WhisperTokenizer

[源代码]

WhisperTokenizer 类

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

Whisper 文本分词器，使用字节对编码子词分段。

此分词器类将原始字符串分词为整数序列，并且基于 keras_hub.tokenizers.BytePairTokenizer。此分词器不提供输入的截断或填充。

参数

• vocabulary: string 或 dict，将标记映射到整数 ID。如果它是一个字符串，则应为 JSON 文件的文件路径。
• merges: string 或 list，包含合并规则。如果它是一个字符串，则应为合并规则的文件路径。合并规则文件应每行包含一个合并规则。每个合并规则包含以空格分隔的合并实体。
• special_tokens: string 或 dict，将特殊标记映射到整数 ID。如果它是一个字符串，则应为 JSON 文件的路径。
• language_tokens: string 或 dict，将语言标记映射到整数 ID。如果不是 None，则分词器将被假定为多语言分词器。

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Tokenizer。

预设是一个配置、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

1. 内置预设标识符，如 'bert_base_en'
2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Tokenizer 子类，您可以运行 cls.presets.keys() 以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。可以从基类调用，如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，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: string。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: 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])