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) 根据前序词元预测下一个词元。此任务设置可用于在纯文本输入上无监督地训练模型,或自动回归地生成与训练数据相似的纯文本。此任务可用于预训练或微调 GPT-2 模型,只需调用 fit()
即可。
此模型具有一个 generate()
方法,该方法根据提示生成文本。所使用的生成策略由 compile()
上的附加 sampler
参数控制。你可以使用不同的 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一个 preprocessor
层,在这种情况下,它将在 fit()
、predict()
、evaluate()
和 generate()
期间自动对字符串输入应用预处理。这在使用 from_preset()
创建模型时默认完成。
免责声明:预训练模型按“原样”提供,不附带任何类型的担保或条件。基础模型由第三方提供,并受单独的许可协议约束,可在此处获取:此处。
参数
keras_hub.models.GPT2Backbone
实例。keras_hub.models.GPT2CausalLMPreprocessor
或 None
。如果为 None
,则此模型将不应用预处理,并且在调用模型之前应预处理输入。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)
不带预处理使用 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)
不带预处理调用 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)
自定义骨干和词汇表。
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)
从模型预设实例化一个 keras_hub.models.Task
。
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
可以作为以下之一传递:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Task
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调用。一种是从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset()
,另一种是从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()
。如果从基类调用,则返回对象的子类将根据预设目录中的配置推断。
参数
True
,已保存的权重将被加载到模型架构中。如果为 False
,所有权重将被随机初始化。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,大小写保持不变。在 WebText 上训练。 |
gpt2_base_en_cnn_dailymail | 124.44M | 12 层 GPT-2 模型,大小写保持不变。在 CNN/DailyMail 摘要数据集上微调。 |
gpt2_medium_en | 354.82M | 24 层 GPT-2 模型,大小写保持不变。在 WebText 上训练。 |
gpt2_large_en | 774.03M | 36 层 GPT-2 模型,大小写保持不变。在 WebText 上训练。 |
gpt2_extra_large_en | 1.56B | 48 层 GPT-2 模型,大小写保持不变。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
是一个 tf.data.Dataset
,输出将“逐批”生成并连接起来。否则,所有输入将被视为单个批次处理。
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
层期望的结构(通常是原始字符串)匹配。如果未附加 preprocessor
,则输入应与 backbone
期望的结构匹配。请参阅上面的示例用法以了解演示。
参数
tf.data.Dataset
。如果模型附加了 preprocessor
,则 inputs
应与 preprocessor
层期望的结构匹配。如果未附加 preprocessor
,则 inputs
应与 backbone
模型期望的结构匹配。preprocessor
配置的最大 sequence_length
。如果 preprocessor
为 None
,则 inputs
应填充到所需的 L 最长,此参数将被忽略。None
、“auto”或词元 ID 元组。默认为“auto”,它使用 preprocessor.tokenizer.end_token_id
。未指定处理器将导致错误。None 会在生成 max_length
词元后停止生成。你还可以指定模型应停止的词元 ID 列表。请注意,词元序列中的每个词元都将被解释为停止词元,不支持多词元停止序列。backbone
属性keras_hub.models.GPT2CausalLM.backbone
一个具有核心架构的 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。