► Keras 3 API 文件 / KerasNLP / 預訓練模型 / GPT2 / GPT2CausalLM 模型

GPT2CausalLM 模型

[來源]

GPT2CausalLM 類別

keras_nlp.models.GPT2CausalLM(backbone, preprocessor=None, **kwargs)

用於因果語言建模的端到端 GPT2 模型。

因果語言模型 (LM) 會根據先前的詞彙預測下一個詞彙。此任務設定可用於在純文字輸入上對模型進行非監督式訓練，或自動遞迴地生成類似於用於訓練的資料的純文字。只需呼叫 fit()，即可將此任務用於預訓練或微調 GPT-2 模型。

此模型具有 generate() 方法，可以根據提示生成文字。所使用的生成策略由 compile() 上的額外 sampler 參數控制。您可以使用不同的 keras_nlp.samplers 物件重新編譯模型來控制生成。預設情況下，將使用 "top_k" 採樣。

此模型可以選擇性地配置 preprocessor 層，在這種情況下，它會在 fit()、predict()、evaluate() 和 generate() 期間自動將預處理應用於字串輸入。使用 from_preset() 建立模型時，預設會執行此操作。

免責聲明：預訓練模型按「原樣」提供，不提供任何形式的保證或條件。基礎模型由協力廠商提供，並受獨立授權的約束，請參閱此處。

參數

範例

使用 generate() 進行文字生成。

gpt2_lm = keras_nlp.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.generate("I want to say", max_length=30)

# Generate with batched prompts.
gpt2_lm.generate(["This is a", "Where are you"], max_length=30)

使用自訂的取樣器編譯 generate() 函數。

gpt2_lm = keras_nlp.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.compile(sampler="greedy")
gpt2_lm.generate("I want to say", max_length=30)

gpt2_lm.compile(sampler=keras_nlp.samplers.BeamSampler(num_beams=2))
gpt2_lm.generate("I want to say", max_length=30)

在不進行預處理的情況下使用 generate()。

# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
    "token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
    "padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}

gpt2_lm = keras_nlp.models.GPT2CausalLM.from_preset(
    "gpt2_base_en",
    preprocessor=None,
)
gpt2_lm.generate(prompt)

在單一批次上呼叫 fit()。

features = ["The quick brown fox jumped.", "I forgot my homework."]
gpt2_lm = keras_nlp.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.fit(x=features, batch_size=2)

在不進行預處理的情況下呼叫 fit()。

x = {
    "token_ids": np.array([[50256, 1, 2, 3, 4]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[1, 2, 3, 4, 50256]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)

gpt2_lm = keras_nlp.models.GPT2CausalLM.from_preset(
    "gpt2_base_en",
    preprocessor=None,
)
gpt2_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自訂骨幹網路和詞彙。

features = ["a quick fox.", "a fox quick."]
vocab = {"<|endoftext|>": 0, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]

tokenizer = keras_nlp.models.GPT2Tokenizer(
    vocabulary=vocab,
    merges=merges,
)
preprocessor = keras_nlp.models.GPT2CausalLMPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_nlp.models.GPT2Backbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
gpt2_lm = keras_nlp.models.GPT2CausalLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
gpt2_lm.fit(x=features, batch_size=2)

[來源]

from_preset 方法

GPT2CausalLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設設定建立 keras_nlp.models.Task 的實例。

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 可以傳遞以下其中一種：

  1. 內建的預設設定識別碼，例如 'bert_base_en'
  2. Kaggle 模型處理常式，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 處理常式，例如 'hf://user/bert_base_en'
  4. 本機預設設定目錄的路徑，例如 './bert_base_en'

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

這個建構函數可以使用兩種方式之一來呼叫。可以從特定任務的基底類別呼叫，例如 keras_nlp.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設設定目錄中的設定推斷。

參數

  • preset：字串。內建的預設設定識別碼、Kaggle 模型處理常式、Hugging Face 處理常式或本機目錄的路徑。
  • 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_nlp.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_nlp.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
預設設定名稱 參數 說明
gpt2_base_en 124.44M 12 層 GPT-2 模型，保留大小寫。使用 WebText 訓練。
gpt2_medium_en 354.82M 24 層 GPT-2 模型，保留大小寫。使用 WebText 訓練。
gpt2_large_en 774.03M 36 層 GPT-2 模型，保留大小寫。使用 WebText 訓練。
gpt2_extra_large_en 1.56B 48 層 GPT-2 模型，保留大小寫。使用 WebText 訓練。
gpt2_base_en_cnn_dailymail 124.44M 12 層 GPT-2 模型，保留大小寫。使用 CNN/DailyMail 摘要資料集進行微調。

[來源]

generate 方法

GPT2CausalLM.generate(inputs, max_length=None, stop_token_ids="auto")

根據給定的提示 inputs 產生文字。

此方法根據給定的 inputs 產生文字。用於產生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」產生輸出並進行串聯。否則，所有輸入都將作為單一批次處理。

如果模型附加了 preprocessor，則會在 generate() 函數內部對 inputs 進行預處理，並且應該符合 preprocessor 層預期的結構（通常是原始字串）。如果沒有附加 preprocessor，則輸入應符合 backbone 預期的結構。請參閱上面的範例用法以了解每種情況的示範。

參數

  • inputs：Python 資料、張量資料或 tf.data.Dataset。如果模型附加了 preprocessor，則 inputs 應該符合 preprocessor 層預期的結構。如果沒有附加 preprocessor，則 inputs 應該符合 backbone 模型預期的結構。
  • max_length：可選。整數。產生的序列的最大長度。預設為 preprocessor 設定的最大 sequence_length。如果 preprocessor 為 None，則應將 inputs 填充到所需的最大長度，並且會忽略此參數。
  • stop_token_ids：選用。None、「auto」或由權杖 ID 組成的元組。預設值為「auto」，它會使用 preprocessor.tokenizer.end_token_id。未指定處理器將會產生錯誤。None 會在產生 max_length 個權杖後停止產生。您也可以指定模型應停止產生的權杖 ID 清單。請注意，每個權杖序列都將被解釋為停止權杖，不支援多權杖停止序列。

backbone 屬性

keras_nlp.models.GPT2CausalLM.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。

preprocessor 屬性

keras_nlp.models.GPT2CausalLM.preprocessor

用於預先處理輸入的 keras_nlp.models.Preprocessor 層。

GPT2CausalLM 模型
GPT2CausalLM 類別
from_preset 方法
generate 方法
backbone 屬性
preprocessor 屬性