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。