Llama3Tokenizer

[源代码]

Llama3Tokenizer 类

keras_hub.tokenizers.Llama3Tokenizer(
    vocabulary=None,
    merges=None,
    bos_token="<|begin_of_text|>",
    eos_token="<|end_of_text|>",
    misc_special_tokens={"<|end_header_id|>", "<|start_header_id|>"},
    **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 vocabulary（将标记映射到 ID）和 merges（描述 BPE 合并规则），它应该提供与 OpenAI 实现相同的结果（https://github.com/openai/gpt-2/blob/master/src/encoder.py）。与 OpenAI 不同的是，此实现与图形兼容，因此您可以在 tf.data 管道中使用它。

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，其中输出的最后一维是不规则的。如果设置了 sequence_length，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，该层将输出一个密集的 tf.Tensor，其静态形状为 [None]。如果设置了 sequence_length，输出将是一个密集的 tf.Tensor，形状为 [sequence_length]。

参数

• vocabulary：字符串或字典，将标记映射到整数 ID。如果它是字符串，它应该是指向 json 文件的文件路径。
• merges：字符串或列表，包含合并规则。如果它是字符串，它应该是指向合并规则的文件路径。合并规则文件应每行包含一条合并规则。
• sequence_length：int。如果设置，输出将被填充或截断为 sequence_length。默认为 None。
• add_prefix_space：bool。是否在输入前面添加空格。此分词器是空格感知的，它会将带前导空格的单词进行不同的分词。在第一个单词前面添加前导空格将导致它与序列中所有后续单词的分词方式相同。默认为 False。
• unsplittable_tokens：列表。一个字符串列表，在字节对编码之前应用的词级拆分过程中永远不会被拆分。这可用于确保特殊标记映射到词表中的唯一索引，即使这些特殊标记包含可拆分的字符，例如标点符号。特殊标记仍必须包含在 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']

[源代码]

from_preset 方法

Llama3Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

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

预设是一个包含配置、权重和其他用于保存和加载预训练模型的文件资产的目录。preset 可以作为以下其中之一传递

1. 一个内置预设标识符，例如 'bert_base_en'
2. 一个 Kaggle 模型句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一个指向本地预设目录的路径，例如 './bert_base_en'

对于任何 Tokenizer 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调用。从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，或从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，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。一个内置预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄，或指向本地目录的路径。
• load_weights：bool。如果为 True，权重将加载到模型架构中。如果为 False，权重将被随机初始化。

示例

# Load a preset tokenizer.
tokenizer = keras_hub.tokenizer.Tokenizer.from_preset("bert_base_en")

# Tokenize some input.
tokenizer("The quick brown fox tripped.")

# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])