FalconTokenizer

[源代码]

FalconTokenizer 类

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

基于 BytePairTokenizer 的 Falcon 分词器。

此类分词器将原始字符串标记化为整数序列，并且基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同，它将检查 Falcon 模型所需的所有特殊标记，并提供 from_preset() 方法来自动下载与 Falcon 预设匹配的词汇表。

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

如果输入是标量字符串（秩 == 0），则该层将输出一个具有静态形状 [None] 的密集 tf.Tensor。

参数

• vocabulary: 字符串或字典，将标记映射到整数 ID。如果是字符串，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个合并规则。每个合并规则包含以空格分隔的合并实体。

示例

# Unbatched input.
tokenizer = keras_hub.models.FalconTokenizer.from_preset(
    "falcon_refinedweb_1b_en"
)
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 = {"<|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,
)
tokenizer("a quick fox.")

[源代码]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Tokenizer。

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 可以作为以下项之一传递

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 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之一调用。可以从基类调用，如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，如 keras_hub.models.GemmaTokenizer.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

• preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: 布尔值。如果为 True，则权重将加载到模型架构中。如果为 False，则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])