SigLIPTokenizer

[源代码]

SigLIPTokenizer

keras_hub.tokenizers.SigLIPTokenizer(proto, **kwargs)

基于 SentencePiece 的 SigLIP 分词器层。

此分词器类将原始字符串分词为整数序列,并基于 keras_hub.tokenizers.SentencePieceTokenizer。与底层分词器不同,它会检查 SigLIP 模型所需的所有特殊 token,并提供一个 from_preset() 方法来自动下载匹配 SigLIP 预设的词汇表。

如果输入是字符串批次(rank > 0),该层将输出一个 tf.RaggedTensor,其中输出的最后一维是 ragged 的。

如果输入是标量字符串(rank == 0),该层将输出一个密集 tf.Tensor,其静态形状为 [None]

参数

  • proto: SentencePiece proto 文件的 string 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,请参阅 SentencePiece 仓库

示例

# Unbatched input.
tokenizer = keras_hub.models.SigLIPTokenizer.from_preset(
    "siglip_base_patch16_224"
)
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."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.SigLIPTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[源代码]

from_preset 方法

SigLIPTokenizer.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 可以以下列方式之一传递:

  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. 本地预设目录路径,例如 './bert_base_en'

对于任何 Tokenizer 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。

此构造函数可以通过两种方式之一调用。要么从基类调用,例如 keras_hub.models.Tokenizer.from_preset(),要么从模型类调用,例如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用,则返回对象的子类将从预设目录中的配置推断出来。

参数

  • preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄,或本地目录路径。
  • 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 参数量 描述
siglip_base_patch16_224 203.16M 2 亿参数,图像尺寸 224,在 WebLi 上预训练。
siglip_base_patch16_256 203.20M 2 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip_base_patch16_384 203.45M 2 亿参数,图像尺寸 384,在 WebLi 上预训练。
siglip_base_patch16_512 203.79M 2 亿参数,图像尺寸 512,在 WebLi 上预训练。
siglip_base_patch16_256_multilingual 370.63M 3.7 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch16_224 375.19M 3.75 亿参数,patch 尺寸 16,图像尺寸 224,在 WebLi 上预训练。
siglip2_base_patch16_256 375.23M 3.75 亿参数,patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch32_256 376.86M 3.76 亿参数,patch 尺寸 32,图像尺寸 256,在 WebLi 上预训练。
siglip2_base_patch16_384 376.86M 3.76 亿参数,patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。
siglip_large_patch16_256 652.15M 6.52 亿参数,图像尺寸 256,在 WebLi 上预训练。
siglip_large_patch16_384 652.48M 6.52 亿参数,图像尺寸 384,在 WebLi 上预训练。
siglip_so400m_patch14_224 877.36M 8.77 亿参数,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip_so400m_patch14_384 877.96M 8.77 亿参数,图像尺寸 384,形状优化版本,在 WebLi 上预训练。
siglip2_large_patch16_256 881.53M 8.81 亿参数,patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_large_patch16_384 881.86M 8.81 亿参数,patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。
siglip2_large_patch16_512 882.31M 8.82 亿参数,patch 尺寸 16,图像尺寸 512,在 WebLi 上预训练。
siglip_so400m_patch16_256_i18n 1.13B 11 亿参数,图像尺寸 256,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch14_224 1.14B 11 亿参数,patch 尺寸 14,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_256 1.14B 11 亿参数,patch 尺寸 16,图像尺寸 256,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch14_384 1.14B 11 亿参数,patch 尺寸 14,图像尺寸 224,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_384 1.14B 11 亿参数,patch 尺寸 16,图像尺寸 384,形状优化版本,在 WebLi 上预训练。
siglip2_so400m_patch16_512 1.14B 11 亿参数,patch 尺寸 16,图像尺寸 512,形状优化版本,在 WebLi 上预训练。
siglip2_giant_opt_patch16_256 1.87B 18 亿参数,patch 尺寸 16,图像尺寸 256,在 WebLi 上预训练。
siglip2_giant_opt_patch16_384 1.87B 18 亿参数,patch 尺寸 16,图像尺寸 384,在 WebLi 上预训练。