KerasHub：预训练模型
入门 开发者指南 API 文档 模型 API 模型架构 分词器 预处理层 模型层 采样器 指标 预训练模型列表
► KerasHub：预训练模型 / API文档 / 建模API / CausalLMPreprocessor

CausalLMPreprocessor

[源代码]

CausalLMPreprocessor 类

keras_hub.models.CausalLMPreprocessor(
    tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)

因果语言建模预处理层的基类。

CausalLMPreprocessor 任务包装一个 keras_hub.tokenizer.Tokenizer 来创建一个用于因果语言建模任务的预处理层。它旨在与 keras.models.CausalLM 任务配对使用。

所有 CausalLMPreprocessor 都接受单个输入。这可以是一个单独的字符串，也可以是字符串的批次。请参阅下面的示例。这些输入将被分词并填充/截断到固定的序列长度。

此层将始终输出一个 (x, y, sample_weight) 元组，其中 x 是一个包含分词后输入的字典，y 包含 x 中偏移 1 的分词，而 sample_weight 标记 y 中包含填充值的位置。x 的确切内容将根据所使用的模型而有所不同。

CausalLMPreprocessor 包含两个额外的方法：generate_preprocess 和 generate_postprocess，用于生成任务。请参阅下面的示例。

所有 CausalLMPreprocessor 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和词汇表。您可以直接在该基类上调用 from_preset() 构造函数，在这种情况下，将自动实例化适合您模型的正确类。

示例。

preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "bert_base_en_uncased",
    sequence_length=256, # Optional.
)

# Tokenize, mask and pack a single sentence.
x = "The quick brown fox jumped."
x, y, sample_weight = preprocessor(x)

# Tokenize and pad/truncate a batch of labeled sentences.
x = ["The quick brown fox jumped.", "Call me Ishmael."]
x, y, sample_weight = preprocessor(x)

# With a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices(x)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Generate preprocess and postprocess.
x = preprocessor.generate_preprocess(x)  # Tokenized numeric inputs.
x = preprocessor.generate_postprocess(x)  # Detokenized string outputs.

[源代码]

from_preset 方法

CausalLMPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)

从模型预设实例化一个 keras_hub.models.Preprocessor。

预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

  1. 一个内置的预设标识符，如 'bert_base_en'
  2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 一个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() 来列出该类上所有可用的内置预设。

