LlamaTokenizer

[來源]

LlamaTokenizer 類別

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

基於 SentencePiece 的 Llama 標記器層。

這個標記器類別將原始字串標記為整數序列，並且基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層標記器不同，它將檢查 Llama 模型所需的所有特殊標記，並提供一個 from_preset() 方法來自動下載與 Llama 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），則該層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

參數

• proto：SentencePiece proto 檔案的 string 路徑，或是帶有序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_nlp.models.LlamaTokenizer.from_preset(
    "llama_7b_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."))

[來源]

from_preset 方法

LlamaTokenizer.from_preset(preset, **kwargs)

從模型預設集實例化 keras_nlp.models.Tokenizer。

預設集是一個包含配置、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 可以作為以下其中之一傳遞

1. 內建的預設集識別碼，例如 'bert_base_en'
2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控點，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() 來列出該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來呼叫。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，則傳回物件的子類別將從預設集目錄中的配置推斷出來。

參數

• 預設模型：字串。內建的預設模型識別碼、Kaggle 模型代碼、Hugging Face 代碼或本地目錄的路徑。
• 載入權重：布林值。如果為 True，則會將權重載入模型架構。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])