► Keras 3 API 文档 / KerasHub / 预训练模型 / Llama / LlamaCausalLMPreprocessor 层

LlamaCausalLMPreprocessor 层

[源代码]

LlamaCausalLMPreprocessor 类

keras_hub.models.LlamaCausalLMPreprocessor(
    tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)

Llama 因果语言模型预处理器。

此预处理层旨在与 keras_hub.models.LlamaCausalLM 一起使用。默认情况下，它将接收字符串批次，并以 (x, y, sample_weight) 格式返回输出，其中 y 标签是 x 序列中的下一个标记 ID。

为了与生成一起使用，该层还公开了两种方法 generate_preprocess() 和 generate_postprocess()。当此预处理器附加到 keras_hub.models.LlamaCausalLM 实例时，这些方法将在 generate() 中隐式调用。它们也可以独立调用（例如，在单独的进程中预计算生成的前处理输入）。

参数

  • tokenizer：一个 keras_hub.models.LlamaTokenizer 实例。
  • sequence_length：打包输入的长度。
  • add_start_token：如果为 True，则预处理器将在每个输入序列之前添加分词器起始标记。默认为 True。
  • add_end_token：如果为 True，则预处理器将在每个输入序列之后添加分词器结束标记。默认为 False。

调用参数

  • x：字符串、tf.Tensor 或 Python 字符串列表。
  • y：标签数据。应始终为 None，因为该层会生成标签。
  • sample_weight：标签权重。应始终为 None，因为该层会生成标签权重。
  • sequence_length：传递以覆盖该层的配置 sequence_length。

示例

# Load the preprocessor from a preset.
preprocessor = keras_hub.models.LlamaCausalLMPreprocessor.from_preset(
    "llama_base_en"
)

# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")

# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])

# Map a dataset to preprocess a single sentence.
features = tf.constant(
    [
        "Avatar 2 is amazing!",
        "Well, I am not sure.",
    ]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

[源代码]

from_preset 方法

LlamaCausalLMPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化一个 keras_hub.models.Preprocessor。

预设是用于保存和加载预训练模型的配置、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，如 'bert_base_en'
  2. Kaggle 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

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

由于给定模型通常有多个预处理类，因此此方法应在特定子类上调用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

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。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设名称 参数 描述
llama2_7b_en 6.74B 70 亿参数、32 层、基础 LLaMA 2 模型。
llama2_7b_en_int8 6.74B 70 亿参数、32 层、基础 LLaMA 2 模型，其激活和权重量化为 int8。
llama2_instruct_7b_en 6.74B 70 亿参数、32 层、指令微调的 LLaMA 2 模型。
llama2_instruct_7b_en_int8 6.74B 70 亿参数、32 层、指令微调的 LLaMA 2 模型，其激活和权重量化为 int8。
vicuna_1.5_7b_en 6.74B 70 亿参数、32 层、指令微调的 Vicuna v1.5 模型。
llama3_8b_en 8.03B 80 亿参数、32 层、基础 LLaMA 3 模型。
llama3_8b_en_int8 8.03B 80 亿参数、32 层、基础 LLaMA 3 模型，其激活和权重量化为 int8。
llama3_instruct_8b_en 8.03B 80 亿参数、32 层、指令微调的 LLaMA 3 模型。
llama3_instruct_8b_en_int8 8.03B 80 亿参数、32 层、指令微调的 LLaMA 3 模型，其激活和权重量化为 int8。

tokenizer 属性

keras_hub.models.LlamaCausalLMPreprocessor.tokenizer

用于将字符串标记化的分词器。

LlamaCausalLMPreprocessor 层
LlamaCausalLMPreprocessor 类
from_preset 方法
tokenizer 属性