PaliGemmaTokenizer

[源代码]

PaliGemmaTokenizer

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

基于 SentencePiece 的 PaliGemma 分词器层。

该分词器类将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同的是,它会检查 PaliGemma 模型所需的所有特殊 token,并提供一个 from_preset() 方法,用于自动下载与 PaliGemma 预设匹配的词汇表。

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

如果输入是标量字符串(秩 == 0),则该层将输出一个静态形状为 [None] 的密集 tf.Tensor

参数

  • proto:可以是 SentencePiece proto 文件的 string 路径,或包含序列化 SentencePiece proto 的 bytes 对象。有关格式的更多详细信息,请参见 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)

从模型预设中实例化一个 keras_hub.models.Tokenizer

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以以下列形式之一传递:

  1. 内置预设标识符,如 'bert_base_en'
  2. Kaggle 模型句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,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(如 keras_hub.models.Tokenizer.from_preset())调用,也可以从模型类(如 keras_hub.models.GemmaTokenizer.from_preset())调用。如果从基类调用,返回对象的子类将从预设目录中的配置中推断出来。

参数

  • preset:string。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights:bool。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])
预设 参数 描述
pali_gemma_3b_mix_224 2.92B 图像大小 224,mix 微调,文本序列长度为 256
pali_gemma_3b_224 2.92B 图像大小 224,预训练,文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像大小 448,mix 微调,文本序列长度为 512
pali_gemma_3b_448 2.92B 图像大小 448,预训练,文本序列长度为 512
pali_gemma_3b_896 2.93B 图像大小 896,预训练,文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_3b_224 3.03B 30 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在混合数据集上进行了预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在 DOCCI 数据集上进行微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_3b_448 3.03B 30 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_3b_448 3.03B 30 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_pt_3b_896 3.04B 30 亿参数,图像大小 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_mix_10b_224 9.66B 100 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_10b_224 9.66B 100 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。该模型已在混合数据集上进行了预训练。
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。该模型已在 DOCCI 数据集上进行微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_10b_448 9.66B 100 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_10b_448 9.66B 100 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_pt_10b_896 9.67B 100 亿参数,图像大小 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_mix_28b_224 27.65B 280 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_mix_28b_448 27.65B 280 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。该模型已在广泛的视觉-语言任务和领域上进行了微调。
pali_gemma2_pt_28b_224 27.65B 280 亿参数,图像大小 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_pt_28b_448 27.65B 280 亿参数,图像大小 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。该模型已在混合数据集上进行了预训练。
pali_gemma2_pt_28b_896 27.65B 280 亿参数,图像大小 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。该模型已在混合数据集上进行了预训练。