BloomTokenizer

[源码]

BloomTokenizer

keras_hub.tokenizers.BloomTokenizer(vocabulary=None, merges=None, **kwargs)

一个使用字节对编码(Byte-Pair Encoding)子词分割的 BLOOM 分词器。

此分词器类将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同,它会检查 BLOOM 模型所需的所有特殊 token,并提供一个 from_preset() 方法来自动下载 BLOOM 预设匹配的词汇表。

如果输入是一个字符串批次(维度 > 0),该层将输出一个 tf.RaggedTensor,其中输出的最后一维是不规则的。

如果输入是一个标量字符串(维度 == 0),该层将输出一个密集 tf.Tensor,具有静态形状 [None]

参数

  • vocabulary: 字符串或字典,将 token 映射到整数 id。如果它是字符串,则应为 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,则应为合并规则文件路径。合并规则文件应每行包含一个合并规则。每个合并规则包含由空格分隔的合并实体。

示例

# Unbatched input.
tokenizer = keras_hub.models.BloomTokenizer.from_preset("bloom_560m_multi")
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."))

# Custom vocabulary.
vocab = {"<s>": 0, "</s>": 1, "<pad>": 2, "a": 3, "Ġquick": 4, "Ġfox": 5}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.BloomTokenizer(vocabulary=vocab, merges=merges)
tokenizer("a quick fox.")

[源码]

from_preset 方法

BloomTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化一个 keras_hub.models.Tokenizer

预设是包含配置、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. 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. 本地预设目录路径,如 './bert_base_en'

对于任何 Tokenizer 子类,您都可以运行 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以下两种方式之一调用。要么从基类调用,如 keras_hub.models.Tokenizer.from_preset(),要么从模型类调用,如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用,返回对象的子类将根据预设目录中的配置进行推断。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: 布尔值。如果为 True,则将权重加载到模型架构中。如果为 False,则随机初始化权重。

示例

# Load a preset tokenizer.
tokenizer = keras_hub.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])
预设 参数 描述
bloom_560m_multi 559.21M 24 层 Bloom 模型,隐藏层维度为 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,隐藏层维度为 1024,在跨语言任务混合 (xP3) 数据集上微调。
bloom_1.1b_multi 1.07B 24 层 Bloom 模型,隐藏层维度为 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,隐藏层维度为 1536,在跨语言任务混合 (xP3) 数据集上微调。
bloom_1.7b_multi 1.72B 24 层 Bloom 模型,隐藏层维度为 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,隐藏层维度为 2048,在跨语言任务混合 (xP3) 数据集上微调。
bloom_3b_multi 3.00B 30 层 Bloom 模型,隐藏层维度为 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,隐藏层维度为 2560,在跨语言任务混合 (xP3) 数据集上微调。