MistralTokenizer

[源代码]

MistralTokenizer 类

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

基于 SentencePiece 的 Mistral 分词器层。

此分词器类将原始字符串分词为整数序列，它基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层的分词器不同，它会检查 Mistral 模型所需的所有特殊词元，并提供一个 from_preset() 方法来为 Mistral 预设自动下载匹配的词汇表。

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：SentencePiece proto 文件的 string 路径，或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息，请参阅 SentencePiece 仓库。

示例

# Unbatched input.
tokenizer = keras_hub.models.MistralTokenizer.from_preset(
    "mistral_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

MistralTokenizer.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以下两种方式之一调用：既可以像 keras_hub.models.Tokenizer.from_preset() 一样从基类调用，也可以像 keras_hub.models.GemmaTokenizer.from_preset() 一样从模型类调用。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])