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
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."))
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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 |