Llama3Tokenizer

[源代码]

Llama3Tokenizer 类

keras_hub.tokenizers.Llama3Tokenizer(
    vocabulary=None,
    merges=None,
    bos_token="<|begin_of_text|>",
    eos_token="<|end_of_text|>",
    misc_special_tokens={"<|start_header_id|>", "<|end_header_id|>"},
    **kwargs
)

字节对编码分词器层。

此 BPE 分词器提供与官方 GPT-2 分词器相同的功能。给定相同的将 token 映射到 id 的 vocabulary 和描述 BPE 合并规则的 merges，它应该与 OpenAI 的实现（https://github.com/openai/gpt-2/blob/master/src/encoder.py）产生相同的输出。与 OpenAI 不同的是，此实现兼容图计算，因此您可以在 tf.data 管道中使用它。

如果输入是字符串的批次（秩 > 0）：默认情况下，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。如果设置了 sequence_length，该层将输出一个密集 tf.Tensor，其中所有输入都已被填充或截断到 sequence_length。如果输入是标量字符串（秩 == 0）：默认情况下，该层将输出一个静态形状为 [None] 的密集 tf.Tensor。如果设置了 sequence_length，则输出将是形状为 [sequence_length] 的密集 tf.Tensor。

参数

• vocabulary: 字符串或字典，将词元映射到整数 ID。如果是字符串，则应为 json 文件的路径。
• merges：字符串或列表，包含合并规则。如果它是字符串，它应该是合并规则的文件路径。合并规则文件应该每行包含一条合并规则。
• sequence_length：int。如果设置，输出将被填充或截断到 sequence_length。默认为 None。
• add_prefix_space：bool。是否在输入前添加一个空格。此分词器对空格敏感，并且会将带有前导空格的单词与没有前导空格的单词进行不同的分词。为第一个单词添加前导空格将使其与序列中的所有后续单词进行等效分词。默认为 False。
• unsplittable_tokens：列表。在字节对编码之前的单词级拆分过程中永远不会被拆分的字符串列表。这可用于确保特殊 token 映射到词汇表中的唯一索引，即使这些特殊 token 包含可拆分字符（例如标点符号）。特殊 token 仍必须包含在 vocabulary 中。默认为 None。

示例

分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

反分词

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[源代码]

from_preset 方法

Llama3Tokenizer.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。一种是像 keras_hub.models.Tokenizer.from_preset() 那样从基类调用，另一种是像 keras_hub.models.GemmaTokenizer.from_preset() 那样从模型类调用。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])