► KerasHub：预训练模型 / API 文档 / 模型架构 / T5 / T5Tokenizer

T5Tokenizer

`T5Tokenizer` 类

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

内置预设标识符，例如 'bert_base_en'
Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
Hugging Face 句柄，例如 'hf://user/bert_base_en'
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

T5Tokenizer

T5Tokenizer 类

from_preset 方法

T5Tokenizer

T5Tokenizer 类

from_preset 方法

`T5Tokenizer` 类

`from_preset` 方法