由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

参数

  • preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
预设 参数 描述
bloom_560m_multi 559.21M 24 层 Bloom 模型，隐藏维度为 1024。在 45 种自然语言和 12 种编程语言上训练。
bloomz_560m_multi 559.21M 24 层 Bloom 模型，隐藏维度为 1024。在跨语言任务混合 (xP3) 数据集上进行微调。
bloom_1.1b_multi 1.07B 24 层 Bloom 模型，隐藏维度为 1536。在 45 种自然语言和 12 种编程语言上训练。
bloomz_1.1b_multi 1.07B 24 层 Bloom 模型，隐藏维度为 1536。在跨语言任务混合 (xP3) 数据集上进行微调。
bloom_1.7b_multi 1.72B 24 层 Bloom 模型，隐藏维度为 2048。在 45 种自然语言和 12 种编程语言上训练。
bloomz_1.7b_multi 1.72B 24 层 Bloom 模型，隐藏维度为 2048。在跨语言任务混合 (xP3) 数据集上进行微调。
bloom_3b_multi 3.00B 30 层 Bloom 模型，隐藏维度为 2560。在 45 种自然语言和 12 种编程语言上训练。
bloomz_3b_multi 3.00B 30 层 Bloom 模型，隐藏维度为 2560。在跨语言任务混合 (xP3) 数据集上进行微调。
clip_vit_base_patch16 149.62M 1.5 亿参数，视觉 12 层，文本 12 层，补丁大小 16 的 CLIP 模型。
clip_vit_base_patch32 151.28M 1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 CLIP 模型。
clip_vit_b_32_laion2b_s34b_b79k 151.28M 1.51 亿参数，视觉 12 层，文本 12 层，补丁大小 32 的 Open CLIP 模型。
clip_vit_large_patch14 427.62M 4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14 的 CLIP 模型。
clip_vit_large_patch14_336 427.94M 4.28 亿参数，视觉 24 层，文本 12 层，补丁大小 14，图像大小 336 的 CLIP 模型。
clip_vit_h_14_laion2b_s32b_b79k 986.11M 9.86 亿参数，视觉 32 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_g_14_laion2b_s12b_b42k 1.37B 14 亿参数，视觉 40 层，文本 24 层，补丁大小 14 的 Open CLIP 模型。
clip_vit_bigg_14_laion2b_39b_b160k 2.54B 25 亿参数，视觉 48 层，文本 32 层，补丁大小 14 的 Open CLIP 模型。
falcon_refinedweb_1b_en 1.31B 24 层 Falcon 模型（参数为 10 亿的 Falcon），在 RefinedWeb 数据集的 3500 亿个标记上训练。
vault_gemma_1b_en 1.04B 10 亿参数，26 层，VaultGemma 模型。
gemma_2b_en 25.1 亿 20 亿参数、18 层的 Gemma 基础模型。
gemma_instruct_2b_en 25.1 亿 20 亿参数、18 层的 Gemma 指令微调模型。
gemma_1.1_instruct_2b_en 25.1 亿 20 亿参数、18 层的 Gemma 指令微调模型。1.1 版本更新提高了模型质量。
code_gemma_1.1_2b_en 25.1 亿 20 亿参数、18 层的 CodeGemma 模型。此模型针对代码补全的“填充中间”(FIM) 任务进行了训练。1.1 版本更新提高了模型质量。
code_gemma_2b_en 25.1 亿 20 亿参数、18 层的 CodeGemma 模型。此模型针对代码补全的“填充中间”(FIM) 任务进行了训练。
gemma2_2b_en 26.1 亿 20 亿参数、26 层的 Gemma 基础模型。
gemma2_instruct_2b_en 26.1 亿 20 亿参数、26 层的 Gemma 指令微调模型。
shieldgemma_2b_en 26.1 亿 20 亿参数、26 层的 ShieldGemma 模型。
c2s_scale_gemma_2_2b_en 26.1 亿 一个 20 亿参数，基于 Gemma-2 架构构建的单细胞生物学感知模型。
gemma_7b_en 85.4 亿 70 亿参数、28 层的 Gemma 基础模型。
gemma_instruct_7b_en 85.4 亿 70 亿参数、28 层的 Gemma 指令微调模型。
gemma_1.1_instruct_7b_en 85.4 亿 70 亿参数、28 层的 Gemma 指令微调模型。1.1 版本更新提高了模型质量。
code_gemma_7b_en 85.4 亿 70 亿参数、28 层的 CodeGemma 模型。此模型针对代码补全的“填充中间”(FIM) 任务进行了训练。
code_gemma_instruct_7b_en 85.4 亿 70 亿参数、28 层的 CodeGemma 指令微调模型。此模型针对与代码相关的聊天用例进行了训练。
code_gemma_1.1_instruct_7b_en 85.4 亿 70 亿参数、28 层的 CodeGemma 指令微调模型。此模型针对与代码相关的聊天用例进行了训练。1.1 版本更新提高了模型质量。
gemma2_9b_en 92.4 亿 90 亿参数、42 层的 Gemma 基础模型。
gemma2_instruct_9b_en 92.4 亿 90 亿参数、42 层的 Gemma 指令微调模型。
shieldgemma_9b_en 92.4 亿 90 亿参数、42 层的 ShieldGemma 模型。
gemma2_27b_en 272.3 亿 270 亿参数、42 层的 Gemma 基础模型。
gemma2_instruct_27b_en 272.3 亿 270 亿参数、42 层的 Gemma 指令微调模型。
