Llama3Tokenizer

[來源]

Llama3Tokenizer 類別

keras_nlp.tokenizers.Llama3Tokenizer(vocabulary=None, merges=None, **kwargs)

位元組對編碼標記器層。

這個 BPE 標記器提供了與官方 GPT-2 標記器相同的功能。給定相同的 vocabulary（將標記映射到 ID）和 merges（描述 BPE 合併規則），它應該提供與 OpenAI 實作（https://github.com/openai/gpt-2/blob/master/src/encoder.py）相同的輸出。與 OpenAI 不同的是，此實作與圖形相容，因此您可以在 tf.data 管道中使用它。

如果輸入是一批字串（階數 > 0）：根據預設，該層將輸出一個 tf.RaggedTensor，其中輸出的最後一個維度是參差不齊的。如果設定了 sequence_length，該層將輸出一個密集的 tf.Tensor，其中所有輸入都已填充或截斷為 sequence_length。如果輸入是純量字串（階數 == 0）：根據預設，該層將輸出一個靜態形狀為 [None] 的密集 tf.Tensor。如果設定了 sequence_length，則輸出將是一個形狀為 [sequence_length] 的密集 tf.Tensor。

參數

• vocabulary：字串或字典，將標記映射到整數 ID。如果是字串，則它應該是 JSON 檔案的檔案路徑。
• merges：字串或清單，包含合併規則。如果是字串，則它應該是合併規則的檔案路徑。合併規則檔案的每一行應該有一個合併規則。
• sequence_length：整數。如果設定，輸出將被填充或截斷為 sequence_length。預設為 None。
• add_prefix_space：布林值。是否要在輸入添加初始空格。這個標記器會識別空格，並且會以不同的方式標記帶有前導空格的詞彙。在第一個詞彙前面添加空格會導致它與序列中所有後續詞彙的標記方式相同。預設值為 False。
• unsplittable_tokens：清單。在位元組對編碼之前應用的詞彙級分割過程中絕不會被分割的字串清單。這可以用於確保特殊標記在詞彙表中映射到唯一索引，即使這些特殊標記包含可分割字元（例如標點符號）。特殊標記仍然必須包含在 vocabulary 中。預設值為 None。

範例

標記

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

取消標記

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_nlp.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[來源]

from_preset 方法

Llama3Tokenizer.from_preset(preset, **kwargs)

從模型預設集實例化 keras_nlp.models.Tokenizer。

預設集是設定檔、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，則傳回物件的子類別將從預設集目錄中的設定檔推斷。

參數

• preset：字串。內建的預設集識別碼、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，則權重將載入到模型架構中。如果為 False，則權重將被隨機初始化。

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])