CausalLM

[來源]

CausalLM 類別

keras_hub.models.CausalLM()

用於生成式語言建模任務的基底類別。

CausalLM 任務包裝了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以建立可用於生成和生成式微調的模型。

CausalLM 任務提供了一個額外的、高階的 generate() 函數，可用於以字串輸入、字串輸出的簽章自動遞迴地逐個標記地對模型進行取樣。所有 CausalLM 類別的 compile() 方法都包含一個額外的 sampler 參數，可用於傳遞 keras_hub.samplers.Sampler 來控制如何對預測分佈進行取樣。

呼叫 fit() 時，標記化的輸入將透過套用因果遮罩逐個標記地進行預測，這為控制推論時間生成提供了預訓練和監督式微調設置。

所有 CausalLM 任務都包含一個 from_preset() 建構函數，可用於載入預先訓練的配置和權重。

範例

# Load a GPT2 backbone with pre-trained weights.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gpt2_base_en",
)
causal_lm.compile(sampler="top_k")
causal_lm.generate("Keras is a", max_length=64)

# Load a Mistral instruction tuned checkpoint at bfloat16 precision.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "mistral_instruct_7b_en",
    dtype="bfloat16",
)
causal_lm.compile(sampler="greedy")
causal_lm.generate("Keras is a", max_length=64)

[來源]

from_preset 方法

CausalLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設集實例化 keras_hub.models.Task。

預設集是一個包含配置、權重和其他檔案資產的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中一項傳遞

1. 內建預設集識別碼，例如 'bert_base_en'
2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控點，例如 'hf://user/bert_base_en'
4. 本機預設集目錄的路徑，例如 './bert_base_en'

對於任何 Task 子類別，您可以執行 cls.presets.keys() 來列出類別上可用的所有內建預設集。

這個建構函式可以使用兩種方式之一來呼叫。可以從特定於任務的基類（例如 keras_hub.models.CausalLM.from_preset()）呼叫，也可以從模型類別（例如 keras_hub.models.BertTextClassifier.from_preset()）呼叫。如果從基類呼叫，則會從預設目錄中的設定推斷出返回物件的子類別。

參數

• preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點或本機目錄的路徑。
• load_weights：布林值。如果為 True，則會將儲存的權重載入模型架構中。如果為 False，則會隨機初始化所有權重。

範例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

[來源]

compile 方法

CausalLM.compile(
    optimizer="auto", loss="auto", weighted_metrics="auto", sampler="top_k", **kwargs
)

設定 CausalLM 任務以進行訓練和生成。

CausalLM 任務使用 optimizer、loss 和 weighted_metrics 的預設值，擴展了 keras.Model.compile 的預設編譯簽章。若要覆寫這些預設值，請在編譯期間將任何值傳遞給這些參數。

CausalLM 任務會將新的 sampler 新增至 compile，可用於控制 generate 函式使用的取樣策略。

請注意，由於訓練輸入包含從損失中排除的填充權杖，因此使用 weighted_metrics 而不是 metrics 進行編譯幾乎總是一個好主意。

參數

• optimizer："auto"、優化器名稱或 keras.Optimizer 執行個體。預設為 "auto"，它會針對指定的模型和任務使用預設的優化器。如需可能的 optimizer 值的詳細資訊，請參閱 keras.Model.compile 和 keras.optimizers。
• loss："auto"、損失名稱或 keras.losses.Loss 執行個體。預設為 "auto"，其中會針對權杖分類 CausalLM 任務套用 keras.losses.SparseCategoricalCrossentropy 損失。如需可能的 loss 值的詳細資訊，請參閱 keras.Model.compile 和 keras.losses。
• weighted_metrics："auto" 或模型在訓練和測試期間要評估的指標清單。預設為 "auto"，其中會套用 keras.metrics.SparseCategoricalAccuracy 來追蹤模型在猜測遮罩權杖值時的準確性。如需可能的 weighted_metrics 值的詳細資訊，請參閱 keras.Model.compile 和 keras.metrics。
• sampler：取樣器名稱或 keras_hub.samplers.Sampler 執行個體。設定在 generate() 呼叫期間使用的取樣方法。如需內建取樣策略的完整清單，請參閱 keras_hub.samplers。
• **kwargs：如需 compile 方法支援的完整參數清單，請參閱 keras.Model.compile。

[來源]

generate 方法

CausalLM.generate(inputs, max_length=None, stop_token_ids="auto")

根據提示 inputs 生成文字。

這個方法會根據指定的 inputs 生成文字。用於生成文字的取樣方法可以透過 compile() 方法設定。

如果 inputs 是 tf.data.Dataset，則會「逐批」生成輸出並進行串聯。否則，所有輸入都將作為單一批次處理。

如果 preprocessor 附加到模型，則會在 generate() 函式內部預處理 inputs，並且應該符合 preprocessor 層預期的結構（通常是原始字串）。如果未附加 preprocessor，則輸入應該符合 backbone 預期的結構。如需每個範例的示範，請參閱上面的範例用法。

參數

• inputs：Python 資料、張量資料或 tf.data.Dataset。如果 preprocessor 附加到模型，則 inputs 應該符合 preprocessor 層預期的結構。如果未附加 preprocessor，則 inputs 應該符合 backbone 模型預期的結構。
• max_length：（選填）int。產生序列的最大長度。預設為 preprocessor 設定的最大 sequence_length。如果 preprocessor 為 None，則應將 inputs 填補到所需的最大長度，並且會忽略此參數。
• stop_token_ids：（選填）None、「auto」或 token ID 的元組。預設為「auto」，它使用 preprocessor.tokenizer.end_token_id。未指定處理器將會產生錯誤。None 會在產生 max_length 個 token 後停止產生。您也可以指定模型應該停止的 token ID 清單。請注意，token 序列將各自被解釋為一個停止 token，不支援多 token 停止序列。

[來源]

save_to_preset 方法

CausalLM.save_to_preset(preset_dir)

將任務儲存到預設目錄。

參數

• preset_dir：本機模型預設目錄的路徑。

preprocessor 屬性

keras_hub.models.CausalLM.preprocessor

用於預處理輸入的 keras_hub.models.Preprocessor 層。

backbone 屬性

keras_hub.models.CausalLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。