OPTCausalLM预处理器层
OPTCausalLMPreprocessor 类
keras_hub.models.OPTCausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
OPT 因果 LM 预处理器。
此预处理层主要用于 keras_hub.models.OPTCausalLM。默认情况下，它会接收字符串批次，并以 (x, y, sample_weight) 格式返回输出，其中 y 标签是 x 序列中的下一个 token id。 对于生成用途，传递 return_labels=False，在这种情况下，输出将仅是编码的字符串特征。
参数
- tokenizer： 一个
keras_hub.models.OPTTokenizer实例。 - sequence_length：打包输入的长度。
- add_start_token： 如果为
True，预处理器会将分词器的起始 token 前置到每个输入序列。 - add_end_token： 如果为
True，预处理器会将分词器的结束 token 附加到每个输入序列。
调用参数
- x： 一个字符串、一个
tf.Tensor或 Python 字符串列表。 - y： 标签数据。应始终为
None，因为该层生成标签。 - sample_weight： 标签权重。应始终为
None，因为该层生成标签权重。 - sequence_length： 传递以覆盖该层配置的
sequence_length。 - add_start_token： 传递以覆盖该层上配置的
add_start_token的值。 - add_end_token： 传递以覆盖该层上配置的
add_end_token的值。 - return_labels： 如果为
True，输出的"token_ids"将偏移一位并作为标签返回。 如果为False，则仅返回特征。
示例
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.OPTCausalLMPreprocessor.from_preset(
"opt_125m_en"
)
# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")
# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])
# Map a dataset to preprocess a single sentence.
features = tf.constant(
[
"Avatar 2 is amazing!",
"Well, I am not sure.",
]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
OPTCausalLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor。
预设是一个配置、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
- 一个内置预设标识符，例如
'bert_base_en' - 一个 Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - 一个 Hugging Face 句柄，例如
'hf://user/bert_base_en' - 一个本地预设目录的路径，例如
'./bert_base_en'
对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
由于给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
参数
- preset：字符串。一个内置的预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或本地目录的路径。
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 预设 | 参数 | 描述 |
|---|---|---|
| opt_125m_en | 125.24M | 保留大小写的 12 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_1.3b_en | 1.32B | 保留大小写的 24 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_2.7b_en | 2.70B | 保留大小写的 32 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
| opt_6.7b_en | 6.70B | 保留大小写的 32 层 OPT 模型。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。 |
tokenizer 属性
keras_hub.models.OPTCausalLMPreprocessor.tokenizer
用于标记化字符串的分词器。