Phi3Tokenizer

[源代码]

Phi3Tokenizer

keras_hub.tokenizers.Phi3Tokenizer(proto, **kwargs)

基于 SentencePiece 的 Phi3 分词器层。

这个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,它将检查 Phi3 模型所需的所有特殊 token,并提供一个 from_preset() 方法,以自动下载 Phi3 预设的匹配词汇表。

如果输入是一批字符串(秩 > 0),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),该层将输出一个具有静态形状 [None] 的密集 tf.Tensor

参数

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

示例

# Unbatched input.
tokenizer = keras_hub.models.Phi3Tokenizer.from_preset(
    "phi3_mini_4k_instruct_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."))

[源代码]

from_preset 方法

Phi3Tokenizer.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. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Tokenizer 子类,您都可以运行 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以下两种方式之一调用。要么从基类(如 keras_hub.models.Tokenizer.from_preset())调用,要么从模型类(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推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights:布尔值。如果为 `True`,权重将被加载到模型架构中。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
phi3_mini_4k_instruct_en 3.82B 38 亿参数,32 层,4k 上下文长度,Phi-3 模型。该模型使用 Phi-3 数据集进行训练。该数据集包括合成数据和经过筛选的公开可用网站数据,重点关注高质量和推理密集型属性。
phi3_mini_128k_instruct_en 3.82B 38 亿参数,32 层,128k 上下文长度,Phi-3 模型。该模型使用 Phi-3 数据集进行训练。该数据集包括合成数据和经过筛选的公开可用网站数据,重点关注高质量和推理密集型属性。