► Keras 3 API 文件 / KerasHub / 模型 API / CausalLMPreprocessor

CausalLMPreprocessor

[來源]

CausalLMPreprocessor 類別

keras_hub.models.CausalLMPreprocessor(
    tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)

因果語言建模預處理層的基類。

CausalLMPreprocessor 任務包裝了一個 keras_hub.tokenizer.Tokenizer 來建立用於因果語言建模任務的預處理層。它旨在與 keras.models.CausalLM 任務配對使用。

所有 CausalLMPreprocessor 都接受單一輸入。這可以是單一字串或一批字串。請參閱下面的範例。這些輸入將被標記化，並填充/截斷為固定的序列長度。

此層將始終輸出一個 (x, y, sample_weight) 元組，其中 x 是一個包含標記化輸入的字典，y 包含從 x 偏移 1 的標記，而 sample_weight 標記 y 中包含填充值的位置。x 的確切內容將根據所使用的模型而有所不同。

CausalLMPreprocessor 包含兩個額外的方法，generate_preprocess 和 generate_postprocess，用於生成。請參閱下面的範例。

所有 CausalLMPreprocessor 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詞彙表。您可以直接在此基類上呼叫 from_preset() 建構函數，在這種情況下，將自動為您的模型實例化正確的類別。

範例。

preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "bert_base_en_uncased",
    sequence_length=256, # Optional.
)

# Tokenize, mask and pack a single sentence.
x = "The quick brown fox jumped."
x, y, sample_weight = preprocessor(x)

# Tokenize and pad/truncate a batch of labeled sentences.
x = ["The quick brown fox jumped.", "Call me Ishmael."]
x, y, sample_weight = preprocessor(x)

# With a [`tf.data.Dataset`](https://tensorflow.dev.org.tw/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices(x)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Generate preprocess and postprocess.
x = preprocessor.generate_preprocess(x)  # Tokenized numeric inputs.
x = preprocessor.generate_postprocess(x)  # Detokenized string outputs.

[來源]

from_preset 方法

CausalLMPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)

從模型預設集實例化一個 keras_hub.models.Preprocessor。

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 可以作為以下其中之一傳遞

  1. 內建的預設集識別碼，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. 指向本機預設集目錄的路徑，例如 './bert_base_en'

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

由於給定模型通常有多個預處理類別，因此應該在特定子類別上呼叫此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

