GPT2Tokenizer

[來源]

GPT2Tokenizer 類別

keras_nlp.tokenizers.GPT2Tokenizer(vocabulary=None, merges=None, **kwargs)

使用位元組對編碼子詞分割的 GPT-2 分詞器。

此分詞器類別會將原始字串分詞成整數序列，並且基於 keras_nlp.tokenizers.BytePairTokenizer。與底層分詞器不同的是，它會檢查 GPT-2 模型所需的所有特殊標記，並提供 from_preset() 方法來自動下載與 GPT-2 預設集相符的詞彙表。

如果輸入是一批字串（秩 > 0），則該層將輸出一個 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），則該層將輸出一個靜態形狀為 [None] 的密集 tf.Tensor。

參數

• vocabulary：字串或字典，將標記映射到整數 ID。如果它是字串，則它應該是 JSON 文件的文件路徑。
• merges：字串或清單，包含合併規則。如果它是字串，則它應該是合併規則的文件路徑。合併規則文件應每行包含一個合併規則。每個合併規則都包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_nlp.models.GPT2Tokenizer.from_preset("gpt2_base_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.
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)
tokenizer("a quick fox.")

[來源]

from_preset 方法

GPT2Tokenizer.from_preset(preset, **kwargs)

從模型預設集實例化 keras_nlp.models.Tokenizer。

預設集是配置、權重和其他文件資產的目錄，用於保存和加載預訓練模型。preset 可以作為以下其中之一傳遞：

1. 內建預設集識別碼，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。

這個建構函式可以用兩種方式之一呼叫。可以從基類呼叫，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()。如果從基類呼叫，則會從預設目錄中的配置推斷出返回物件的子類別。

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。
• load_weights：布林值。如果為 True，則權重將載入模型架構中。如果為 False，則權重將隨機初始化。

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])