shieldgemma_27b_en 272.3 亿 270 亿参数、42 层的 ShieldGemma 模型。
c2s_scale_gemma_2_27b_en 272.3 亿 一个 270 亿参数，基于 Gemma-2 架构构建的单细胞生物学感知模型。
gemma3_270m 268.10M 2.7 亿参数（1.7 亿嵌入参数，1 亿 Transformer 参数）模型，18 层，纯文本模型，专为超高效 AI 设计，特别适合任务特定微调。
gemma3_instruct_270m 268.10M 2.7 亿参数（1.7 亿嵌入参数，1 亿 Transformer 参数）模型，18 层，纯文本模型，指令微调模型，专为超高效 AI 设计，特别适合任务特定微调。
gemma3_1b 999.89M 10 亿参数，26 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_1b 999.89M 10 亿参数，26 层，仅文本指令微调 Gemma3 模型。
gemma3_4b_text 3.88B 40 亿参数，34 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_4b_text 3.88B 40 亿参数，34 层，仅文本指令微调 Gemma3 模型。
gemma3_4b 4.30B 40 亿参数，34 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_4b 4.30B 40 亿参数，34 层，视觉+文本指令微调 Gemma3 模型。
gemma3_12b_text 11.77B 120 亿参数，48 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_12b_text 11.77B 120 亿参数，48 层，仅文本指令微调 Gemma3 模型。
gemma3_12b 12.19B 120 亿参数，48 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_12b 12.19B 120 亿参数，48 层，视觉+文本指令微调 Gemma3 模型。
gemma3_27b_text 27.01B 270 亿参数，62 层，仅文本预训练 Gemma3 模型。
gemma3_instruct_27b_text 27.01B 270 亿参数，62 层，仅文本指令微调 Gemma3 模型。
gemma3_27b 27.43B 270 亿参数，62 层，视觉+文本预训练 Gemma3 模型。
gemma3_instruct_27b 27.43B 270 亿参数，62 层，视觉+文本指令微调 Gemma3 模型。
gpt2_base_en 124.44M 12 层 GPT-2 模型，大小写保持不变。在 WebText 上训练。
gpt2_base_en_cnn_dailymail 124.44M 12 层 GPT-2 模型，大小写保持不变。在 CNN/DailyMail 摘要数据集上微调。
gpt2_medium_en 354.82M 24 层 GPT-2 模型，大小写保持不变。在 WebText 上训练。
gpt2_large_en 774.03M 36 层 GPT-2 模型，大小写保持不变。在 WebText 上训练。
gpt2_extra_large_en 1.56B 48 层 GPT-2 模型，大小写保持不变。在 WebText 上训练。
llama2_7b_en 6.74B 70 亿参数，32 层，基础 LLaMA 2 模型。
llama2_instruct_7b_en 6.74B 70 亿参数，32 层，指令微调 LLaMA 2 模型。
vicuna_1.5_7b_en 6.74B 70 亿参数，32 层，指令微调 Vicuna v1.5 模型。
llama2_7b_en_int8 6.74B 70 亿参数，32 层，基础 LLaMA 2 模型，激活和权重均量化为 int8。
llama2_instruct_7b_en_int8 6.74B 70 亿参数，32 层，指令微调 LLaMA 2 模型，激活和权重均量化为 int8。
llama3.2_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_1b 15.0 亿 10 亿参数、16 层的经过指令调优的 LLaMA 3.2 模型。
llama3.2_guard_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型，为同意安全分类进行了微调。
llama3.2_3b 36.1 亿 30 亿参数、26 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_3b 36.1 亿 30 亿参数、28 层的经过指令调优的 LLaMA 3.2 模型。
llama3_8b_en 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型。
llama3_instruct_8b_en 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型。
llama3.1_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 基础模型。
llama3.1_instruct_8b 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3.1 模型。
llama3.1_guard_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 模型，为同意安全分类进行了微调。
llama3_8b_en_int8 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型，其激活和权重被量化为 int8。
llama3_instruct_8b_en_int8 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型，其激活和权重被量化为 int8。
mistral_7b_en 72.4 亿 Mistral 7B 基础模型
mistral_instruct_7b_en 72.4 亿 Mistral 7B 指令模型
mistral_0.2_instruct_7b_en 72.4 亿 Mistral 7B instruct version 0.2 model
mistral_0.3_7b_en 7.25B Mistral 7B base version 0.3 model
