LlamaTokenizer

[源代码]

LlamaTokenizer

keras_hub.tokenizers.LlamaTokenizer(proto, **kwargs)

基于 SentencePiece 的 Llama 分词器层。

此分词器类将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它将检查 Llama 模型所需的所有特殊标记,并提供一个 from_preset() 方法来自动下载与 Llama 预设匹配的词汇表。

如果输入是一批字符串(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

  • proto: 一个指向 SentencePiece proto 文件的 string 路径,或一个包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息,请参阅 SentencePiece 存储库

示例

# Unbatched input.
tokenizer = keras_hub.models.LlamaTokenizer.from_preset(
    "llama_7b_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."))

[源代码]

from_preset 方法

LlamaTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化一个 keras_hub.models.Tokenizer

预设是一个包含配置、权重和其他文件资产的目录,用于保存和加载预训练模型。preset 可以作为以下之一传递:

  1. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Tokenizer 子类,您都可以运行 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调用。可以从基类调用,如 keras_hub.models.Tokenizer.from_preset(),也可以从模型类调用,如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用,返回对象的子类将根据预设目录中的配置进行推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • 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])
预设 参数 描述
llama2_7b_en 6.74B 70 亿参数,32 层,基础 LLaMA 2 模型。
llama2_instruct_7b_en 6.74B 70 亿参数,32 层,指令微调 LLaMA 2 模型。
vicuna_1.5_7b_en 6.74B 70 亿参数,32 层,指令微调 Vicuna v1.5 模型。
llama2_7b_en_int8 6.74B 70 亿参数,32 层,基础 LLaMA 2 模型,激活和权重均量化为 int8。
llama2_instruct_7b_en_int8 6.74B 70 亿参数,32 层,指令微调 LLaMA 2 模型,激活和权重均量化为 int8。
llama3.2_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_1b 15.0 亿 10 亿参数、16 层的经过指令调优的 LLaMA 3.2 模型。
llama3.2_guard_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型,为同意安全分类进行了微调。
llama3.2_3b 36.1 亿 30 亿参数、26 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_3b 36.1 亿 30 亿参数、28 层的经过指令调优的 LLaMA 3.2 模型。
llama3_8b_en 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型。
llama3_instruct_8b_en 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型。
llama3.1_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 基础模型。
llama3.1_instruct_8b 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3.1 模型。
llama3.1_guard_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 模型,为同意安全分类进行了微调。
llama3_8b_en_int8 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型,其激活和权重被量化为 int8。
llama3_instruct_8b_en_int8 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型,其激活和权重被量化为 int8。