OPTTokenizer

[来源]

OPTTokenizer

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])
Preset 参数 描述
opt_125m_en 125.24M 12 层 OPT 模型,保持大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_1.3b_en 1.32B 24 层 OPT 模型,保持大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_2.7b_en 2.70B 32 层 OPT 模型,保持大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。
opt_6.7b_en 6.70B 32 层 OPT 模型,保持大小写。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 语料库上训练。