► KerasHub：预训练模型 / API 文档 / 模型架构 / Bart / BartSeq2SeqLM 模型

BartSeq2SeqLM 模型

[来源]

BartSeq2SeqLM 类

keras_hub.models.BartSeq2SeqLM(backbone, preprocessor=None, **kwargs)

用于 seq2seq 语言建模的端到端 BART 模型。

seq2seq 语言模型 (LM) 是一种用于条件文本生成的编码器-解码器模型。编码器接收“上下文”文本（馈送到编码器），解码器基于编码器输入和先前的标记来预测下一个标记。您可以微调 BartSeq2SeqLM 以生成用于任何 seq2seq 任务（例如，翻译或摘要）的文本。

此模型具有 generate() 方法，该方法基于编码器输入和解码器的可选提示生成文本。使用的生成策略由传递给 compile() 的附加 sampler 参数控制。您可以使用不同的 keras_hub.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "top_k" 采样。

此模型可以选择使用 preprocessor 层进行配置，在这种情况下，它将在 fit()、predict()、evaluate() 和 generate() 期间自动将预处理应用于字符串输入。当使用 from_preset() 创建模型时，默认会执行此操作。

免责声明：预训练模型按“原样”提供，不提供任何形式的保证或条件。底层模型由第三方提供，并受单独许可协议的约束，许可协议请见此处。

参数

示例

使用 generate() 执行文本生成，给定输入上下文。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate("The quick brown fox", max_length=30)

# Generate with batched inputs.
bart_lm.generate(["The quick brown fox", "The whale"], max_length=30)

使用自定义采样器编译 generate() 函数。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.compile(sampler="greedy")
bart_lm.generate("The quick brown fox", max_length=30)

将 generate() 与编码器输入和不完整的解码器输入（提示）一起使用。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate(
    {
        "encoder_text": "The quick brown fox",
        "decoder_text": "The fast"
    }
)

在没有预处理的情况下使用 generate()。

# Preprocessed inputs, with encoder inputs corresponding to
# "The quick brown fox", and the decoder inputs to "The fast". Use
# `"padding_mask"` to indicate values that should not be overridden.
prompt = {
    "encoder_token_ids": np.array([[0, 133, 2119, 6219, 23602, 2, 1, 1]]),
    "encoder_padding_mask": np.array(
        [[1, 1, 1, 1, 1, 1, 0, 0]]
    ),
    "decoder_token_ids": np.array([[2, 0, 133, 1769, 2, 1, 1]]),
    "decoder_padding_mask": np.array([[1, 1, 1, 1, 0, 0]])
}

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset(
    "bart_base_en",
    preprocessor=None,
)
bart_lm.generate(prompt)

在单个批次上调用 fit()。

features = {
    "encoder_text": ["The quick fox jumped.", "I forgot my homework."],
    "decoder_text": ["The fast hazel fox leapt.", "I forgot my assignment."]
}
bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.fit(x=features, batch_size=2)

在没有预处理的情况下调用 fit()。

x = {
    "encoder_token_ids": np.array([[0, 133, 2119, 2, 1]] * 2),
    "encoder_padding_mask": np.array([[1, 1, 1, 1, 0]] * 2),
    "decoder_token_ids": np.array([[2, 0, 133, 1769, 2]] * 2),
    "decoder_padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[0, 133, 1769, 2, 1]] * 2)
sw = np.array([[1, 1, 1, 1, 0]] * 2)

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset(
    "bart_base_en",
    preprocessor=None,
)
bart_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自定义 backbone 和词汇表。

features = {
    "encoder_text": [" afternoon sun"],
    "decoder_text": ["noon sun"],
}
vocab = {
    "<s>": 0,
    "<pad>": 1,
    "</s>": 2,
    "Ġafter": 5,
    "noon": 6,
    "Ġsun": 7,
}
merges = ["Ġ a", "Ġ s", "Ġ n", "e r", "n o", "o n", "Ġs u", "Ġa f", "no on"]
merges += ["Ġsu n", "Ġaf t", "Ġaft er"]

tokenizer = keras_hub.models.BartTokenizer(
    vocabulary=vocab,
    merges=merges,
)
preprocessor = keras_hub.models.BartSeq2SeqLMPreprocessor(
    tokenizer=tokenizer,
    encoder_sequence_length=128,
    decoder_sequence_length=128,
)
backbone = keras_hub.models.BartBackbone(
    vocabulary_size=50265,
    num_layers=6,
    num_heads=12,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=128,
)
bart_lm = keras_hub.models.BartSeq2SeqLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
bart_lm.fit(x=features, batch_size=2)

[来源]

from_preset 方法

BartSeq2SeqLM.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Task。

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 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 Task 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。

此构造函数可以通过两种方式之一调用。可以从特定于任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。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 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: 布尔值。如果为 True，则保存的权重将加载到模型架构中。如果为 False，则所有权重都将随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
预设 参数 描述
bart_base_en 139.42M 6 层 BART 模型，其中保留了大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。
bart_large_en 406.29M 12 层 BART 模型，其中保留了大小写。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。
bart_large_en_cnn 406.29M 在 CNN+DM 摘要数据集上微调的 bart_large_en backbone 模型。

[来源]

generate 方法

BartSeq2SeqLM.generate(
    inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)

给定提示 inputs 生成文本。

此方法基于给定的 inputs 生成文本。用于生成的采样方法可以通过 compile() 方法设置。

如果 inputs 是 tf.data.Dataset，则输出将“逐批次”生成并连接。否则，所有输入都将作为单个批次处理。

如果模型附加了 preprocessor，则 inputs 将在 generate() 函数内部进行预处理，并且应与 preprocessor 层期望的结构（通常是原始字符串）匹配。如果未附加 preprocessor，则输入应与 backbone 期望的结构匹配。有关每种情况的演示，请参见上面的示例用法。

参数

  • inputs: python 数据、张量数据或 tf.data.Dataset。如果模型附加了 preprocessor，则 inputs 应与 preprocessor 层期望的结构匹配。如果未附加 preprocessor，则 inputs 应与 backbone 模型期望的结构匹配。
  • max_length: 可选。整数。生成序列的最大长度。将默认为 preprocessor 的最大配置 sequence_length。如果 preprocessor 为 None，则 inputs 应填充到所需的最大长度，并且将忽略此参数。
  • stop_token_ids: 可选。None、“auto”或标记 ID 元组。默认为“auto”，它使用 preprocessor.tokenizer.end_token_id。不指定处理器将产生错误。None 会在生成 max_length 个标记后停止生成。您还可以指定模型应停止的一系列标记 ID。请注意，标记序列都将被解释为停止标记，不支持多标记停止序列。
  • strip_prompt: 可选。默认情况下，generate() 返回完整的提示，后跟模型生成的完成文本。如果此选项设置为 True，则仅返回新生成的文本。

backbone 属性

keras_hub.models.BartSeq2SeqLM.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.BartSeq2SeqLM.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。

BartSeq2SeqLM 模型
BartSeq2SeqLM 类
from_preset 方法
generate 方法
backbone 属性
preprocessor 属性