mistral_0.3_instruct_7b_en 7.25B Mistral 7B instruct version 0.3 model
mixtral_8_7b_en 46.70B 32 层 Mixtral MoE 模型，具有 70 亿个活动参数和每个 MoE 层 8 个专家。
mixtral_8_instruct_7b_en 46.70B 指令微调 32 层 Mixtral MoE 模型，具有 70 亿个活动参数和每个 MoE 层 8 个专家。
opt_125m_en 125.24M 12 层 OPT 模型，大小写保持不变。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_1.3b_en 1.32B 24 层 OPT 模型，大小写保持不变。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_2.7b_en 2.70B 32 层 OPT 模型，大小写保持不变。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_6.7b_en 6.70B 32 层 OPT 模型，大小写保持不变。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
pali_gemma_3b_mix_224 2.92B 图像大小 224，混合微调，文本序列长度为 256
pali_gemma_3b_224 2.92B 图像大小 224，预训练，文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像大小 448，混合微调，文本序列长度为 512
pali_gemma_3b_448 2.92B 图像大小 448，预训练，文本序列长度为 512
pali_gemma_3b_896 2.93B 图像大小 896，预训练，文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_3b_224 3.03B 30 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在 DOCCI 数据集上进行微调，以改进具有细粒度细节的描述。
pali_gemma2_mix_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_3b_448 3.03B 30 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_3b_896 3.04B 30 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 2B 语言模型 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_10b_224 9.66B 100 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_10b_224 9.66B 100 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_ft_docci_10b_448 9.66B 100 亿参数，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在 DOCCI 数据集上进行微调，以改进具有细粒度细节的描述。
pali_gemma2_mix_10b_448 9.66B 100 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_10b_448 9.66B 100 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_10b_896 9.67B 100 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 9B 语言模型 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_28b_224 27.65B 280 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_mix_28b_448 27.65B 280 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在各种视觉语言任务和领域上进行微调。
pali_gemma2_pt_28b_224 27.65B 280 亿参数，图像大小 224，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_448 27.65B 280 亿参数，图像大小 448，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_896 27.65B 280 亿参数，图像大小 896，SigLIP-So400m 视觉编码器 27 层，Gemma2 27B 语言模型 46 层。此模型已在混合数据集上进行预训练。
parseq 23.83M 用于场景文本识别的排列自回归序列 (PARSeq) 基础模型。
phi3_mini_4k_instruct_en 3.82B 38 亿参数，32 层，4k 上下文长度，Phi-3 模型。该模型使用 Phi-3 数据集训练。该数据集包含合成数据和经过筛选的公开可用网站数据，重点关注高质量和推理密集型特性。
phi3_mini_128k_instruct_en 3.82B 38 亿参数，32 层，128k 上下文长度，Phi-3 模型。该模型使用 Phi-3 数据集训练。该数据集包含合成数据和经过筛选的公开可用网站数据，重点关注高质量和推理密集型特性。
qwen2.5_0.5b_en 494.03M 24 层 Qwen 模型，参数为 5 亿。
qwen2.5_instruct_0.5b_en 494.03M 指令微调 24 层 Qwen 模型，参数为 5 亿。
qwen2.5_3b_en 3.09B 36 层 Qwen 模型，参数为 31 亿。
qwen2.5_7b_en 6.99B 48 层 Qwen 模型，参数为 70 亿。
qwen2.5_instruct_32b_en 32.76B 指令微调 64 层 Qwen 模型，参数为 320 亿。
qwen2.5_instruct_72b_en 72.71B 指令微调 80 层 Qwen 模型，参数为 720 亿。
