GPT2CausalLMPreprocessor 層
GPT2CausalLMPreprocessor 類別
keras_nlp.models.GPT2CausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
GPT2 因果語言模型預處理器。
此預處理層旨在與 keras_nlp.models.GPT2CausalLM 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 序列中的下一個詞彙 ID。
為了用於生成，該層還公開了兩個方法 generate_preprocess() 和 generate_postprocess()。當此預處理器附加到 keras_nlp.models.GPT2CausalLM 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用於生成的預處理輸入）。
參數
- tokenizer：一個
keras_nlp.models.GPT2Tokenizer實例。 - sequence_length：打包輸入的長度。
- add_start_token：如果為
True，預處理器會在每個輸入序列的開頭添加分詞器的起始詞彙。 - add_end_token：如果為
True，預處理器會在每個輸入序列的結尾添加分詞器的結束詞彙。
呼叫參數
- 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：傳遞以覆寫該層配置的
sequence_length。
範例
# Load the preprocessor from a preset.
preprocessor = keras_nlp.models.GPT2CausalLMPreprocessor.from_preset(
"gpt2_base_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
GPT2CausalLMPreprocessor.from_preset(preset, **kwargs)
從模型預設值實例化一個 keras_nlp.models.Preprocessor。
預設設定檔是一個包含設定、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 可以傳遞為以下其中一種：
- 內建的預設設定檔識別碼，例如
'bert_base_en' - Kaggle 模型處理常式，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 處理常式，例如
'hf://user/bert_base_en' - 指向本機預設設定檔目錄的路徑，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設定檔。
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_nlp.models.BertTextClassifierPreprocessor.from_preset()。
參數
- preset：字串。內建的預設設定檔識別碼、Kaggle 模型處理常式、Hugging Face 處理常式或指向本機目錄的路徑。
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",
)
| 預設設定檔名稱 | 參數 | 說明 |
|---|---|---|
| gpt2_base_en | 124.44M | 12 層 GPT-2 模型，保留大小寫。在 WebText 上訓練。 |
| gpt2_medium_en | 354.82M | 24 層 GPT-2 模型，保留大小寫。在 WebText 上訓練。 |
| gpt2_large_en | 774.03M | 36 層 GPT-2 模型，保留大小寫。在 WebText 上訓練。 |
| gpt2_extra_large_en | 1.56B | 48 層 GPT-2 模型，保留大小寫。在 WebText 上訓練。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 12 層 GPT-2 模型，保留大小寫。在 CNN/DailyMail 摘要數據集上微調。 |
generate_preprocess 方法
GPT2CausalLMPreprocessor.generate_preprocess(x, sequence_length=None)
將字串轉換為用於生成的整數標記輸入。
與呼叫用於訓練的層類似，此方法接收字串或張量字串，對輸入進行標記化和打包，並計算一個填充遮罩，遮罩所有未填充填充值的輸入。
與呼叫用於訓練的層不同，此方法不計算標籤，並且永遠不會在序列末尾附加 tokenizer.end_token_id（因為預計生成會在輸入提示的末尾繼續）。
generate_postprocess 方法
GPT2CausalLMPreprocessor.generate_postprocess(x)
將整數標記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/結束標記，然後將整數序列轉換回字串。
tokenizer 屬性
keras_nlp.models.GPT2CausalLMPreprocessor.tokenizer
用於對字串進行標記化的標記器。