Gemma3Tokenizer

[源文件]

Gemma3Tokenizer

keras_hub.tokenizers.Gemma3Tokenizer(proto, **kwargs)

基于 SentencePiece 的 Gemma 分词器层。

这个分词器类将原始字符串分词为整数序列,并基于keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同的是,它会检查 Gemma 模型所需的所有特殊标记,并提供一个from_preset()方法来自动下载与 Gemma 预设匹配的词汇表。

如果输入是字符串批次(秩 > 0),该层将输出一个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(秩 == 0),该层将输出一个具有静态形状[None]的密集tf.Tensor

参数

  • proto: 一个指向 SentencePiece proto 文件的string路径,或者一个包含序列化 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.Gemma3Tokenizer.from_preset(
    "gemma_instruct_1b"
)
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.Gemma3Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[源文件]

from_preset 方法

Gemma3Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化一个keras_hub.models.Tokenizer

预设是一个包含配置、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可以以下列方式之一传递:

  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,您都可以运行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。要么从基类调用,例如keras_hub.models.Tokenizer.from_preset(),要么从模型类调用,例如keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用,返回对象的子类将根据预设目录中的配置推断。

参数

  • preset: string。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: bool。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])
预设 参数 描述
gemma3_1b 999.89M 10 亿参数、26 层、仅文本的预训练 Gemma3 模型。
gemma3_instruct_1b 999.89M 10 亿参数、26 层、仅文本的指令微调 Gemma3 模型。
gemma3_4b_text 3.88B 40 亿参数、34 层、仅文本的预训练 Gemma3 模型。
gemma3_instruct_4b_text 3.88B 40 亿参数、34 层、仅文本的指令微调 Gemma3 模型。
gemma3_4b 4.30B 40 亿参数、34 层、视觉+文本的预训练 Gemma3 模型。
gemma3_instruct_4b 4.30B 40 亿参数、34 层、视觉+文本的指令微调 Gemma3 模型。
gemma3_12b_text 11.77B 120 亿参数、48 层、仅文本的预训练 Gemma3 模型。
gemma3_instruct_12b_text 11.77B 120 亿参数、48 层、仅文本的指令微调 Gemma3 模型。
gemma3_12b 12.19B 120 亿参数、48 层、视觉+文本的预训练 Gemma3 模型。
gemma3_instruct_12b 12.19B 120 亿参数、48 层、视觉+文本的指令微调 Gemma3 模型。
gemma3_27b_text 27.01B 270 亿参数、62 层、仅文本的预训练 Gemma3 模型。
gemma3_instruct_27b_text 27.01B 270 亿参数、62 层、仅文本的指令微调 Gemma3 模型。
gemma3_27b 27.43B 270 亿参数、62 层、视觉+文本的预训练 Gemma3 模型。
gemma3_instruct_27b 27.43B 270 亿参数、62 层、视觉+文本的指令微调 Gemma3 模型。