qwen3_0.6b_en 596.05M 28 层 Qwen3 模型，具有 5.96 亿参数，针对资源受限设备的效率和快速推理进行了优化。
qwen3_1.7b_en 1.72B 28 层 Qwen3 模型，具有 17.2 亿参数，在性能和资源使用之间取得了良好的平衡。
qwen3_4b_en 4.02B 36 层 Qwen3 模型，具有 40.2 亿参数，提供了比小型变体更强的推理能力和更好的性能。
qwen3_8b_en 8.19B 36 层 Qwen3 模型，具有 81.9 亿参数，具备增强的推理、编码和指令遵循能力。
qwen3_14b_en 14.77B 40 层 Qwen3 模型，具有 147.7 亿参数，具备先进的推理、编码和多语言能力。
qwen3_32b_en 32.76B 64 层 Qwen3 模型，具有 327.6 亿参数，在推理、编码和通用语言任务方面均达到最先进的性能。
qwen3_moe_30b_a3b_en 30.53B 混合专家 (MoE) 模型拥有 305 亿总参数，激活 33 亿参数，基于 48 层构建，并利用 32 个查询头和 4 个键/值注意力头，拥有 128 个专家（激活 8 个）。
qwen3_moe_235b_a22b_en 235.09B 混合专家 (MoE) 模型拥有 2350 亿总参数，激活 220 亿参数，基于 94 层构建，并利用 64 个查询头和 4 个键/值注意力头，拥有 128 个专家（激活 8 个）。
qwen1.5_moe_2.7b_en 14.32B 24 层 Qwen MoE 模型，具有 27 亿个活动参数和每个 MoE 层 8 个专家。
siglip_base_patch16_224 203.16M 2 亿参数，图像尺寸 224，在 WebLi 上预训练。
siglip_base_patch16_256 203.20M 2 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip_base_patch16_384 203.45M 2 亿参数，图像尺寸 384，在 WebLi 上预训练。
siglip_base_patch16_512 203.79M 2 亿参数，图像尺寸 512，在 WebLi 上预训练。
siglip_base_patch16_256_multilingual 370.63M 3.7 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch16_224 375.19M 3.75 亿参数，补丁大小 16，图像尺寸 224，在 WebLi 上预训练。
siglip2_base_patch16_256 375.23M 3.75 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch32_256 376.86M 3.76 亿参数，补丁大小 32，图像尺寸 256，在 WebLi 上预训练。
siglip2_base_patch16_384 376.86M 3.76 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。
siglip_large_patch16_256 652.15M 6.52 亿参数，图像尺寸 256，在 WebLi 上预训练。
siglip_large_patch16_384 652.48M 6.52 亿参数，图像尺寸 384，在 WebLi 上预训练。
siglip_so400m_patch14_224 877.36M 8.77 亿参数，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip_so400m_patch14_384 877.96M 8.77 亿参数，图像尺寸 384，形状优化版本，在 WebLi 上预训练。
siglip2_large_patch16_256 881.53M 8.81 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_large_patch16_384 881.86M 8.81 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。
siglip2_large_patch16_512 882.31M 8.82 亿参数，补丁大小 16，图像尺寸 512，在 WebLi 上预训练。
siglip_so400m_patch16_256_i18n 1.13B 11 亿参数，图像尺寸 256，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch14_224 1.14B 11 亿参数，补丁大小 14，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_256 1.14B 11 亿参数，补丁大小 16，图像尺寸 256，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch14_384 1.14B 11 亿参数，补丁大小 14，图像尺寸 224，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_384 1.14B 11 亿参数，补丁大小 16，图像尺寸 384，形状优化版本，在 WebLi 上预训练。
siglip2_so400m_patch16_512 1.14B 11 亿参数，补丁大小 16，图像尺寸 512，形状优化版本，在 WebLi 上预训练。
siglip2_giant_opt_patch16_256 1.87B 18 亿参数，补丁大小 16，图像尺寸 256，在 WebLi 上预训练。
siglip2_giant_opt_patch16_384 1.87B 18 亿参数，补丁大小 16，图像尺寸 384，在 WebLi 上预训练。

[源代码]

save_to_preset 方法

CausalLMPreprocessor.save_to_preset(preset_dir)

将预处理器保存到预设目录。

参数

  • preset_dir：本地模型预设目录的路径。

tokenizer 属性

keras_hub.models.CausalLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

CausalLMPreprocessor
CausalLMPreprocessor 类
from_preset 方法
save_to_preset 方法
tokenizer 属性