CLIPTokenizer

[源代码]

CLIPTokenizer 类

keras_hub.tokenizers.CLIPTokenizer(
    vocabulary=None, merges=None, pad_with_end_token=False, **kwargs
)

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

此分词器类会将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同的是，它将检查 CLIP 模型所需的所有特殊 token，并提供了一个 from_preset() 方法，用于自动下载与 CLIP 预设相匹配的词汇表。

如果输入是字符串批次（rank > 0），层将输出一个 tf.RaggedTensor，其输出的最后一个维度是不规则的。

如果输入是标量字符串（rank == 0），层将输出一个密集（dense）的 tf.Tensor，静态形状为 [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的文件路径。合并规则文件应每行包含一条合并规则。每条合并规则都包含用空格分隔的合并实体。
• pad_with_end_token：布尔值。是否使用 end_token 填充输出。

示例

# Unbatched input.
tokenizer = keras_hub.models.CLIPTokenizer.from_preset(
    "clip_vit_base_patch32"
)
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."))

[源代码]

from_preset 方法

CLIPTokenizer.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 可以按以下任一方式传入：

1. 一个内置预设标识符，例如 'bert_base_en'
2. 一个 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Tokenizer 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调用。可以从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，或从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，返回对象的子类将从预设目录中的配置推断得出。

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 句柄或本地目录的路径。
• load_weights：布尔值。如果为 True，权重将被加载到模型架构中。如果为 False，权重将被随机初始化。

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])