GPT2CausalLM预处理器层
GPT2CausalLMPreprocessor 类
keras_hub.models.GPT2CausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
GPT2 因果语言模型预处理器。
此预处理层旨在与 keras_hub.models.GPT2CausalLM 一起使用。默认情况下，它将接收批量的字符串，并以 (x, y, sample_weight) 格式返回输出，其中 y 标签是 x 序列中的下一个标记 ID。
为了用于生成，该层还公开了两个方法 generate_preprocess() 和 generate_postprocess()。当此预处理器附加到 keras_hub.models.GPT2CausalLM 实例时，这些方法将在 generate() 中被隐式调用。它们也可以独立调用（例如，在单独的进程中预先计算生成用的预处理输入）。
参数
- tokenizer：
keras_hub.models.GPT2Tokenizer实例。 - sequence_length：打包输入的长度。
- add_start_token：如果为
True，则预处理器将把分词器的起始标记添加到每个输入序列的开头。 - add_end_token：如果为
True，则预处理器将把分词器的结束标记添加到每个输入序列的末尾。
调用参数
- x：字符串、
tf.Tensor或 Python 字符串列表。 - y：标签数据。由于该层生成标签，所以应始终为
None。 - sample_weight：标签权重。由于该层生成标签权重，所以应始终为
None。 - sequence_length：传递此参数以覆盖该层配置的
sequence_length。
示例
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.GPT2CausalLMPreprocessor.from_preset(
"gpt2_base_en"
)
# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")
# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])
# Map a dataset to preprocess a single sentence.
features = tf.constant(
[
"Avatar 2 is amazing!",
"Well, I am not sure.",
]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
GPT2CausalLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化 keras_hub.models.Preprocessor。
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 Models 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 Preprocessor 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
由于对于给定的模型通常有多个预处理类，因此应在特定的子类（如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()）上调用此方法。
参数
- preset：字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设 | 参数 | 描述 |
|---|---|---|
| gpt2_base_en | 124.44M | 保留大小写的 12 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 保留大小写的 12 层 GPT-2 模型。在 CNN/DailyMail 摘要数据集上微调。 |
| gpt2_medium_en | 354.82M | 保留大小写的 24 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_large_en | 774.03M | 保留大小写的 36 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_extra_large_en | 1.56B | 保留大小写的 48 层 GPT-2 模型。在 WebText 上训练。 |
generate_preprocess 方法
GPT2CausalLMPreprocessor.generate_preprocess(x, sequence_length=None)
将字符串转换为用于生成的整数标记输入。
与为训练调用该层类似，此方法接收字符串或张量字符串，对输入进行分词和打包，并计算一个填充掩码，该掩码掩盖所有未用填充值填充的输入。
与为训练调用该层不同，此方法不计算标签，并且永远不会将 tokenizer.end_token_id 附加到序列的末尾（因为生成预计在输入提示的末尾继续）。
generate_postprocess 方法
GPT2CausalLMPreprocessor.generate_postprocess(x)
将整数标记输出转换为用于生成的字符串。
此方法通过首先删除所有填充和起始/结束标记，然后将整数序列转换回字符串，来反转 generate_preprocess()。
tokenizer 属性
keras_hub.models.GPT2CausalLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。