Llama3Tokenizer

[来源]

Llama3Tokenizer 类

keras_nlp.tokenizers.Llama3Tokenizer(vocabulary=None, merges=None, **kwargs)

字节对编码分词器层。

此 BPE 分词器提供与官方 GPT-2 分词器相同的功能。在相同的 vocabulary（将词元映射到 ID）和 merges（描述 BPE 合并规则）下，它应该提供与 OpenAI 实现相同的输出（https://github.com/openai/gpt-2/blob/master/src/encoder.py）。与 OpenAI 不同，此实现与图兼容，因此您可以在 tf.data 管道中使用它。

如果输入是一批字符串（秩 > 0）：默认情况下，该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是参差不齐的。如果设置了 sequence_length，该层将输出一个密集的 tf.Tensor，其中所有输入都已填充或截断到 sequence_length。如果输入是标量字符串（秩 == 0）：默认情况下，该层将输出一个密集的 tf.Tensor，其静态形状为 [None]。如果设置了 sequence_length，输出将是一个密集的 tf.Tensor，形状为 [sequence_length]。

参数

• vocabulary: 字符串或字典，将词元映射到整数 ID。如果它是字符串，则应为指向 json 文件的文件路径。
• merges: 字符串或列表，包含合并规则。如果它是字符串，则应为指向合并规则的文件路径。合并规则文件应每行包含一条合并规则。
• sequence_length: 整数。如果设置，输出将填充或截断到 sequence_length。默认为 None。
• add_prefix_space: 布尔值。是否在输入中添加一个初始空格。此分词器是空格感知的，并且会以不同的方式对带有前导空格的词进行分词。在第一个词中添加前缀空格会导致它与序列中所有后续词进行等效分词。默认为 False。
• unsplittable_tokens: 列表。一个字符串列表，它们在字节对编码之前的词级别拆分期间永远不会被拆分。这可以用于确保特殊词元在词表中映射到唯一的索引，即使这些特殊词元包含可拆分的字符（如标点符号）。特殊词元仍必须包含在 vocabulary 中。默认为 None。

示例

分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

反分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[来源]

from_preset 方法

Llama3Tokenizer.from_preset(preset, **kwargs)

从模型预设实例化一个 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. 指向本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，您都可以运行 cls.presets.keys() 来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，返回对象的子类将从预设目录中的配置中推断出来。

参数

• preset: 字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄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，则权重将被随机初始化。

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])