MistralTokenizer

[源代码]

MistralTokenizer

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

基于 SentencePiece 的 Mistral 分词器层。

此分词器类会将原始字符串分词为整数序列,并且基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它将检查 Mistral 模型所需的所有特殊标记,并提供一个 from_preset() 方法用于自动下载与 Mistral 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,其输出的最后一个维度是不规则的。

如果输入是标量字符串(rank == 0),该层将输出一个静态形状为 [None] 的密集 tf.Tensor

参数

  • proto:可以是指向 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 存储库

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 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,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,您可以运行 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,例如 keras_hub.models.Tokenizer.from_preset(),也可以从模型类调用,例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用,返回对象的子类将根据预设目录中的配置进行推断。

参数

  • preset:string。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:bool。如果为 True,权重将加载到模型架构中。如果为 False,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])
预设 参数 描述
mistral_7b_en 7.24B Mistral 7B 基础模型
mistral_instruct_7b_en 7.24B Mistral 7B instruct 模型
mistral_0.2_instruct_7b_en 7.24B Mistral 7B instruct 版本 0.2 模型