Phi3Tokenizer
类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
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."))
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:
'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()
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
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。 |