BartSeq2SeqLM 模型
BartSeq2SeqLM 类
keras_nlp.models.BartSeq2SeqLM(backbone, preprocessor=None, **kwargs)
用于序列到序列语言建模的端到端 BART 模型。
序列到序列语言模型 (LM) 是一种编码器-解码器模型，用于条件文本生成。编码器接收“上下文”文本（输入到编码器），解码器根据编码器输入和之前的标记预测下一个标记。您可以微调 BartSeq2SeqLM 以生成任何序列到序列任务（例如，翻译或摘要）的文本。
此模型具有一个 generate() 方法，该方法根据编码器输入和解码器的可选提示生成文本。使用的生成策略由传递给 compile() 的附加 sampler 参数控制。您可以使用不同的 keras_nlp.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "top_k" 采样。
此模型可以选择配置一个 preprocessor 层，在这种情况下，它将在 fit()、predict()、evaluate() 和 generate() 期间自动对字符串输入进行预处理。使用 from_preset() 创建模型时，默认情况下会执行此操作。
免责声明：预训练模型按“现状”提供，不提供任何形式的保证或条件。基础模型由第三方提供，并受单独许可的约束，可在 此处 获取。
参数
- backbone：一个
keras_nlp.models.BartBackbone实例。 - preprocessor：一个
keras_nlp.models.BartSeq2SeqLMPreprocessor或None。如果为None，则此模型不会应用预处理，并且应在调用模型之前预处理输入。
示例
使用 generate() 进行文本生成，给定输入上下文。
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate("The quick brown fox", max_length=30)
# Generate with batched inputs.
bart_lm.generate(["The quick brown fox", "The whale"], max_length=30)
使用自定义采样器编译 generate() 函数。
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.compile(sampler="greedy")
bart_lm.generate("The quick brown fox", max_length=30)
使用 generate() 以及编码器输入和不完整的解码器输入（提示）。
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate(
{
"encoder_text": "The quick brown fox",
"decoder_text": "The fast"
}
)
在不进行预处理的情况下使用 generate()。
# Preprocessed inputs, with encoder inputs corresponding to
# "The quick brown fox", and the decoder inputs to "The fast". Use
# `"padding_mask"` to indicate values that should not be overridden.
prompt = {
"encoder_token_ids": np.array([[0, 133, 2119, 6219, 23602, 2, 1, 1]]),
"encoder_padding_mask": np.array(
[[True, True, True, True, True, True, False, False]]
),
"decoder_token_ids": np.array([[2, 0, 133, 1769, 2, 1, 1]]),
"decoder_padding_mask": np.array([[True, True, True, True, False, False]])
}
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset(
"bart_base_en",
preprocessor=None,
)
bart_lm.generate(prompt)
在一个批次上调用 fit()。
features = {
"encoder_text": ["The quick brown fox jumped.", "I forgot my homework."],
"decoder_text": ["The fast hazel fox leapt.", "I forgot my assignment."]
}
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.fit(x=features, batch_size=2)
在不进行预处理的情况下调用 fit()。
x = {
"encoder_token_ids": np.array([[0, 133, 2119, 2, 1]] * 2),
"encoder_padding_mask": np.array([[1, 1, 1, 1, 0]] * 2),
"decoder_token_ids": np.array([[2, 0, 133, 1769, 2]] * 2),
"decoder_padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[0, 133, 1769, 2, 1]] * 2)
sw = np.array([[1, 1, 1, 1, 0]] * 2)
bart_lm = keras_nlp.models.BartSeq2SeqLM.from_preset(
"bart_base_en",
preprocessor=None,
)
bart_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义骨干网络和词汇表。
features = {
"encoder_text": [" afternoon sun"],
"decoder_text": ["noon sun"],
}
vocab = {
"<s>": 0,
"<pad>": 1,
"</s>": 2,
"Ġafter": 5,
"noon": 6,
"Ġsun": 7,
}
merges = ["Ġ a", "Ġ s", "Ġ n", "e r", "n o", "o n", "Ġs u", "Ġa f", "no on"]
merges += ["Ġsu n", "Ġaf t", "Ġaft er"]
tokenizer = keras_nlp.models.BartTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_nlp.models.BartSeq2SeqLMPreprocessor(
tokenizer=tokenizer,
encoder_sequence_length=128,
decoder_sequence_length=128,
)
backbone = keras_nlp.models.BartBackbone(
vocabulary_size=50265,
num_layers=6,
num_heads=12,
hidden_dim=768,
intermediate_dim=3072,
max_sequence_length=128,
)
bart_lm = keras_nlp.models.BartSeq2SeqLM(
backbone=backbone,
preprocessor=preprocessor,
)
bart_lm.fit(x=features, batch_size=2)
from_preset 方法
BartSeq2SeqLM.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（如 keras_nlp.models.CausalLM.from_preset()）或从模型类（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,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| bart_base_en | 139.42M | 6 层 BART 模型，保留大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
| bart_large_en | 406.29M | 12 层 BART 模型，保留大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
| bart_large_en_cnn | 406.29M | 在 CNN+DM 摘要数据集上微调的 bart_large_en 骨干模型。 |
generate 方法
BartSeq2SeqLM.generate(inputs, max_length=None, stop_token_ids="auto")
给定提示 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 是一个 tf.data.Dataset，则输出将“逐批”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。默认为
preprocessor的最大配置sequence_length。如果preprocessor为None，则inputs应填充到所需的最大长度，并且将忽略此参数。 - 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，标记序列将分别解释为停止标记，不支持多标记停止序列。
backbone 属性
keras_nlp.models.BartSeq2SeqLM.backbone
具有核心架构的 keras_nlp.models.Backbone 模型。
preprocessor 属性
keras_nlp.models.BartSeq2SeqLM.preprocessor
用于预处理输入的 keras_nlp.models.Preprocessor 层。