FalconCausalLM 类keras_hub.models.FalconCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 Falcon 模型。
因果语言模型 (LM) 根据先前的标记预测下一个标记。这种任务设置可用于在纯文本输入上无监督地训练模型，或自动回归地生成类似于用于训练的数据的纯文本。通过简单地调用 fit()，此任务可用于预训练或微调 Falcon 模型。
此模型有一个 generate() 方法，它根据提示生成文本。用于生成的策略由 compile() 上的附加 sampler 参数控制。您可以使用不同的 keras_hub.samplers 对象重新编译模型来控制生成。默认情况下，将使用 "greedy" 采样。
此模型可以选择配置一个 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，默认执行此操作。
参数
keras_hub.models.FalconBackbone 实例。keras_hub.models.FalconCausalLMPreprocessor 或 None。如果为 None，此模型将不应用预处理，输入应在调用模型之前进行预处理。示例
使用 generate() 进行文本生成。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
falcon_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate() 函数。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.compile(sampler="top_k")
falcon_lm.generate("I want to say", max_length=30)
falcon_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
falcon_lm.generate("I want to say", max_length=30)
不使用预处理调用 generate()。
prompt = {
# Token ids for
# "<|endoftext|> Keras is".
"token_ids": np.array([[50256, 17337, 292, 318]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 1]] * 2),
}
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.generate(prompt)
在单个批次上调用 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.fit(x=features, batch_size=2)
不使用预处理调用 fit()。
x = {
# Token ids for
# "<|endoftext|> Keras is deep learning library<|endoftext|>"
"token_ids": np.array(
[[50256, 17337, 292, 318, 2769,4673,5888, 50256, 0]] * 2
),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[17337, 292, 318, 2769, 4673, 5888, 50256, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 1, 0, 0]] * 2)
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义 backbone 和词汇表。
vocab = {"<|endoftext|>": 0, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.FalconTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.FalconCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.FalconBackbone(
vocabulary_size=50304,
num_layers=24,
num_attention_heads=64,
hidden_dim=2048,
intermediate_dim=4*2048,
)
falcon_lm = keras_hub.models.FalconCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
falcon_lm.fit(x=features, batch_size=2)
from_preset 方法FalconCausalLM.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文件、权重和其他文件资产的目录。preset 可以作为以下之一传递：
'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，返回对象的子类将从预设目录中的配置推断出来。
参数
True，保存的权重将加载到模型架构中。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 |
|---|---|---|
| falcon_refinedweb_1b_en | 1.31B | 24层 Falcon 模型 (具有 10 亿参数的 Falcon)，在 3500 亿 RefinedWeb 数据集标记上进行训练。 |
generate 方法FalconCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根据提示 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”生成并连接。否则，所有输入将被视为单个批次处理。
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 层预期的结构匹配（通常是原始字符串）。如果没有附加 preprocessor，输入应与 backbone 预期的结构匹配。请参阅上面的示例用法以了解每种情况的演示。
参数
tf.data.Dataset。如果模型附加了 preprocessor，inputs 应与 preprocessor 层预期的结构匹配。如果没有附加 preprocessor，inputs 应与 backbone 模型预期的结构匹配。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" 或标记 ID 元组。默认为 "auto"，使用 preprocessor.tokenizer.end_token_id。未指定处理器将产生错误。如果为 None，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，标记序列中的每个标记都将被解释为一个停止标记，不支持多标记停止序列。backbone 属性keras_hub.models.FalconCausalLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.FalconCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。