Whisper 分词器

[源文件]

WhisperTokenizer 类

keras_hub.tokenizers.WhisperTokenizer(
    vocabulary=None, merges=None, special_tokens=None, language_tokens=None, **kwargs
)

使用字节对编码（Byte-Pair Encoding）子词分割的 Whisper 文本分词器。

这个分词器类会将原始字符串分词为整数序列，并基于 keras_hub.tokenizers.BytePairTokenizer。该分词器不提供输入的截断或填充功能。

参数

• vocabulary：字符串或字典，将词元映射到整数 ID。如果是字符串，应为 JSON 文件的路径。
• merges：字符串或列表，包含合并规则。如果是字符串，应为合并规则文件的路径。合并规则文件应每行包含一条合并规则。每条合并规则包含由空格分隔的合并实体。
• special_tokens：字符串或字典，将特殊词元映射到整数 ID。如果是字符串，应为 JSON 文件的路径。
• language_tokens：字符串或字典，将语言词元映射到整数 ID。如果不是 None，则假定该分词器是多语言分词器。

[源文件]

from_preset 方法

WhisperTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

从模型预设实例化 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 可以按以下方式之一传递：

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. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Tokenizer 子类，您可以运行 cls.presets.keys() 来列出类中所有可用的内置预设。

此构造函数可以通过以下两种方式之一调用。可以从基类（例如 keras_hub.models.Tokenizer.from_preset()）调用，也可以从模型类（例如 keras_hub.models.GemmaTokenizer.from_preset()）调用。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。

参数

• preset：字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：布尔值。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])