► Keras 3 API 文档 / KerasNLP / 预训练模型 / Gemma / GemmaTokenizer

GemmaTokenizer

[来源]

GemmaTokenizer 类

keras_nlp.tokenizers.GemmaTokenizer(proto, **kwargs)

基于 SentencePiece 的 Gemma 分词器层。

此分词器类将原始字符串分词为整数序列，并基于 keras_nlp.tokenizers.SentencePieceTokenizer。与底层分词器不同，它将检查 Gemma 模型所需的所有特殊标记，并提供 from_preset() 方法以自动下载与 Gemma 预设匹配的词汇表。

如果输入是字符串批次（秩 > 0），则该层将输出一个 tf.RaggedTensor，其中输出的最后一维是不规则的。

如果输入是标量字符串（秩 == 0），则该层将输出一个密集的 tf.Tensor，其静态形状为 [None]。

参数

  • proto: string 类型，指向 SentencePiece proto 文件的路径，或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息，请参阅 SentencePiece 存储库。

示例

# Unbatched input.
tokenizer = keras_nlp.models.GemmaTokenizer.from_preset("gemma_2b_en")
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_nlp.models.GemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[来源]

from_preset 方法

GemmaTokenizer.from_preset(preset, **kwargs)

从模型预设实例化 keras_nlp.models.Tokenizer。

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 Models 处理程序，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 处理程序，如 'hf://user/bert_base_en'
  4. 指向本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，您可以运行 cls.presets.keys() 以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之一调用。要么从基类调用，如 keras_nlp.models.Tokenizer.from_preset()，要么从模型类调用，如 keras_nlp.models.GemmaTokenizer.from_preset()。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出来。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 处理程序、Hugging Face 处理程序或指向本地目录的路径。
  • load_weights: 布尔值。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

示例

# Load a preset tokenizer.
tokenizer = keras_nlp.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])
预设名称 参数 描述
gemma_2b_en 2.51B 20 亿参数，18 层，基础 Gemma 模型。
gemma_instruct_2b_en 2.51B 20 亿参数，18 层，指令微调的 Gemma 模型。
gemma_1.1_instruct_2b_en 2.51B 20 亿参数，18 层，指令微调的 Gemma 模型。1.1 更新提高了模型质量。
code_gemma_1.1_2b_en 2.51B 20 亿参数，18 层，CodeGemma 模型。此模型已在代码补全的中间填充（FIM）任务上训练。1.1 更新提高了模型质量。
code_gemma_2b_en 2.51B 20 亿参数，18 层，CodeGemma 模型。此模型已在代码补全的中间填充（FIM）任务上训练。
gemma_7b_en 8.54B 70 亿参数，28 层，基础 Gemma 模型。
gemma_instruct_7b_en 8.54B 70 亿参数，28 层，指令微调的 Gemma 模型。
gemma_1.1_instruct_7b_en 8.54B 70 亿参数，28 层，指令微调的 Gemma 模型。1.1 更新提高了模型质量。
code_gemma_7b_en 8.54B 70 亿参数，28 层，CodeGemma 模型。此模型已在代码补全的中间填充（FIM）任务上训练。
code_gemma_instruct_7b_en 8.54B 70 亿参数，28 层，指令微调的 CodeGemma 模型。此模型已针对与代码相关的聊天用例进行训练。
code_gemma_1.1_instruct_7b_en 8.54B 70 亿参数，28 层，指令微调的 CodeGemma 模型。此模型已针对与代码相关的聊天用例进行训练。1.1 更新提高了模型质量。
gemma2_2b_en 2.61B 20 亿参数，26 层，基础 Gemma 模型。
gemma2_instruct_2b_en 2.61B 20 亿参数，26 层，指令微调的 Gemma 模型。
gemma2_9b_en 9.24B 90 亿参数，42 层，基础 Gemma 模型。
gemma2_instruct_9b_en 9.24B 90 亿参数，42 层，指令微调的 Gemma 模型。
gemma2_27b_en 27.23B 270 亿参数，42 层，基础 Gemma 模型。
gemma2_instruct_27b_en 27.23B 270 亿参数，42 层，指令微调的 Gemma 模型。
shieldgemma_2b_en 2.61B 20 亿参数，26 层，ShieldGemma 模型。
shieldgemma_9b_en 9.24B 90 亿参数，42 层，ShieldGemma 模型。
shieldgemma_27b_en 27.23B 270 亿参数，42 层，ShieldGemma 模型。
GemmaTokenizer
GemmaTokenizer 类
from_preset 方法