GPTNeoXTokenizer

[源代码]

GPTNeoXTokenizer 类

keras_hub.tokenizers.GPTNeoXTokenizer(vocabulary=None, merges=None, **kwargs)

一个使用字节对编码（Byte-Pair Encoding）子词分割的 GPTNeoX 分词器。

这个分词器类将原始字符串分词为整数序列，基于 keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同的是，它会检查 GPTNeoX 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 GPTNeoX 预设匹配的词汇表。

如果输入是字符串批次（rank > 0），该层将输出一个 tf.RaggedTensor，其中输出的最后一维是 Ragged 的。

如果输入是标量字符串（rank == 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。如果是一个字符串，它应该是指向 json 文件的文件路径。
• merges: 字符串或列表，包含合并规则。如果是一个字符串，它应该是指向合并规则文件的文件路径。合并规则文件应该每行包含一个合并规则。每个合并规则包含用空格分隔的合并实体。

[源代码]

from_preset 方法

GPTNeoXTokenizer.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 可以是以下之一：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models handle，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face handle，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。

这个构造函数可以通过两种方式调用。要么从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，要么从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，返回对象的子类将从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 handle、Hugging Face handle 或本地目录的路径。
• load_weights: 布尔值。如果为 True，权重将被加载到模型架构中。如果为 False，权重将被随机初始化。

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])