因果语言模型 (CausalLM)
CausalLM 类
keras_nlp.models.CausalLM()
生成语言建模任务的基类。
CausalLM 任务封装了一个 keras_nlp.models.Backbone 和一个 keras_nlp.models.Preprocessor，以创建一个可用于生成和生成式微调的模型。
CausalLM 任务提供了一个额外的、更高级别的 generate() 函数，该函数可用于使用字符串输入、字符串输出签名逐个标记自动回归地对模型进行采样。所有 CausalLM 类的 compile() 方法包含一个额外的 sampler 参数，该参数可用于传递一个 keras_nlp.samplers.Sampler 来控制如何对预测的分布进行采样。
在调用 fit() 时，标记化的输入将使用应用的因果掩码逐个标记进行预测，这为控制推理时生成提供了预训练和监督微调设置。
所有 CausalLM 任务都包含一个 from_preset() 构造函数，该构造函数可用于加载预训练的配置和权重。
示例
# Load a GPT2 backbone with pre-trained weights.
causal_lm = keras_nlp.models.CausalLM.from_preset(
"gpt2_base_en",
)
causal_lm.compile(sampler="top_k")
causal_lm.generate("Keras is a", max_length=64)
# Load a Mistral instruction tuned checkpoint at bfloat16 precision.
causal_lm = keras_nlp.models.CausalLM.from_preset(
"mistral_instruct_7b_en",
dtype="bfloat16",
)
causal_lm.compile(sampler="greedy")
causal_lm.generate("Keras is a", max_length=64)
from_preset 方法
CausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_nlp.models.Task。
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 Task 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
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_nlp.models.CausalLM.from_preset()）或从模型类（例如 keras_nlp.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得出。
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，则保存的权重将加载到模型架构中。如果为False，则所有权重都将随机初始化。
示例
# Load a Gemma generative task.
causal_lm = keras_nlp.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_nlp.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
compile 方法
CausalLM.compile(
optimizer="auto", loss="auto", weighted_metrics="auto", sampler="top_k", **kwargs
)
配置 CausalLM 任务以进行训练和生成。
CausalLM 任务扩展了 keras.Model.compile 的默认编译签名，其中包含 optimizer、loss 和 weighted_metrics 的默认值。要覆盖这些默认值，请在编译期间将任何值传递给这些参数。
CausalLM 任务向 compile 添加了一个新的 sampler，该 sampler 可用于控制与 generate 函数一起使用的采样策略。
请注意，由于训练输入包含从损失中排除的填充标记，因此几乎总是一个好主意使用 weighted_metrics 而不是 metrics 进行编译。
参数
- optimizer：
"auto"、优化器名称或keras.Optimizer实例。默认为"auto"，它使用给定模型和任务的默认优化器。有关可能的optimizer值的更多信息，请参阅keras.Model.compile和keras.optimizers。 - loss：
"auto"、损失名称或keras.losses.Loss实例。默认为"auto"，其中将为标记分类CausalLM任务应用keras.losses.SparseCategoricalCrossentropy损失。有关可能的loss值的更多信息，请参阅keras.Model.compile和keras.losses。 - weighted_metrics：
"auto"或模型在训练和测试期间要评估的指标列表。默认为"auto"，其中将应用keras.metrics.SparseCategoricalAccuracy以跟踪模型在猜测掩码标记值时的准确性。有关可能的weighted_metrics值的更多信息，请参阅keras.Model.compile和keras.metrics。 - sampler：采样器名称或
keras_nlp.samplers.Sampler实例。配置在generate()调用期间使用的采样方法。有关内置采样策略的完整列表，请参阅keras_nlp.samplers。 - **kwargs：有关编译方法支持的参数的完整列表，请参阅
keras.Model.compile。
generate 方法
CausalLM.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，则输出将“批次到批次”生成并连接。否则，所有输入都将作为单个批次处理。
如果将 preprocessor 附加到模型，则 inputs 将在 generate() 函数内部进行预处理，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。有关每个演示，请参阅上面的示例用法。
参数
- inputs：Python 数据、张量数据或
tf.data.Dataset。如果将preprocessor附加到模型，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。整数。生成序列的最大长度。将默认为
preprocessor配置的sequence_length最大值。如果preprocessor为None，则inputs应填充到所需的最大长度，并且此参数将被忽略。 - stop_token_ids：可选。
None、“auto”或标记 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个标记后停止生成。您还可以指定模型应停止的标记 ID 列表。请注意，每个标记序列都将被解释为停止标记，不支持多标记停止序列。
save_to_preset 方法
CausalLM.save_to_preset(preset_dir)
将任务保存到预设目录。
参数
- preset_dir：本地模型预设目录的路径。
preprocessor 属性
keras_nlp.models.CausalLM.preprocessor
用于预处理输入的 keras_nlp.models.Preprocessor 层。
backbone 属性
keras_nlp.models.CausalLM.backbone
具有核心架构的 keras_nlp.models.Backbone 模型。