► KerasHub：预训练模型 / API 文档 / 模型架构 / GPT2 / GPT2因果语言模型

GPT2因果语言模型

[源代码]

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) 基于之前的 token 预测下一个 token。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。此任务可用于预训练或微调 GPT-2 模型，只需调用 fit() 即可。

此模型具有 generate() 方法，该方法基于提示生成文本。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。

此模型可以选择配置 preprocessor 层，在这种情况下，它将在 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，不提供任何形式的保证或条件。底层模型由第三方提供，并受单独许可协议约束，请点击此处查看。

参数

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)

在不进行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)

在不进行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)

自定义主干网络和词汇表。

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)

[源代码]

from_preset 方法

GPT2CausalLM.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Task。

预设是一个配置、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 可以作为以下之一传递

  1. 内置预设标识符，例如 'bert_base_en'
  2. Kaggle 模型句柄，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 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。可以从任务特定的基类（例如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（例如 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出来。

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，则保存的权重将加载到模型架构中。如果为 False，则所有权重将随机初始化。

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 摘要数据集上进行了微调。
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。

[源代码]

generate 方法

GPT2CausalLM.generate(
    inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)

根据提示输入生成文本。

此方法根据给定的输入生成文本。用于生成的采样方法可以通过 compile() 方法设置。

如果输入是 tf.data.Dataset，输出将“按批次”生成并连接。否则，所有输入都将作为单个批次处理。

如果预处理器连接到模型，则输入将在 generate() 函数内部进行预处理，并且应与 preprocessor 层（通常是原始字符串）期望的结构匹配。如果未连接预处理器，则输入应与主干网络期望的结构匹配。有关每个用法的演示，请参见上面的示例用法。

参数

  • inputs：Python 数据、张量数据或 tf.data.Dataset。如果预处理器连接到模型，则输入应与预处理器层期望的结构匹配。如果未连接预处理器，则输入应与主干网络模型期望的结构匹配。
  • max_length：可选。整数。生成序列的最大长度。将默认为预处理器的最大配置 sequence_length。如果 preprocessor 为 None，则输入应填充到所需的最大长度，并且此参数将被忽略。
  • stop_token_ids：可选。None、“auto”或 token 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 会在生成 max_length 个 token 后停止生成。您还可以指定模型应停止的 token id 列表。请注意，token 序列都将被解释为停止 token，不支持多 token 停止序列。
  • strip_prompt：可选。默认情况下，generate() 返回完整的提示，后跟模型生成的完成。如果此选项设置为 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。

GPT2因果语言模型
GPT2CausalLM 类
from_preset 方法
generate 方法
backbone 属性
preprocessor 属性