LlamaTokenizer

[来源]

LlamaTokenizer 类

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

基于 SentencePiece 的 Llama 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 Llama 模型所需的所有特殊标记，并提供一个 from_preset() 方法来自动下载与 Llama 预设匹配的词汇表。

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

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

参数

• proto: SentencePiece proto 文件的 string 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.LlamaTokenizer.from_preset(
    "llama_7b_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."))

[来源]

from_preset 方法

LlamaTokenizer.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 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

此构造函数可以以两种方式之一调用。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: string. 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: bool. 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])