OPTCausalLM
类keras_hub.models.OPTCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 OPT 模型。
因果语言模型 (LM) 根据之前的 token 预测下一个 token。这种任务设置可用于在纯文本输入上无监督地训练模型,或自回归地生成与用于训练的数据相似的纯文本。只需调用 fit()
,即可将此任务用于 GPT-2 模型的预训练或微调。
此模型有一个 generate()
方法,该方法根据提示生成文本。用于生成的生成策略通过 compile()
上的附加参数 sampler
控制。您可以重新编译模型并使用不同的 keras_hub.samplers
对象来控制生成。默认情况下,将使用 "top_k"
采样。
此模型可以选择配置一个 preprocessor
层,在这种情况下,它将在 fit()
、predict()
、evaluate()
和 generate()
期间自动对字符串输入应用预处理。使用 from_preset()
创建模型时,默认执行此操作。
免责声明:预训练模型按“原样”提供,不附带任何形式的保证或条件。底层模型由第三方提供,并受单独许可协议约束,该协议可在此处获取:此处。
参数
keras_hub.models.OPTBackbone
实例。keras_hub.models.OPTCausalLMPreprocessor
或 None
。如果为 None
,此模型将不应用预处理,输入应在调用模型之前进行预处理。示例
使用 generate()
进行文本生成。
opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
opt_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate()
函数。
opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.compile(sampler="greedy")
opt_lm.generate("I want to say", max_length=30)
opt_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
opt_lm.generate("I want to say", max_length=30)
在不进行预处理的情况下使用 generate()
。
# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
"token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
"padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}
opt_lm = keras_hub.models.OPTCausalLM.from_preset(
"opt_125m_en",
preprocessor=None,
)
opt_lm.generate(prompt)
在单个批次上调用 fit()
。
features = ["The quick brown fox jumped.", "I forgot my homework."]
opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.fit(x=features, batch_size=2)
在不进行预处理的情况下调用 fit()
。
x = {
"token_ids": np.array([[1, 2, 3, 4, 5]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[2, 3, 4, 5, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)
opt_lm = keras_hub.models.OPTCausalLM.from_preset(
"opt_base_en",
preprocessor=None,
)
opt_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义骨干网络和词汇表。
features = ["a quick fox.", "a fox quick."]
vocab = {"<|endoftext|>": 0, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.OPTTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.OPTCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
model = keras_hub.models.OPTBackbone(
vocabulary_size=50265,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
opt_lm = keras_hub.models.OPTCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
opt_lm.fit(x=features, batch_size=2)
from_preset
方法OPTCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task
。
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 Task
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之一调用。可以从特定任务的基类(例如 keras_hub.models.CausalLM.from_preset()
)调用,也可以从模型类(例如 keras_hub.models.BertTextClassifier.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
True
,保存的权重将加载到模型架构中。如果为 False
,所有权重将随机初始化。示例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
预设 | 参数 | 描述 |
---|---|---|
opt_125m_en | 125.24M | 维护大小写敏感的 12 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
opt_1.3b_en | 1.32B | 维护大小写敏感的 24 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
opt_2.7b_en | 2.70B | 维护大小写敏感的 32 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
opt_6.7b_en | 6.70B | 维护大小写敏感的 32 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
generate
方法OPTCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根据提示 inputs
生成文本。
此方法根据给定的 inputs
生成文本。用于生成的采样方法可以通过 compile()
方法设置。
如果 inputs
是 tf.data.Dataset
,输出将“逐批次”生成并连接。否则,所有输入将作为单个批次处理。
如果模型附带 preprocessor
,则 inputs
将在 generate()
函数内部进行预处理,并且应匹配 preprocessor
层预期的结构(通常是原始字符串)。如果未附带 preprocessor
,则输入应匹配 backbone
预期的结构。请参阅上面的示例用法以了解每种情况的演示。
参数
tf.data.Dataset
。如果模型附带 preprocessor
,则 inputs
应匹配 preprocessor
层预期的结构。如果未附带 preprocessor
,则 inputs
应匹配 backbone
模型预期的结构。preprocessor
的最大配置 sequence_length
。如果 preprocessor
为 None
,则 inputs
应填充到所需的_最大长度_,并且此参数将被忽略。None
、“auto”或 token ID 元组。默认为“auto”,使用 preprocessor.tokenizer.end_token_id
。未指定处理器将产生错误。None 在生成 max_length
个 token 后停止生成。您还可以指定模型应停止的 token ID 列表。请注意,每个 token 序列都将被解释为一个停止 token,不支持多 token 停止序列。backbone
属性keras_hub.models.OPTCausalLM.backbone
一个包含核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.OPTCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。