Qwen3CausalLMPreprocessor 类keras_hub.models.Qwen3CausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
因果语言建模预处理层的基类。
CausalLMPreprocessor 任务包装一个 keras_hub.tokenizer.Tokenizer 来创建一个用于因果语言建模任务的预处理层。它旨在与 keras.models.CausalLM 任务配对使用。
所有 CausalLMPreprocessor 都接受单个输入。这可以是一个单独的字符串，也可以是字符串的批次。请参阅下面的示例。这些输入将被分词并填充/截断到固定的序列长度。
此层将始终输出一个 (x, y, sample_weight) 元组，其中 x 是一个包含分词后输入的字典，y 包含 x 中偏移 1 的分词，而 sample_weight 标记 y 中包含填充值的位置。x 的确切内容将根据所使用的模型而有所不同。
CausalLMPreprocessor 包含两个额外的方法：generate_preprocess 和 generate_postprocess，用于生成任务。请参阅下面的示例。
所有 CausalLMPreprocessor 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和词汇表。您可以直接在该基类上调用 from_preset() 构造函数，在这种情况下，将自动实例化适合您模型的正确类。
示例。
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"bert_base_en_uncased",
sequence_length=256, # Optional.
)
# Tokenize, mask and pack a single sentence.
x = "The quick brown fox jumped."
x, y, sample_weight = preprocessor(x)
# Tokenize and pad/truncate a batch of labeled sentences.
x = ["The quick brown fox jumped.", "Call me Ishmael."]
x, y, sample_weight = preprocessor(x)
# With a [`tf.data.Dataset`](https://tensorflowcn.cn/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices(x)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Generate preprocess and postprocess.
x = preprocessor.generate_preprocess(x) # Tokenized numeric inputs.
x = preprocessor.generate_postprocess(x) # Detokenized string outputs.
from_preset 方法Qwen3CausalLMPreprocessor.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 |
|---|---|---|
| qwen3_0.6b_en | 596.05M | 28 层 Qwen3 模型，具有 5.96 亿参数，针对资源受限设备的效率和快速推理进行了优化。 |
| qwen3_1.7b_en | 1.72B | 28 层 Qwen3 模型，具有 17.2 亿参数，在性能和资源使用之间取得了良好的平衡。 |
| qwen3_4b_en | 4.02B | 36 层 Qwen3 模型，具有 40.2 亿参数，提供了比小型变体更强的推理能力和更好的性能。 |
| qwen3_8b_en | 8.19B | 36 层 Qwen3 模型，具有 81.9 亿参数，具备增强的推理、编码和指令遵循能力。 |
| qwen3_14b_en | 14.77B | 40 层 Qwen3 模型，具有 147.7 亿参数，具备先进的推理、编码和多语言能力。 |
| qwen3_32b_en | 32.76B | 64 层 Qwen3 模型，具有 327.6 亿参数，在推理、编码和通用语言任务方面均达到最先进的性能。 |
tokenizer 属性keras_hub.models.Qwen3CausalLMPreprocessor.tokenizer
用于对字符串进行分词的分词器。