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

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。

该层提供了一种高效的、在图内的WordPiece算法实现，该算法被BERT及其他模型使用。

为了使该层开箱即用，该层将预先对输入进行分词，可选地会进行小写转换、去除重音符号，并根据空格和标点符号拆分输入。这些预分词步骤中的每一步都是不可逆的。detokenize 方法将用空格连接词语，并且不会精确地逆转tokenize操作。

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，输入应为预先分词的字符串张量或稀疏张量（ragged tensors）。

分词器输出可以通过 sequence_length 参数进行填充和截断，也可以不截断。具体输出将取决于输入张量的秩。

如果输入是字符串批次（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稀疏的。如果设置了sequence_length，该层将输出一个密集 tf.Tensor，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，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。

输出的dtype可以通过dtype参数控制，它应该是整数或字符串类型。

参数

vocabulary：字符串列表或字符串文件名路径。如果传递列表，列表的每个元素都应该是单个WordPiece token字符串。如果传递文件名，该文件应为纯文本文件，每行包含一个WordPiece token。
sequence_length：int。如果设置，输出将被转换为密集张量，并进行填充/截断，以便所有输出的长度都为sequence_length。
lowercase：bool。如果为True，在分词之前会将输入文本转换为小写。默认为False。
strip_accents：bool。如果为True，在分词之前会从文本中移除所有重音符号。默认为False。
split：bool。如果为True，将根据空格和标点符号拆分输入，并将所有标点符号保留为token。如果为False，输入在调用分词器之前应已被拆分（“预分词”），并作为整个单词的密集或稀疏张量传递。默认为True。
split_on_cjk：bool。如果为True，则会在CJK字符上拆分输入，即中文、日文、韩文和越南文（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。添加到WordPiece前面的字符，用于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token的字符串值。它必须包含在词汇表中。默认为"[UNK]"。
special_tokens_in_strings：布尔值。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)

稠密输出。

>>> 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 .'

自定义拆分。

>>> 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']