MistralTokenizer

[來源]

MistralTokenizer 類別

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

基於 SentencePiece 的 Mistral 分詞器層。

此分詞器類別會將原始字串分詞為整數序列，並基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層分詞器不同的是，它會檢查 Mistral 模型所需的所有特殊標記，並提供 from_preset() 方法來自動下載符合 Mistral 預設值的詞彙表。

如果輸入是一批字串（rank > 0），則此層會輸出 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（rank == 0），則此層會輸出具有靜態形狀 [None] 的密集 tf.Tensor。

引數

• proto：SentencePiece proto 檔案的 字串 路徑，或具有序列化 SentencePiece proto 的 位元組 物件。如需格式的詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_nlp.models.MistralTokenizer.from_preset(
    "mistral_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

MistralTokenizer.from_preset(preset, **kwargs)

從模型預設值實例化 keras_nlp.models.Tokenizer。

預設值是設定檔、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 可以傳遞為以下其中一項

1. 內建預設值識別碼，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. 本機預設值目錄的路徑，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值。

這個建構函式可以用兩種方式呼叫。可以從基底類別呼叫，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()。如果從基底類別呼叫，則會從預設目錄中的設定推斷出返回物件的子類別。

引數

• preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點或本地目錄的路徑。
• load_weights：布林值。如果為 True，則會將權重載入模型架構中。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])