FalconCausalLMPreprocessor 層
FalconCausalLMPreprocessor 類別
keras_nlp.models.FalconCausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
Falcon 因果語言模型預處理器。
這個預處理層旨在與 keras_nlp.models.FalconCausalLM 搭配使用。預設情況下，它會接收批次的字串，並以 (x, y, sample_weight) 格式返回輸出，其中 y 標籤是 x 序列中的下一個權杖 ID。
為了用於生成，該層還公開了兩種方法 generate_preprocess() 和 generate_postprocess()。當這個預處理器附加到 keras_nlp.models.FalconCausalLM 實例時，這些方法將在 generate() 中隱式調用。它們也可以獨立調用（例如，在單獨的進程中預先計算生成的預處理輸入）。
參數
- tokenizer：一個
keras_nlp.models.FalconTokenizer實例。 - sequence_length：打包輸入的長度。
- add_start_token：如果為
True，預處理器會將分詞器的起始權杖添加到每個輸入序列的開頭。 - add_end_token：如果為
True，預處理器會將分詞器的結束權杖添加到每個輸入序列的結尾。
調用參數
- x：一個字串、
tf.Tensor或 Python 字串列表。 - y：標籤資料。應始終為
None，因為該層會生成標籤。 - sample_weight：標籤權重。應始終為
None，因為該層會生成標籤權重。 - sequence_length：傳遞以覆蓋該層配置的
sequence_length。
範例
# Load the preprocessor from a preset.
preprocessor = keras_nlp.models.FalconCausalLMPreprocessor.from_preset(
"falcon_refinedweb_1b_en"
)
# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")
# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])
# Map a dataset to preprocess a single sentence.
features = tf.constant(
[
"Avatar 2 is amazing!",
"Well, I am not sure.",
]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
FalconCausalLMPreprocessor.from_preset(preset, **kwargs)
從模型預設設定實例化一個 keras_nlp.models.Preprocessor。
預設設定是一個包含設定、權重和其他檔案資源的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中一種傳遞：
- 一個內建的預設設定識別碼，例如
'bert_base_en' - Kaggle 模型的處理方式，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 的處理方式，例如
'hf://user/bert_base_en' - 本機預設目錄的路徑，例如
'./bert_base_en'
對於任何 Preprocessor 子類別，您可以執行 cls.presets.keys() 來列出類別中所有可用的內建預設值。
由於給定模型通常有多個預處理類別，因此應在特定子類別上呼叫此方法，例如 keras_nlp.models.BertTextClassifierPreprocessor.from_preset()。
參數
- preset：字串。內建預設值識別碼、Kaggle 模型處理方式、Hugging Face 處理方式或本機目錄的路徑。
範例
# Load a preprocessor for Gemma generation.
preprocessor = keras_nlp.models.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_nlp.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 預設值名稱 | 參數 | 說明 |
|---|---|---|
| falcon_refinedweb_1b_en | 1.31B | 24 層 Falcon 模型（具有 1B 參數的 Falcon），在 350B 個 RefinedWeb 資料集的詞彙上訓練。 |
generate_preprocess 方法
FalconCausalLMPreprocessor.generate_preprocess(x, sequence_length=None)
將字串轉換為用於生成的整數詞彙輸入。
與呼叫訓練層類似，此方法會接收字串或張量字串，對輸入進行詞彙化和打包，並計算遮罩所有未填入填充值的輸入的填充遮罩。
與呼叫訓練層不同，此方法不會計算標籤，也不會將 tokenizer.end_token_id 附加到序列的末尾（因為預計生成會在輸入提示的末尾繼續）。
generate_postprocess 方法
FalconCausalLMPreprocessor.generate_postprocess(x)
將整數詞彙輸出轉換為用於生成的字串。
此方法會反轉 generate_preprocess()，方法是先移除所有填充和開始/結束詞彙，然後將整數序列轉換回字串。
tokenizer 屬性
keras_nlp.models.FalconCausalLMPreprocessor.tokenizer
用於對字串進行詞彙化的詞彙化器。