GemmaTokenizer
类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
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.")
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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。 |