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={"<|end_header_id|>", "<|start_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 vocabulary（将 token 映射到 id）和 merges（描述 BPE 合并规则），它应提供与 OpenAI 实现 (https://github.com/openai/gpt-2/blob/master/src/encoder.py) 相同的输出。与 OpenAI 不同，此实现与图兼容，因此你可以在 tf.data 管道中使用它。

如果输入是字符串批次（rank > 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 Ragged 的。如果设置了 sequence_length，该层将输出一个密集的 tf.Tensor，其中所有输入都已填充或截断为 sequence_length。如果输入是标量字符串（rank == 0）：默认情况下，该层将输出一个具有静态形状 [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 token 映射到整数 id。如果它是字符串，则应为 json 文件的文件路径。
• merges: 字符串或列表，包含合并规则。如果它是字符串，则应为合并规则文件的文件路径。合并规则文件每行应有一个合并规则。
• sequence_length: 整数。如果设置，输出将填充或截断为 sequence_length。默认为 None。
• add_prefix_space: 布尔值。是否向输入添加前导空格。此分词器可识别空格，并将以不同的方式对带有前导空格的单词进行分词。向第一个单词添加前导空格将使其与序列中所有后续单词等效地进行分词。默认为 False。
• unsplittable_tokens: 列表。在字节对编码之前应用单词级拆分期间，永远不会拆分的字符串列表。这可以用于确保特殊 token 映射到词汇表中的唯一索引，即使这些特殊 token 包含可拆分的字符（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 keras_hub.models.Tokenizer。

预设是配置、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. 内置预设标识符，如 'bert_base_en'
2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，你可以运行 cls.presets.keys() 以列出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。可以从基类（如 keras_hub.models.Tokenizer.from_preset()）调用，也可以从模型类（如 keras_hub.models.GemmaTokenizer.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

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。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

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])