QwenCausalLMPreprocessor
类keras_hub.models.QwenCausalLMPreprocessor()
Qwen 因果语言模型预处理器。
此预处理层旨在与 keras_hub.models.QwenCausalLM
配合使用。默认情况下,它将接收字符串批次,并以 (x, y, sample_weight)
格式返回输出,其中 y
标签是 x
序列中的下一个标记 ID。
为了用于生成,该层还暴露了两个方法:generate_preprocess()
和 generate_postprocess()
。当此预处理器附加到 keras_hub.models.QwenCausalLM
实例时,这些方法将在 generate()
中隐式调用。它们也可以单独调用(例如,在单独的进程中预计算生成所需的预处理输入)。
参数
keras_hub.models.QwenTokenizer
实例。True
,预处理器将在每个输入序列前添加分词器的起始词元。默认为 True
。True
,预处理器将在每个输入序列后附加分词器的结束词元。默认为 False
。调用参数
tf.Tensor
或 Python 字符串列表。None
,因为该层会生成标签。None
,因为该层会生成标签权重。sequence_length
。示例
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.QwenCausalLMPreprocessor.from_preset(
"qwen2.5_0.5b_en"
)
# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")
# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])
# Map a dataset to preprocess a single sentence.
features = tf.constant(
[
"Avatar 2 is amazing!",
"Well, I am not sure.",
]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset
方法QwenCausalLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
从模型预设实例化一个 keras_hub.models.Preprocessor
。
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Preprocessor
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。
由于一个给定模型通常有多个预处理类,因此应在特定的子类上调用此方法,例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()
。
参数
示例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en",
)
预设 | 参数 | 描述 |
---|---|---|
qwen2.5_0.5b_en | 4.9403 亿 | 24 层 Qwen 模型,参数为 5 亿。 |
qwen2.5_instruct_0.5b_en | 4.9403 亿 | 指令微调 24 层 Qwen 模型,参数为 5 亿。 |
qwen2.5_3b_en | 30.9 亿 | 36 层 Qwen 模型,参数为 31 亿。 |
qwen2.5_7b_en | 69.9 亿 | 48 层 Qwen 模型,参数为 70 亿。 |
qwen2.5_instruct_32b_en | 327.6 亿 | 指令微调 64 层 Qwen 模型,参数为 320 亿。 |
qwen2.5_instruct_72b_en | 727.1 亿 | 指令微调 80 层 Qwen 模型,参数为 720 亿。 |
tokenizer
属性keras_hub.models.QwenCausalLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。