PaliGemmaTokenizer
PaliGemmaTokenizer 類別
keras_nlp.tokenizers.PaliGemmaTokenizer(proto, **kwargs)
基於 SentencePiece 的 PaliGemma 標記器層。
這個標記器類別會將原始字串標記為整數序列，並基於 keras_nlp.tokenizers.SentencePieceTokenizer。與底層標記器不同，它會檢查 PaliGemma 模型所需的所有特殊標記，並提供 from_preset() 方法，自動下載與 PaliGemma 預設集匹配的詞彙表。
如果輸入是一批字串（秩 > 0），則該層將輸出 tf.RaggedTensor，其中輸出的最後一維是不規則的。
如果輸入是純量字串（秩 == 0），則該層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。
參數
- proto：SentencePiece proto 檔案的
string路徑，或帶有序列化 SentencePiece proto 的bytes物件。有關格式的詳細資訊，請參閱 SentencePiece 儲存庫。
範例
# Unbatched input.
tokenizer = keras_nlp.models.PaliGemmaTokenizer.from_preset(
"pali_gemma_3b_224"
)
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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=8,
model_type="WORD",
pad_id=0,
bos_id=1,
eos_id=2,
unk_id=3,
pad_piece="<pad>",
bos_piece="<bos>",
eos_piece="<eos>",
unk_piece="<unk>",
)
tokenizer = keras_nlp.models.PaliGemmaTokenizer(
proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")
from_preset 方法
PaliGemmaTokenizer.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
- 內建預設集識別碼，例如
'bert_base_en' - Kaggle 模型控點，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控點，例如
'hf://user/bert_base_en' - 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。
這個建構函數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檔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，則權重會載入模型架構中。如果為False，則權重會隨機初始化。
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])
| 預設集名稱 | 參數 | 說明 |
|---|---|---|
| pali_gemma_3b_mix_224 | 2.92B | 影像大小 224，混合微調，文字序列長度為 256 |
| pali_gemma_3b_mix_448 | 2.92B | 影像大小 448，混合微調，文字序列長度為 512 |
| pali_gemma_3b_224 | 2.92B | 影像大小 224，預先訓練，文字序列長度為 128 |
| pali_gemma_3b_448 | 2.92B | 影像大小 448，預先訓練，文字序列長度為 512 |
| pali_gemma_3b_896 | 2.93B | 影像大小 896，預先訓練，文字序列長度為 512 |