► Keras 3 API 文件 / KerasNLP / 預先訓練的模型 / Gemma / GemmaTokenizer

GemmaTokenizer

[來源]

GemmaTokenizer 類別

keras_nlp.tokenizers.GemmaTokenizer(proto, **kwargs)

基於 SentencePiece 的 Gemma 標記器層。

這個標記器類別會將原始字串標記為整數序列，並基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層標記器不同，它會檢查 Gemma 模型所需的所有特殊標記，並提供 from_preset() 方法，自動下載與 Gemma 預設集相符的詞彙表。

如果輸入是一批字串（秩 > 0），則該層將輸出 tf.RaggedTensor，其中輸出的最後一個維度是不規則的。

如果輸入是純量字串（秩 == 0），則該層將輸出靜態形狀為 [None] 的密集 tf.Tensor。

引數

  • proto：SentencePiece proto 檔案的 string 路徑，或是帶有序列化 SentencePiece proto 的 bytes 物件。如需格式的詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_nlp.models.GemmaTokenizer.from_preset("gemma_2b_en")
tokenizer("The quick brown fox jumped.")

# Batched input.
tokenizer(["The quick brown fox jumped.", "The fox slept."])

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

# Custom vocabulary.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_nlp.models.GemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[來源]

from_preset 方法

GemmaTokenizer.from_preset(preset, **kwargs)

從模型預設集建立 keras_nlp.models.Tokenizer 的實例。

預設集是配置、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種傳遞

  1. 內建的預設集識別碼，例如 'bert_base_en'
  2. Kaggle 模型控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制代碼，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 Tokenizer 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。

此建構函數可以透過兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_nlp.models.Tokenizer.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則會從預設集目錄中的配置推斷出返回物件的子類別。

引數

  • preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點，或指向本機目錄的路徑。
  • load_weights：布林值。如果為 True，權重將會載入模型架構中。如果為 False，則會隨機初始化權重。

範例

# Load a preset tokenizer.
tokenizer = keras_nlp.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])
預設名稱 參數 說明
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 版更新提升了模型品質。
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接受過「填空」(FIM) 訓練。1.1 版更新提升了模型品質。
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接受過「填空」(FIM) 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 版更新提升了模型品質。
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接受過「填空」(FIM) 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接受過訓練。
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接受過訓練。1.1 版更新提升了模型品質。
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。
GemmaTokenizer
GemmaTokenizer 類別
from_preset 方法