GPT2Tokenizer
类keras_hub.tokenizers.GPT2Tokenizer(vocabulary=None, merges=None, **kwargs)
一个使用字节对编码 (Byte-Pair Encoding) 子词切分的 GPT-2 分词器。
此类分词器将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.BytePairTokenizer
。与底层分词器不同,它会检查 GPT-2 模型所需的所有特殊 token,并提供一个 from_preset()
方法来自动下载与 GPT-2 预设匹配的词汇表。
如果输入是字符串批量(秩 > 0),该层将输出一个 tf.RaggedTensor
,其中输出的最后一个维度是不规则的。
如果输入是标量字符串(秩 == 0),该层将输出一个具有静态形状 [None]
的密集 tf.Tensor
。
参数
示例
# Unbatched input.
tokenizer = keras_hub.models.GPT2Tokenizer.from_preset("gpt2_base_en")
tokenizer("The quick brown fox jumped.")
# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])
# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))
# Custom vocabulary.
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)
tokenizer("a quick fox.")
from_preset
方法GPT2Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)
从模型预设实例化一个 keras_hub.models.Tokenizer
。
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
可以通过以下方式之一传入:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Tokenizer
子类,你可以运行 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之一调用。要么从基类调用,如 keras_hub.models.Tokenizer.from_preset()
,要么从模型类调用,如 keras_hub.models.GemmaTokenizer.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
,权重将加载到模型架构中。如果 False
,权重将随机初始化。示例
# Load a preset tokenizer.
tokenizer = keras_hub.tokenizer.Tokenizer.from_preset("bert_base_en")
# Tokenize some input.
tokenizer("The quick brown fox tripped.")
# Detokenize some input.
tokenizer.detokenize([5, 6, 7, 8, 9])
预设 | 参数 | 描述 |
---|---|---|
gpt2_base_en | 124.44M | 保持大小写的 12 层 GPT-2 模型。在 WebText 上训练。 |
gpt2_base_en_cnn_dailymail | 124.44M | 保持大小写的 12 层 GPT-2 模型。在 CNN/DailyMail 摘要数据集上微调。 |
gpt2_medium_en | 354.82M | 保持大小写的 24 层 GPT-2 模型。在 WebText 上训练。 |
gpt2_large_en | 774.03M | 保持大小写的 36 层 GPT-2 模型。在 WebText 上训练。 |
gpt2_extra_large_en | 1.56B | 保持大小写的 48 层 GPT-2 模型。在 WebText 上训练。 |