► KerasHub：预训练模型 / API 文档 / 模型架构 / PaliGemma / PaliGemmaTokenizer

PaliGemmaTokenizer

[源代码]

PaliGemmaTokenizer 类

keras_hub.tokenizers.PaliGemmaTokenizer(proto, **kwargs)

基于 SentencePiece 的 PaliGemma 分词器层。

此分词器类会将原始字符串分词为整数序列，并且基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同，它会检查 PaliGemma 模型所需的所有特殊标记，并提供 from_preset() 方法来自动下载与 PaliGemma 预设匹配的词汇表。

如果输入是字符串批次（秩 > 0），该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是 ragged 的。

如果输入是标量字符串（秩 == 0），该层将输出一个稠密的 tf.Tensor，其静态形状为 [None]。

参数

  • proto: 可以是 SentencePiece proto 文件的 string 路径，或者是包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息，请参阅 SentencePiece 仓库。

示例

# Unbatched input.
tokenizer = keras_hub.models.PaliGemmaTokenizer.from_preset(
    "pali_gemma_3b_224"
)
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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.PaliGemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Tokenizer。

预设是配置、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. 内置预设标识符，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. 本地预设目录的路径，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预设。

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()，或者从模型类调用，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预设目录中的配置推断出来。

参数

  • preset: 字符串。内置预设标识符、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，权重将被随机初始化。

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])
预设 参数 描述
pali_gemma_3b_mix_224 2.92B 图像尺寸 224，混合微调，文本序列长度为 256
pali_gemma_3b_224 2.92B 图像尺寸 224，预训练，文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像尺寸 448，混合微调，文本序列长度为 512
pali_gemma_3b_448 2.92B 图像尺寸 448，预训练，文本序列长度为 512
pali_gemma_3b_896 2.93B 图像尺寸 896，预训练，文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_pt_3b_224 3.03B 30 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在数据集混合上进行了预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在 DOCCI 数据集上进行了微调，以改进具有精细细节的描述。
pali_gemma2_mix_3b_448 3.03B 30 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_pt_3b_448 3.03B 30 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_pt_3b_896 3.04B 30 亿参数，图像尺寸 896，SigLIP-So400m 视觉编码器为 27 层，Gemma2 2B 语言模型为 26 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_mix_10b_224 9.66B 100 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_pt_10b_224 9.66B 100 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_ft_docci_10b_448 9.66B 100 亿参数，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在 DOCCI 数据集上进行了微调，以改进具有精细细节的描述。
pali_gemma2_mix_10b_448 9.66B 100 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_pt_10b_448 9.66B 100 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_pt_10b_896 9.67B 100 亿参数，图像尺寸 896，SigLIP-So400m 视觉编码器为 27 层，Gemma2 9B 语言模型为 42 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_mix_28b_224 27.65B 280 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 27B 语言模型为 46 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_mix_28b_448 27.65B 280 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 27B 语言模型为 46 层。此模型已在各种视觉语言任务和领域上进行了微调。
pali_gemma2_pt_28b_224 27.65B 280 亿参数，图像尺寸 224，SigLIP-So400m 视觉编码器为 27 层，Gemma2 27B 语言模型为 46 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_pt_28b_448 27.65B 280 亿参数，图像尺寸 448，SigLIP-So400m 视觉编码器为 27 层，Gemma2 27B 语言模型为 46 层。此模型已在数据集混合上进行了预训练。
pali_gemma2_pt_28b_896 27.65B 280 亿参数，图像尺寸 896，SigLIP-So400m 视觉编码器为 27 层，Gemma2 27B 语言模型为 46 层。此模型已在数据集混合上进行了预训练。
PaliGemmaTokenizer
PaliGemmaTokenizer 类
from_preset 方法