MixtralTokenizer

[源代码]

MixtralTokenizer

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

一个 SentencePiece 分词器层。

此层提供了 SentencePiece 论文SentencePiece 包中描述的 SentencePiece 分词的实现。分词将完全在 Tensorflow 图中运行,并且可以保存到 keras.Model 中。

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在空格分割和子词分词后是不规则的。如果设置了 sequence_length,该层将输出一个稠密 tf.Tensor,其中所有输入都已填充或截断到 sequence_length。输出 dtype 可以通过 dtype 参数控制,该参数应为整数或字符串类型。

参数

  • proto:可以是 SentencePiece 原型文件的 string 路径,也可以是包含序列化 SentencePiece 原型的 bytes 对象。有关格式的更多详细信息,请参阅 SentencePiece 仓库
  • sequence_length:如果设置,输出将转换为稠密张量并进行填充/裁剪,使所有输出都为 sequence_length
  • add_bos:在结果中添加句子开始标记。
  • add_eos:在结果中添加句子结束标记。如果输出长度超过指定的 sequence_length,则标记总是会被截断。

参考文献

示例

从字节。

def train_sentence_piece_bytes(ds, size):
    bytes_io = io.BytesIO()
    sentencepiece.SentencePieceTrainer.train(
        sentence_iterator=ds.as_numpy_iterator(),
        model_writer=bytes_io,
        vocab_size=size,
    )
    return bytes_io.getvalue()

# Train a sentencepiece proto.
ds = tf.data.Dataset.from_tensor_slices(["the quick brown fox."])
proto = train_sentence_piece_bytes(ds, 20)
# Tokenize inputs.
tokenizer = keras_hub.tokenizers.SentencePieceTokenizer(proto=proto)
ds = ds.map(tokenizer)

从文件。

def train_sentence_piece_file(ds, path, size):
    with open(path, "wb") as model_file:
        sentencepiece.SentencePieceTrainer.train(
            sentence_iterator=ds.as_numpy_iterator(),
            model_writer=model_file,
            vocab_size=size,
        )

# Train a sentencepiece proto.
ds = tf.data.Dataset.from_tensor_slices(["the quick brown fox."])
proto = train_sentence_piece_file(ds, "model.spm", 20)
# Tokenize inputs.
tokenizer = keras_hub.tokenizers.SentencePieceTokenizer(proto="model.spm")
ds = ds.map(tokenizer)

[源代码]

from_preset 方法

MixtralTokenizer.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两种方式调用。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,返回对象的子类将从预设目录中的配置推断。

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])
预设 参数 描述
mixtral_8_7b_en 46.70B 32 层 Mixtral MoE 模型,具有 70 亿个活动参数和每个 MoE 层 8 个专家。
mixtral_8_instruct_7b_en 46.70B 指令微调 32 层 Mixtral MoE 模型,具有 70 亿个活动参数和每个 MoE 层 8 个专家。