GPT2Tokenizer

[源代码]

GPT2Tokenizer

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

  • vocabulary: 字符串或字典,将 token 映射到整数 id。如果是字符串,它应为 json 文件的文件路径。
  • merges: 字符串或列表,包含合并规则。如果是字符串,它应为合并规则的文件路径。合并规则文件应每行包含一条合并规则。每条合并规则包含用空格分隔的合并实体。

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.")

[源代码]

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:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 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 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

  • 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。
  • load_weights: 布尔值。如果 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。