GPT2CausalLMPreprocessor 层
GPT2CausalLMPreprocessor 类
keras_nlp.models.GPT2CausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
GPT2 因果语言模型预处理器。
此预处理层旨在与 keras_nlp.models.GPT2CausalLM 一起使用。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。
为了用于生成，该层还公开了两种方法 generate_preprocess() 和 generate_postprocess()。当此预处理器附加到 keras_nlp.models.GPT2CausalLM 实例时，这些方法将在 generate() 中隐式调用。它们也可以单独调用（例如，在单独的进程中预计算生成预处理输入）。
参数
- tokenizer：一个
keras_nlp.models.GPT2Tokenizer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之前添加分词器起始 token。 - add_end_token：如果为
True，则预处理器将在每个输入序列之后添加分词器结束 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：传递以覆盖层的配置
sequence_length。
示例
# Load the preprocessor from a preset.
preprocessor = keras_nlp.models.GPT2CausalLMPreprocessor.from_preset(
"gpt2_base_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
GPT2CausalLMPreprocessor.from_preset(preset, **kwargs)
从模型预设实例化一个 keras_nlp.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，如
'bert_base_en' - Kaggle 模型句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 本地预设目录的路径，如
'./bert_base_en'
对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 来列出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_nlp.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_nlp.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_nlp.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| gpt2_base_en | 124.44M | 12 层 GPT-2 模型，保留大小写。在 WebText 上训练。 |
| gpt2_medium_en | 354.82M | 24 层 GPT-2 模型，保留大小写。在 WebText 上训练。 |
| gpt2_large_en | 774.03M | 36 层 GPT-2 模型，保留大小写。在 WebText 上训练。 |
| gpt2_extra_large_en | 1.56B | 48 层 GPT-2 模型，保留大小写。在 WebText 上训练。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 12 层 GPT-2 模型，保留大小写。在 CNN/DailyMail 摘要数据集上微调。 |
generate_preprocess 方法
GPT2CausalLMPreprocessor.generate_preprocess(x, sequence_length=None)
将字符串转换为用于生成的整数 token 输入。
类似于调用训练层，此方法接收字符串或张量字符串，对输入进行标记和打包，并计算一个填充掩码，掩盖所有未填充填充值的输入。
与调用训练层不同，此方法不计算标签，并且永远不会在序列末尾附加 tokenizer.end_token_id（因为预计生成将在输入提示的末尾继续）。
generate_postprocess 方法
GPT2CausalLMPreprocessor.generate_postprocess(x)
将整数 token 输出转换为用于生成的字符串。
此方法反转 generate_preprocess()，首先删除所有填充和起始/结束 token，然后将整数序列转换回字符串。
tokenizer 属性
keras_nlp.models.GPT2CausalLMPreprocessor.tokenizer
用于对字符串进行标记的分词器。