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

BytePairTokenizer

`BytePairTokenizer` 类

keras_hub.tokenizers.BytePairTokenizer(
    vocabulary=None,
    merges=None,
    sequence_length=None,
    add_prefix_space=False,
    unsplittable_tokens=None,
    dtype="int32",
    **kwargs
)

字节对编码分词器层。

此 BPE 分词器提供与官方 GPT-2 分词器相同的功能。给定相同的将词元映射到 ID 的 vocabulary 和描述 BPE 合并规则的 merges，它应该提供与 OpenAI 实现 (https://github.com/openai/gpt-2/blob/master/src/encoder.py) 相同的输出。与 OpenAI 不同，此实现兼容图，因此您可以在 tf.data 流水线中使用它。

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参差不齐的。如果设置了 sequence_length，该层将输出一个密集 tf.Tensor，其中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，该层将输出一个形状为 [None] 的密集 tf.Tensor。如果设置了 sequence_length，输出将是一个形状为 [sequence_length] 的密集 tf.Tensor。

参数

vocabulary: 字符串或字典，将词元映射到整数 ID。如果是字符串，则应为 json 文件的路径。
merges：字符串或列表，包含合并规则。如果它是字符串，它应该是合并规则文件的路径。合并规则文件应该每行包含一个合并规则。
sequence_length：int。如果设置，输出将被填充或截断到 sequence_length。默认为 None。
add_prefix_space：bool。是否在输入中添加初始空格。此分词器是空格感知的，并且会以不同的方式对带前导空格的单词进行分词。在第一个单词前添加前缀空格将使其与序列中所有后续单词的分词方式相同。默认为 False。
unsplittable_tokens：list。一个字符串列表，它们在字节对编码之前应用的词级拆分期间永远不会被拆分。这可以用于确保特殊词元映射到词汇表中的唯一索引，即使这些特殊词元包含可拆分字符，例如标点符号。特殊词元仍必须包含在 vocabulary 中。默认为 None。

示例

分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

反分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']