WhisperTokenizer

[源代码]

WhisperTokenizer 类

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

使用字节对编码子词分割的 Whisper 文本分词器。

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

参数

• vocabulary: 字符串或字典，将词元映射到整数 ID。如果是字符串，则应为 json 文件的路径。
• merges：字符串或列表，包含合并规则。如果它是字符串，则应为合并规则的文件路径。合并规则文件应每行包含一条合并规则。每条合并规则包含以空格分隔的合并实体。
• special_tokens: 字符串或字典，将特殊标记映射到整数 ID。如果为字符串，则应为 JSON 文件的路径。
• language_tokens: 字符串或字典，将语言标记映射到整数 ID。如果不为 None，则假定分词器是多语言分词器。

[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。

预设是一个包含配置、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. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './bert_base_en'

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

此构造函数可以通过两种方式调用。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根据预设目录中的配置推断。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• 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])