GPT2因果语言模型
GPT2CausalLM 类
keras_hub.models.GPT2CausalLM(backbone, preprocessor=None, **kwargs)
用于因果语言建模的端到端 GPT2 模型。
因果语言模型 (LM) 根据之前的标记预测下一个标记。此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。此任务可以通过简单地调用 fit() 来用于预训练或微调 GPT-2 模型。
此模型具有 generate() 方法，该方法根据提示生成文本。使用的生成策略由 compile() 上的附加 sampler 参数控制。您可以使用不同的 keras_hub.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "top_k" 采样。
此模型可以选择使用 preprocessor 层进行配置，在这种情况下，它会在 fit()、predict()、evaluate() 和 generate() 期间自动将预处理应用于字符串输入。当使用 from_preset() 创建模型时，默认会这样做。
免责声明：预训练模型按“原样”提供，不提供任何类型的保证或条件。基础模型由第三方提供，并受单独许可的约束，该许可可在 此处 获得。
参数
- backbone：
keras_hub.models.GPT2Backbone实例。 - preprocessor：
keras_hub.models.GPT2CausalLMPreprocessor或None。如果为None，则此模型不会应用预处理，并且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。
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
gpt2_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate() 函数。
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.compile(sampler="greedy")
gpt2_lm.generate("I want to say", max_length=30)
gpt2_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
gpt2_lm.generate("I want to say", max_length=30)
在没有预处理的情况下使用 generate()。
# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
"token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
"padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
"gpt2_base_en",
preprocessor=None,
)
gpt2_lm.generate(prompt)
在单个批次上调用 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.fit(x=features, batch_size=2)
在没有预处理的情况下调用 fit()。
x = {
"token_ids": np.array([[50256, 1, 2, 3, 4]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[1, 2, 3, 4, 50256]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
"gpt2_base_en",
preprocessor=None,
)
gpt2_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义主干和词汇表。
features = ["a quick fox.", "a fox quick."]
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.GPT2Tokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.GPT2CausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.GPT2Backbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
gpt2_lm = keras_hub.models.GPT2CausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
gpt2_lm.fit(x=features, batch_size=2)
from_preset 方法
GPT2CausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化 keras_hub.models.Task。
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 可以作为以下之一传递
- 内置预设标识符，如
'bert_base_en' - Kaggle 模型句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 本地预设目录的路径，如
'./bert_base_en'
对于任何 Task 子类，您可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。
此构造函数可以通过两种方式之一调用。可以从特定于任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。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。
参数
- preset：字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
- load_weights：布尔值。如果为
True，则会将保存的权重加载到模型架构中。如果为False，则所有权重都将随机初始化。
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 |
|---|---|---|
| gpt2_base_en | 124.44M | 12 层 GPT-2 模型，其中保留了大小写。在 WebText 上训练。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 12 层 GPT-2 模型，其中保留了大小写。在 CNN/DailyMail 摘要数据集上进行微调。 |
| gpt2_medium_en | 354.82M | 24 层 GPT-2 模型，其中保留了大小写。在 WebText 上训练。 |
| gpt2_large_en | 774.03M | 36 层 GPT-2 模型，其中保留了大小写。在 WebText 上训练。 |
| gpt2_extra_large_en | 1.56B | 48 层 GPT-2 模型，其中保留了大小写。在 WebText 上训练。 |
generate 方法
GPT2CausalLM.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 tf.data.Dataset，则输出将“逐批”生成并连接。否则，所有输入都将作为单个批次处理。
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（通常是原始字符串）期望的结构相匹配。如果未附加 preprocessor，则输入应与 backbone 期望的结构相匹配。有关每个的演示，请参见上面的示例用法。
参数
- inputs：python 数据、张量数据或
tf.data.Dataset。如果模型附加了preprocessor，则inputs应与preprocessor层期望的结构相匹配。如果未附加preprocessor，则inputs应与backbone模型期望的结构相匹配。 - max_length：可选。整数。生成序列的最大长度。将默认为
preprocessor的最大配置sequence_length。如果preprocessor为None，则inputs应填充到所需的最大长度，并且将忽略此参数。 - stop_token_ids：可选。
None、“auto”或标记 ID 元组。默认为“auto”，它使用preprocessor.tokenizer.end_token_id。不指定处理器将产生错误。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标记 ID 列表。请注意，标记序列都将被解释为停止标记，不支持多标记停止序列。 - strip_prompt：可选。默认情况下，generate() 返回完整提示，后跟模型生成的完成文本。如果将此选项设置为 True，则仅返回新生成的文本。
backbone 属性
keras_hub.models.GPT2CausalLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.GPT2CausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。