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，它接收字符串批次，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 token ID。
对于生成任务，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() 中隐式调用。它们也可以单独调用（例如，在单独的进程中预计算用于生成的预处理输入）。
参数
keras_hub.models.GPT2Tokenizer 实例。True，预处理器会将分词器起始 token 添加到每个输入序列的开头。True，预处理器会将分词器结束 token 添加到每个输入序列的末尾。调用参数
tf.Tensor 或 Python 字符串列表。None，因为该层会生成标签。None，因为该层会生成标签权重。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
)
从模型预设实例化一个 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入：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./bert_base_en'对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。
由于给定模型通常有多个预处理类，因此应在特定子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.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 token 输入。
与调用层进行训练类似，此方法接收字符串或 tensor 字符串，对输入进行分词和打包，并计算填充掩码，以屏蔽所有未用填充值填充的输入。
与调用层进行训练不同，此方法不计算标签，也不会在序列末尾附加 tokenizer.end_token_id（因为预期生成将在输入提示符的末尾继续）。
generate_postprocess 方法GPT2CausalLMPreprocessor.generate_postprocess(x)
将整数 token 输出转换为字符串，用于生成。
此方法通过先移除所有填充和起始/结束 token，然后将整数序列转换回字符串，来逆转 generate_preprocess() 的过程。
tokenizer 属性keras_hub.models.GPT2CausalLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。