获取分词器词汇表作为字符串标记列表。
vocabulary_size 方法
WordPieceTokenizer.vocabulary_size()
获取分词器词汇表的整数大小。
token_to_id 方法
WordPieceTokenizer.token_to_id(token)
将字符串标记转换为整数 ID。
id_to_token 方法
WordPieceTokenizer.id_to_token(id)
将整数 ID 转换为字符串标记。