BloomCausalLM 类keras_hub.models.BloomCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 BLOOM 模型。
因果语言模型 (LM) 基于之前的词元预测下一个词元。此任务设置可用于在纯文本输入上无监督地训练模型，或自动回归地生成与训练数据相似的纯文本。只需调用 fit() 即可使用此任务对 BLOOM 模型进行预训练或微调。
此模型有一个 generate() 方法，可根据提示生成文本。使用的生成策略由 compile() 方法上的附加 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过程。默认情况下，将使用 "greedy" 采样。
此模型可选择配置一个 preprocessor 层，在这种情况下，它将在 fit()、predict()、evaluate() 和 generate() 期间自动对字符串输入应用预处理。使用 from_preset() 创建模型时，默认情况下会执行此操作。
参数
keras_hub.models.BloomBackbone 的实例。keras_hub.models.BloomCausalLMPreprocessor 或 None。如果为 None，此模型将不应用预处理，输入应在调用模型前进行预处理。示例
使用 generate() 进行文本生成。
bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
bloom_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate() 方法。
bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.compile(sampler="top_k")
bloom_lm.generate("I want to say", max_length=30)
bloom_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
bloom_lm.generate("I want to say", max_length=30)
在不进行预处理的情况下使用 generate()。
prompt = {
# Token ids for "<s> Keras is".
"token_ids": np.array([[1, 46, 15762, 632, 3, 3, 3, 3, 3]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 1, 0, 0, 0, 0, 0]] * 2),
}
bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
"bloom_560m_multi",
preprocessor=None,
)
bloom_lm.generate(prompt)
在单个批次上调用 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.fit(x=features, batch_size=2)
在不进行预处理的情况下调用 fit()。
x = {
# Token ids for "<bos> Keras is deep learning library<eos>"
"token_ids": np.array([[2, 214064, 603, 5271, 6044, 9581, 1, 0]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[214064, 603, 5271, 6044, 9581, 3, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 0, 0]] * 2)
bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
"bloom_560m_multi",
preprocessor=None,
)
bloom_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义 backbone 和词汇表。
features = [
" airplane at airport",
" airplane airport",
]
vocab = ["<unk>", "<s>", "</s>", "<pad>"]
vocab += ["!", "air", "Ġair", "plane", "Ġat", "port"]
vocab = dict([(token, i) for i, token in enumerate(vocab)])
merges = ["Ġ a", "Ġ t", "Ġ i", "Ġ b", "a i", "p l", "n e"]
merges += ["Ġa t", "p o", "r t", "Ġt h", "ai r", "pl a", "po rt"]
merges += ["Ġai r", "Ġa i", "pla ne"]
tokenizer = keras_hub.models.BloomTokenizer(vocabulary=vocab, merges=merges)
preprocessor = keras_hub.models.BloomCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.BloomBackbone(
vocabulary_size=tokenizer.vocabulary_size(),
num_layers=4,
num_heads=4,
hidden_dim=32,
intermediate_dim=128,
)
bloom_lm = keras_hub.models.BloomCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
bloom_lm.fit(x=features, batch_size=2)
from_preset 方法BloomCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 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 可以是以下任一形式：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./bert_base_en'对于任何 Task 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。
此构造函数可以通过以下两种方式之一调用。可以从任务特定的基类调用，例如 keras_hub.models.CausalLM.from_preset()，也可以从模型类调用，例如 keras_hub.models.BertTextClassifier.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
True，则会将保存的权重加载到模型架构中。如果为 False，所有权重将随机初始化。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 |
|---|---|---|
| bloom_560m_multi | 559.21M | 具有 1024 隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。 |
| bloomz_560m_multi | 559.21M | 具有 1024 隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。 |
| bloom_1.1b_multi | 1.07B | 具有 1536 隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。 |
| bloomz_1.1b_multi | 1.07B | 具有 1536 隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。 |
| bloom_1.7b_multi | 1.72B | 具有 2048 隐藏维度的 24 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。 |
| bloomz_1.7b_multi | 1.72B | 具有 2048 隐藏维度的 24 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。 |
| bloom_3b_multi | 3.00B | 具有 2560 隐藏维度的 30 层 Bloom 模型。在 45 种自然语言和 12 种编程语言上训练。 |
| bloomz_3b_multi | 3.00B | 具有 2560 隐藏维度的 30 层 Bloom 模型。在跨语言任务混合 (xP3) 数据集上微调。 |
generate 方法BloomCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
给定提示 inputs 生成文本。
此方法根据给定的 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 是一个 tf.data.Dataset，输出将“按批次”生成并拼接。否则，所有输入都将作为单个批次处理。
如果模型附带 preprocessor，则 inputs 将在 generate() 方法内部进行预处理，并且应与 preprocessor 层期望的结构匹配（通常是原始字符串）。如果未附带 preprocessor，则输入应与 backbone 期望的结构匹配。请参阅上面的示例用法了解每种情况的演示。
参数
tf.data.Dataset。如果模型附带 preprocessor，则 inputs 应与 preprocessor 层期望的结构匹配。如果未附带 preprocessor，则 inputs 应与 backbone 模型期望的结构匹配。preprocessor 配置的最大 sequence_length。如果 preprocessor 为 None，inputs 应填充到期望的最大长度，并且此参数将被忽略。None、“auto”或词元 ID 元组。默认为“auto”，使用 preprocessor.tokenizer.end_token_id。未指定预处理器将导致错误。None 在生成 max_length 个词元后停止生成。您还可以指定模型应停止的词元 ID 列表。请注意，词元序列中的每个词元都将被解释为一个停止词元，不支持多词元停止序列。backbone 属性keras_hub.models.BloomCausalLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.BloomCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。