Phi3Tokenizer

[源]

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标记化为整数序列,并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它会检查 Phi3 模型所需的所有特殊标记,并提供一个 from_preset() 方法,以自动下载与 Phi3 预设匹配的词汇表。

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

参数

  • proto: 可以是 `string` 类型的 SentencePiece proto 文件路径,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.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]

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 可以作为以下形式之一传递:

  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() 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,将从预设目录中的配置推断出返回对象的子类。

参数

  • preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: bool。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。该数据集包含合成数据和过滤后的公开网站数据,侧重于高质量和推理密集型特性。
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。该数据集包含合成数据和过滤后的公开网站数据,侧重于高质量和推理密集型特性。