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])