QwenTokenizer

[源代码]

QwenTokenizer

keras_hub.tokenizers.QwenTokenizer(vocabulary=None, merges=None, **kwargs)

Qwen 模型的分词器。

此分词器为 Qwen 模型实现字节对编码 (BPE),处理 BOS (序列开始) 和 EOS (序列结束) 等特殊标记。

参数

  • vocabulary: 将标记映射到标记 ID 的字典,或词汇文件路径。
  • merges: BPE 合并列表,或合并文件路径。
  • bos_token: 序列开始标记。默认为 None。
  • eos_token: 序列结束标记。默认为 "<|endoftext|>"。
  • misc_special_tokens: 其他特殊标记的集合。默认为空集。

[源代码]

from_preset 方法

QwenTokenizer.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两种方式调用。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,返回对象的子类将根据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
qwen2.5_0.5b_en 494.03M 24 层 Qwen 模型,参数为 5 亿。
qwen2.5_instruct_0.5b_en 494.03M 指令微调 24 层 Qwen 模型,参数为 5 亿。
qwen2.5_3b_en 3.09B 36 层 Qwen 模型,参数为 31 亿。
qwen2.5_7b_en 6.99B 48 层 Qwen 模型,参数为 70 亿。
qwen2.5_instruct_32b_en 32.76B 指令微调 64 层 Qwen 模型,参数为 320 亿。
qwen2.5_instruct_72b_en 72.71B 指令微调 80 层 Qwen 模型,参数为 720 亿。