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
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.")
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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。 |