Gemma分词器

[源]

GemmaTokenizer

keras_hub.tokenizers.GemmaTokenizer(proto, **kwargs)

基于 SentencePiece 的 Gemma 分词器层。

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

如果输入是字符串批次(rank > 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(rank == 0),则该层将输出一个稠密的 tf.Tensor,其静态形状为 [None]

参数

  • proto:SentencePiece proto 文件的 string 路径,或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息,请参阅 SentencePiece 仓库

示例

# Unbatched input.
tokenizer = keras_hub.models.GemmaTokenizer.from_preset("gemma_2b_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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.GemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[源]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Tokenizer

预设是用于保存和加载预训练模型的配置、权重和其他文件资源的目录。preset 可以是以下之一:

  1. 一个内置的预设标识符,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. 一个指向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() 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。既可以从基类调用,例如 keras_hub.models.Tokenizer.from_preset(),也可以从模型类调用,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。

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,则会将权重加载到模型架构中。如果为 False,则权重将随机初始化。

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])
预设 参数量 描述
gemma_2b_en 2.51B 20亿参数、18层的基础 Gemma 模型。
gemma_instruct_2b_en 2.51B 20亿参数、18层的指令调优 Gemma 模型。
gemma_1.1_instruct_2b_en 2.51B 20亿参数、18层的指令调优 Gemma 模型。1.1 版本更新提高了模型质量。
code_gemma_1.1_2b_en 2.51B 20亿参数、18层的 CodeGemma 模型。此模型针对代码补全的 fill-in-the-middle (FIM) 任务进行了训练。1.1 版本更新提高了模型质量。
code_gemma_2b_en 2.51B 20亿参数、18层的 CodeGemma 模型。此模型针对代码补全的 fill-in-the-middle (FIM) 任务进行了训练。
gemma2_2b_en 2.61B 20亿参数、26层的基础 Gemma 模型。
gemma2_instruct_2b_en 2.61B 20亿参数、26层的指令调优 Gemma 模型。
shieldgemma_2b_en 2.61B 20亿参数、26层的 ShieldGemma 模型。
gemma_7b_en 8.54B 70亿参数、28层的基础 Gemma 模型。
gemma_instruct_7b_en 8.54B 70亿参数、28层的指令调优 Gemma 模型。
gemma_1.1_instruct_7b_en 8.54B 70亿参数、28层的指令调优 Gemma 模型。1.1 版本更新提高了模型质量。
code_gemma_7b_en 8.54B 70亿参数、28层的 CodeGemma 模型。此模型针对代码补全的 fill-in-the-middle (FIM) 任务进行了训练。
code_gemma_instruct_7b_en 8.54B 70亿参数、28层的指令调优 CodeGemma 模型。此模型针对与代码相关的聊天用例进行了训练。
code_gemma_1.1_instruct_7b_en 8.54B 70亿参数、28层的指令调优 CodeGemma 模型。此模型针对与代码相关的聊天用例进行了训练。1.1 版本更新提高了模型质量。
gemma2_9b_en 9.24B 90亿参数、42层的基础 Gemma 模型。
gemma2_instruct_9b_en 9.24B 90亿参数、42层的指令调优 Gemma 模型。
shieldgemma_9b_en 9.24B 90亿参数、42层的 ShieldGemma 模型。
gemma2_27b_en 27.23B 270亿参数、42层的基础 Gemma 模型。
gemma2_instruct_27b_en 27.23B 270亿参数、42层的指令调优 Gemma 模型。
shieldgemma_27b_en 27.23B 270亿参数、42层的 ShieldGemma 模型。
pali_gemma_3b_mix_224 2.92B 图像尺寸 224,混合微调,文本序列长度为 256
pali_gemma_3b_224 2.92B 图像尺寸 224,预训练,文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像尺寸 448,混合微调,文本序列长度为 512
pali_gemma_3b_448 2.92B 图像尺寸 448,预训练,文本序列长度为 512
pali_gemma_3b_896 2.93B 图像尺寸 896,预训练,文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_3b_224 3.03B 30亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在混合数据集上进行了预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在 DOCCI 数据集上进行了微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_3b_448 3.03B 30亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_3b_448 3.03B 30亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_pt_3b_896 3.04B 30亿参数,图像尺寸 896,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 2B 语言模型的 26 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_mix_10b_224 9.66B 100亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_10b_224 9.66B 100亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_ft_docci_10b_448 9.66B 100亿参数,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在 DOCCI 数据集上进行了微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_10b_448 9.66B 100亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_10b_448 9.66B 100亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_pt_10b_896 9.67B 100亿参数,图像尺寸 896,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 9B 语言模型的 42 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_mix_28b_224 27.65B 280亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 27B 语言模型的 46 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_mix_28b_448 27.65B 280亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 27B 语言模型的 46 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_28b_224 27.65B 280亿参数,图像尺寸 224,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 27B 语言模型的 46 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_pt_28b_448 27.65B 280亿参数,图像尺寸 448,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 27B 语言模型的 46 层。此模型已在混合数据集上进行了预训练。
pali_gemma2_pt_28b_896 27.65B 280亿参数,图像尺寸 896,包含 SigLIP-So400m 视觉编码器的 27 层和 Gemma2 27B 语言模型的 46 层。此模型已在混合数据集上进行了预训练。