MixtralTokenizer
类keras_hub.tokenizers.MixtralTokenizer(proto, **kwargs)
一个 SentencePiece 分词器层。
此层提供了 SentencePiece 论文和 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
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
。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)
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:
'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
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。 |