T5Tokenizer

[源]

T5Tokenizer

keras_hub.tokenizers.T5Tokenizer(proto, **kwargs)

基于 SentencePiece 的 T5 分词器层。

此类分词器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 T5 模型所需的所有特殊标记,并提供一个 from_preset() 方法,用于自动下载 T5 预设的匹配词汇表。

如果输入是字符串批次(秩 > 0),该层将输出一个 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),该层将输出一个具有静态形状 [None] 的密集 tf.Tensor

参数

  • proto:SentencePiece proto 文件的 string 路径,或者包含序列化 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

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",
    bos_id=-1,
    pad_id=0,
    eos_id=1,
    unk_id=2,
    pad_piece="<pad>",
    eos_piece="</s>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.T5Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])

# Unbatched inputs.
tokenizer("the quick brown fox")

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

[源]

from_preset 方法

T5Tokenizer.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 可以是以下之一

  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. 本地预设目录的路径,例如 './bert_base_en'

对于任何 Tokenizer 子类,您都可以运行 cls.presets.keys() 来列出该类可用的所有内置预设。

此构造函数可以通过以下两种方式之一调用。从基类调用,例如 keras_hub.models.Tokenizer.from_preset(),或从模型类调用,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: string. 内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录路径。
  • load_weights: bool. 如果为 True,权重将加载到模型架构中。如果为 False,权重将随机初始化。

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
t5_small_multi 0 8 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
t5_base_multi 0 12 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
t5_large_multi 0 24 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
flan_small_multi 0 8 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
flan_base_multi 0 12 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
flan_large_multi 0 24 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上训练。
t5_1.1_small 60.51M
t5_1.1_base 247.58M
t5_1.1_large 750.25M
t5_1.1_xl 2.85B
t5_1.1_xxl 11.14B