OPTTokenizer

[来源]

OPTTokenizer 类

keras_hub.tokenizers.OPTTokenizer(vocabulary=None, merges=None, **kwargs)

一种使用字节对编码子词分割的 OPT 分词器。

此分词器类将原始字符串分词为整数序列，并基于keras_hub.tokenizers.BytePairTokenizer。与底层分词器不同，它会检查 OPT 模型所需的所有特殊 token，并提供一个 from_preset() 方法来自动下载与 OPT preset 匹配的词汇表。

如果输入是字符串批量（rank > 0），层将输出一个 tf.RaggedTensor，其输出的最后一个维度是不规则的（ragged）。如果输入是标量字符串（rank == 0），层将输出一个具有静态形状 [None] 的稠密 tf.Tensor。

参数

• vocabulary：字符串或字典，将 token 映射到整数 ID。如果为字符串，则应为 json 文件的文件路径。
• merges：字符串或列表，包含合并规则。如果为字符串，则应为合并规则的文件路径。合并规则文件应每行包含一个合并规则。每个合并规则包含由空格分隔的合并实体。

示例

# Unbatched input.
tokenizer = keras_hub.models.OPTTokenizer.from_preset(
    "opt_125m_en",
)
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
vocab = {"<pad>": 1, "</s>": 2, "Ġquick": 4, "Ġfox": 5}
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)
tokenizer("The quick brown fox jumped.")

[来源]

from_preset 方法

OPTTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型 preset 实例化一个 keras_hub.models.Tokenizer。

Preset 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. 内置 preset 标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地 preset 目录的路径，例如 './bert_base_en'

对于任何 Tokenizer 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置 preset。

此构造函数可以通过两种方式之一调用。可以从基类调用，例如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，则返回对象的子类将从 preset 目录中的配置推断。

参数

• preset：字符串。内置 preset 标识符、Kaggle Models 句柄、Hugging Face 句柄，或本地目录的路径。
• load_weights：布尔值。如果为 True，权重将加载到模型架构中。如果为 False，权重将随机初始化。

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])