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。

範例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
預設名稱 參數 說明
llama2_7b_en 6.74B 70 億參數、32 層、基礎 LLaMA 2 模型。
llama2_7b_en_int8 6.74B 70 億參數、32 層、基礎 LLaMA 2 模型，其激活和權重量化為 int8。
llama2_instruct_7b_en 6.74B 70 億參數、32 層、經過指令微調的 LLaMA 2 模型。
llama2_instruct_7b_en_int8 6.74B 70 億參數、32 層、經過指令微調的 LLaMA 2 模型，其激活和權重量化為 int8。
vicuna_1.5_7b_en 6.74B 70 億參數、32 層、經過指令微調的 Vicuna v1.5 模型。
llama3_8b_en 8.03B 80 億參數、32 層、基礎 LLaMA 3 模型。
llama3_8b_en_int8 8.03B 80 億參數、32 層、基礎 LLaMA 3 模型，其激活和權重量化為 int8。
llama3_instruct_8b_en 8.03B 80 億參數、32 層、經過指令微調的 LLaMA 3 模型。
llama3_instruct_8b_en_int8 8.03B 80 億參數、32 層、經過指令微調的 LLaMA 3 模型，其激活和權重量化為 int8。
mistral_7b_en 7.24B Mistral 7B 基礎模型
mistral_instruct_7b_en 7.24B Mistral 7B 指令模型
mistral_0.2_instruct_7b_en 7.24B Mistral 7B 指令版本 0.2 模型
gemma_2b_en 2.51B 20 億參數、18 層、基礎 Gemma 模型。
gemma_instruct_2b_en 2.51B 20 億參數、18 層、經過指令微調的 Gemma 模型。
gemma_1.1_instruct_2b_en 2.51B 20 億參數、18 層、經過指令微調的 Gemma 模型。1.1 更新提高了模型品質。
code_gemma_1.1_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已針對程式碼完成任務在填空 (FIM) 任務上進行訓練。1.1 更新提高了模型品質。
code_gemma_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已針對程式碼完成任務在填空 (FIM) 任務上進行訓練。
gemma_7b_en 8.54B 70 億參數、28 層、基礎 Gemma 模型。
gemma_instruct_7b_en 8.54B 70 億參數、28 層、經過指令微調的 Gemma 模型。
gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、經過指令微調的 Gemma 模型。1.1 更新提高了模型品質。
code_gemma_7b_en 8.54B 70 億參數、28 層、CodeGemma 模型。此模型已針對程式碼完成任務在填空 (FIM) 任務上進行訓練。
code_gemma_instruct_7b_en 8.54B 70 億參數、28 層、經過指令微調的 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。
code_gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、經過指令微調的 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。1.1 更新提高了模型品質。
gemma2_2b_en 2.61B 20 億參數、26 層、基礎 Gemma 模型。
gemma2_instruct_2b_en 2.61B 20 億參數、26 層、經過指令微調的 Gemma 模型。
gemma2_9b_en 9.24B 90 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_9b_en 9.24B 90 億參數、42 層、經過指令微調的 Gemma 模型。
gemma2_27b_en 27.23B 270 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_27b_en 27.23B 270 億參數、42 層、經過指令微調的 Gemma 模型。
shieldgemma_2b_en 2.61B 20 億參數、26 層、ShieldGemma 模型。
shieldgemma_9b_en 9.24B 90 億參數、42 層、ShieldGemma 模型。
shieldgemma_27b_en 27.23B 270 億參數、42 層、ShieldGemma 模型。
bloom_560m_multi 559.21M 24 層 Bloom 模型，隱藏維度為 1024。針對 45 種自然語言和 12 種程式語言進行訓練。
bloom_1.1b_multi 1.07B 24 層 Bloom 模型，隱藏維度為 1536。針對 45 種自然語言和 12 種程式語言進行訓練。
bloom_1.7b_multi 1.72B 具有 2048 個隱藏維度的 24 層 Bloom 模型，針對 45 種自然語言和 12 種程式語言進行訓練。
bloom_3b_multi 3.00B 具有 2560 個隱藏維度的 30 層 Bloom 模型，針對 45 種自然語言和 12 種程式語言進行訓練。
bloomz_560m_multi 559.21M 具有 1024 個隱藏維度的 24 層 Bloom 模型，針對跨語言任務混合 (xP3) 資料集進行微調。
bloomz_1.1b_multi 1.07B 具有 1536 個隱藏維度的 24 層 Bloom 模型，針對跨語言任務混合 (xP3) 資料集進行微調。
bloomz_1.7b_multi 1.72B 具有 2048 個隱藏維度的 24 層 Bloom 模型，針對跨語言任務混合 (xP3) 資料集進行微調。
bloomz_3b_multi 3.00B 具有 2560 個隱藏維度的 30 層 Bloom 模型，針對跨語言任務混合 (xP3) 資料集進行微調。
gpt2_base_en 124.44M 保留大小寫的 12 層 GPT-2 模型。根據 WebText 進行訓練。
gpt2_medium_en 354.82M 保留大小寫的 24 層 GPT-2 模型。根據 WebText 進行訓練。
gpt2_large_en 774.03M 保留大小寫的 36 層 GPT-2 模型。根據 WebText 進行訓練。
gpt2_extra_large_en 1.56B 保留大小寫的 48 層 GPT-2 模型。根據 WebText 進行訓練。
gpt2_base_en_cnn_dailymail 124.44M 保留大小寫的 12 層 GPT-2 模型。根據 CNN/DailyMail 摘要資料集進行微調。
opt_125m_en 125.24M 保留大小寫的 12 層 OPT 模型。根據 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫進行訓練。
opt_1.3b_en 1.32B 保留大小寫的 24 層 OPT 模型。根據 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫進行訓練。
opt_2.7b_en 2.70B 保留大小寫的 32 層 OPT 模型。根據 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫進行訓練。
opt_6.7b_en 6.70B 保留大小寫的 32 層 OPT 模型。根據 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫進行訓練。
pali_gemma_3b_mix_224 2.92B 影像大小 224，混合微調，文字序列長度為 256
pali_gemma_3b_mix_448 2.92B 影像大小 448，混合微調，文字序列長度為 512
pali_gemma_3b_224 2.92B 影像大小 224，預先訓練，文字序列長度為 128
pali_gemma_3b_448 2.92B 影像大小 448，預先訓練，文字序列長度為 512
pali_gemma_3b_896 2.93B 影像大小 896，預先訓練，文字序列長度為 512
phi3_mini_4k_instruct_en 3.82B 38 億個參數、32 層、4k 上下文長度，Phi-3 模型。該模型使用 Phi-3 資料集進行訓練。此資料集包括合成資料和過濾後的公開網站資料，重點關注高品質和推理密集型屬性。
phi3_mini_128k_instruct_en 3.82B 38 億個參數、32 層、128k 上下文長度，Phi-3 模型。該模型使用 Phi-3 資料集進行訓練。此資料集包括合成資料和過濾後的公開網站資料，重點關注高品質和推理密集型屬性。
falcon_refinedweb_1b_en 1.31B 24 層 Falcon 模型（具有 1B 個參數的 Falcon），根據 350B 個 RefinedWeb 資料集的詞彙進行訓練。

[來源]

save_to_preset 方法

CausalLMPreprocessor.save_to_preset(preset_dir)

將預處理器儲存到預設目錄。

參數

  • preset_dir：本機模型預設目錄的路徑。

tokenizer 屬性

keras_hub.models.CausalLMPreprocessor.tokenizer

用於將字串標記化的標記器。

CausalLMPreprocessor
CausalLMPreprocessor 類別
from_preset 方法
save_to_preset 方法
tokenizer 屬性