► Keras 3 API 文档 / KerasHub / 预训练模型 / Bloom / BloomCausalLM 模型

BloomCausalLM 模型

[来源]

BloomCausalLM 类

keras_hub.models.BloomCausalLM(backbone, preprocessor=None, **kwargs)

用于因果语言建模的端到端 BLOOM 模型。

因果语言模型 (LM) 基于之前的标记预测下一个标记。这种任务设置可以用于在纯文本输入上无监督地训练模型，或自动回归地生成与训练数据类似的纯文本。此任务可用于预训练或微调 BLOOM 模型，只需调用 fit() 即可。

此模型具有 generate() 方法，该方法根据提示生成文本。用于生成的策略由 compile() 上的附加 sampler 参数控制。可以使用不同的 keras_hub.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "greedy" 采样。

此模型可以选择配置一个 preprocessor 层，在这种情况下，它会在 fit()、predict()、evaluate() 和 generate() 期间自动对字符串输入应用预处理。在使用 from_preset() 创建模型时，默认情况下会执行此操作。

参数

示例

使用 generate() 进行文本生成。

bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.generate("I want to say", max_length=30)

# Generate with batched prompts.
bloom_lm.generate(["This is a", "Where are you"], max_length=30)

使用自定义采样器编译 generate() 函数。

bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.compile(sampler="top_k")
bloom_lm.generate("I want to say", max_length=30)

bloom_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
bloom_lm.generate("I want to say", max_length=30)

使用 generate() 进行无预处理的生成。

prompt = {
    # Token ids for "<s> Keras is".
    "token_ids": np.array([[1, 46, 15762, 632, 3, 3, 3, 3, 3]] * 2),
    # Use `"padding_mask"` to indicate values that should not be overridden.
    "padding_mask": np.array([[1, 1, 1, 1, 0, 0, 0, 0, 0]] * 2),
}

bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
    "bloom_560m_multi",
    preprocessor=None,
)
bloom_lm.generate(prompt)

在单个批次上调用 fit()。

features = ["The quick brown fox jumped.", "I forgot my homework."]
bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.fit(x=features, batch_size=2)

调用 fit() 进行无预处理的训练。

x = {
    # Token ids for "<bos> Keras is deep learning library<eos>"
    "token_ids": np.array([[2, 214064, 603, 5271, 6044, 9581, 1, 0]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[214064, 603, 5271, 6044, 9581, 3, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 0, 0]] * 2)

bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
    "bloom_560m_multi",
    preprocessor=None,
)
bloom_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自定义骨干网络和词表。

features = [
    " airplane at airport",
    " airplane airport",
]
vocab = ["<unk>", "<s>", "</s>", "<pad>"]
vocab += ["!", "air", "Ġair", "plane", "Ġat", "port"]
vocab = dict([(token, i) for i, token in enumerate(vocab)])
merges = ["Ġ a", "Ġ t", "Ġ i", "Ġ b", "a i", "p l", "n e"]
merges += ["Ġa t", "p o", "r t", "Ġt h", "ai r", "pl a", "po rt"]
merges += ["Ġai r", "Ġa i", "pla ne"]
tokenizer = keras_hub.models.BloomTokenizer(vocabulary=vocab, merges=merges)
preprocessor = keras_hub.models.BloomCausalLMPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.BloomBackbone(
    vocabulary_size=tokenizer.vocabulary_size(),
    num_layers=4,
    num_heads=4,
    hidden_dim=32,
    intermediate_dim=128,
)
bloom_lm = keras_hub.models.BloomCausalLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
bloom_lm.fit(x=features, batch_size=2)

[来源]

from_preset 方法

BloomCausalLM.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Task。

预设是用于保存和加载预训练模型的配置文件、权重和其他文件资产的目录。preset 可以作为以下之一传递：

  1. 内置预设标识符，例如 'bert_base_en'
  2. Kaggle 模型句柄，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 Task 子类，您可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。

此构造函数可以通过两种方式之一调用。从任务特定的基类（例如 keras_hub.models.CausalLM.from_preset()）或从模型类（例如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

参数

  • preset：字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights：布尔值。如果为 True，将把保存的权重加载到模型架构中。如果为 False，所有权重将被随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
预设名称 参数 描述
bloom_560m_multi 559.21M 具有 1024 的隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。
bloom_1.1b_multi 1.07B 具有 1536 的隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。
bloom_1.7b_multi 1.72B 具有 2048 的隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。
bloom_3b_multi 3.00B 具有 2560 的隐藏维度的 30 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。
bloomz_560m_multi 559.21M 具有 1024 的隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。
bloomz_1.1b_multi 1.07B 具有 1536 的隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。
bloomz_1.7b_multi 1.72B 具有 2048 的隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。
bloomz_3b_multi 3.00B 具有 2560 的隐藏维度的 30 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。

[来源]

generate 方法

BloomCausalLM.generate(inputs, max_length=None, stop_token_ids="auto")

根据提示 inputs 生成文本。

此方法根据给定的 inputs 生成文本。用于生成的采样方法可以通过 compile() 方法设置。

如果 inputs 是 tf.data.Dataset，则将“逐批次”生成输出并进行连接。否则，所有输入将被视为单个批次处理。

如果模型附加了 preprocessor，则 inputs 将在 generate() 函数中进行预处理，并且应与 preprocessor 层期望的结构匹配（通常是原始字符串）。如果未附加 preprocessor，则输入应与 backbone 期望的结构匹配。有关每种情况的演示，请参阅上面的示例用法。

参数

  • inputs：python 数据、张量数据或 tf.data.Dataset。如果模型附加了 preprocessor，则 inputs 应与 preprocessor 层期望的结构匹配。如果未附加 preprocessor，则 inputs 应与 backbone 模型期望的结构匹配。
  • max_length：可选。int。生成的序列的最大长度。将默认为 preprocessor 配置的 sequence_length 的最大值。如果 preprocessor 为 None，则 inputs 应填充到所需的长度，并且将忽略此参数。
  • stop_token_ids：可选。None、"auto" 或令牌 ID 元组。默认为 "auto"，它使用 preprocessor.tokenizer.end_token_id。未指定处理器将产生错误。None 在生成 max_length 个令牌后停止生成。您还可以指定模型应停止的令牌 ID 列表。请注意，每个令牌序列都将被解释为停止令牌，不支持多令牌停止序列。

backbone 属性

keras_hub.models.BloomCausalLM.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.BloomCausalLM.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。

BloomCausalLM 模型
BloomCausalLM 类
from_preset 方法
generate 方法
backbone 属性
preprocessor 属性