OPTCausalLMPreprocessor 层
OPTCausalLMPreprocessor 类
keras_hub.models.OPTCausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
OPT 因果语言模型预处理器。
此预处理层主要用于 keras_hub.models.OPTCausalLM。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 token ID。若要用于生成，请传递 return_labels=False，在这种情况下，输出将仅是编码后的字符串特征。
参数
- tokenizer: 一个
keras_hub.models.OPTTokenizer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前添加分词器起始 token。 - add_end_token: 如果为
True，则预处理器将在每个输入序列后添加分词器结束 token。
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。 - add_start_token: 传递以覆盖该层上
add_start_token的配置值。 - add_end_token: 传递以覆盖该层上
add_end_token的配置值。 - return_labels: 如果为
True，则输出"token_ids"将偏移一个并作为标签返回。如果为False，则仅返回特征。
示例
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.OPTCausalLMPreprocessor.from_preset(
"opt_125m_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)
from_preset 方法
OPTCausalLMPreprocessor.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：
- 内置预设标识符，例如
'bert_base_en' - Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./bert_base_en'
对于任何 Preprocessor 子类，您都可以运行 cls.presets.keys() 来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 |
|---|---|---|
| opt_125m_en | 125.24M | 12 层 OPT 模型，其中保留大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_1.3b_en | 1.32B | 24 层 OPT 模型，其中保留大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_2.7b_en | 2.70B | 32 层 OPT 模型，其中保留大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_6.7b_en | 6.70B | 32 层 OPT 模型，其中保留大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
tokenizer 属性
keras_hub.models.OPTCausalLMPreprocessor.tokenizer
用于将字符串分词成 token 的分词器。