CLIPPreprocessor

[源代码]

CLIPPreprocessor

keras_hub.models.CLIPPreprocessor(
    tokenizer,
    sequence_length=77,
    add_start_token=True,
    add_end_token=True,
    to_lower=True,
    **kwargs
)

CLIP 预处理层,用于对输入进行分词和打包。

此预处理层将执行 2 项操作

  • 使用 tokenizer 对输入进行分词。
  • 构造一个包含键 "token_ids""padding_mask" 的字典。

此层可以直接与 tf.data.Dataset.map 结合使用,以预处理 keras.Model.fit 使用的 (x, y, sample_weight) 格式的字符串数据。

此层的调用方法接受三个参数:xysample_weightx 可以是表示单个段的 Python 字符串或张量,表示一批单个段的 Python 字符串列表,或表示要打包在一起的多个段的张量列表。ysample_weight 都是可选的,可以有任何格式,并且将原样传递。

CLIPPreprocessor 强制输入只有一个段,因为 CLIP 主要用于生成任务。对于具有多段输入(如“glue/mnli”)的任务,请使用为分类目的设计的模型,例如 BERT 或 RoBERTa。

参数

  • tokenizer:一个 keras_hub.models.CLIPTokenizer 实例。
  • sequence_length:打包输入的长度。
  • add_start_token:如果为 True,预处理器将在每个输入序列前添加分词器的起始词元。
  • add_end_token:如果为 True,预处理器将在每个输入序列后附加分词器的结束词元。
  • to_lower:布尔值。是否将输入转换为小写。

调用参数

  • x:字符串、tf.Tensor 或 Python 字符串列表。
  • y:任何标签数据。将原样传递。
  • sample_weight:任何标签权重数据。将原样传递。
  • sequence_length:传递此参数以覆盖该层已配置的 sequence_length

[源代码]

from_preset 方法

CLIPPreprocessor.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",
)

tokenizer 属性

keras_hub.models.CLIPPreprocessor.tokenizer

用于对字符串进行分词的分词器。