► KerasHub：預訓練模型 / API 文件 / 模型 API / CausalLMPreprocessor

CausalLMPreprocessor

[原始碼]

CausalLMPreprocessor 類別

keras_hub.models.CausalLMPreprocessor(
    tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)

因果語言模型預處理層的基礎類別。

CausalLMPreprocessor 任務封裝了 keras_hub.tokenizer.Tokenizer，以建立用於因果語言模型任務的預處理層。它旨在與 keras.models.CausalLM 任務配對使用。

所有 CausalLMPreprocessor 皆接受單一輸入。這可以是單一字串或一批字串。請參閱以下範例。這些輸入將被 Token 化，並填充/截斷為固定序列長度。

此層將始終輸出 (x, y, sample_weight) 元組，其中 x 是一個包含 Token 化輸入的字典，y 包含來自 x 偏移 1 的 Token，而 sample_weight 標記了 y 包含填充值的位置。x 的確切內容將根據所使用的模型而有所不同。

CausalLMPreprocessor 包含兩個額外的方法，generate_preprocess 和 generate_postprocess，用於生成。請參閱以下範例。

所有 CausalLMPreprocessor 任務都包含一個 from_preset() 建構函式，可用於載入預訓練的配置和詞彙表。您可以直接在此基礎類別上呼叫 from_preset() 建構函式，在這種情況下，將自動實例化適合您模型的正確類別。

範例。

preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "bert_base_en_uncased",
    sequence_length=256, # Optional.
)

# Tokenize, mask and pack a single sentence.
x = "The quick brown fox jumped."
x, y, sample_weight = preprocessor(x)

# Tokenize and pad/truncate a batch of labeled sentences.
x = ["The quick brown fox jumped.", "Call me Ishmael."]
x, y, sample_weight = preprocessor(x)

# With a [`tf.data.Dataset`](https://tensorflow.dev.org.tw/api_docs/python/tf/data/Dataset).
ds = tf.data.Dataset.from_tensor_slices(x)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Generate preprocess and postprocess.
x = preprocessor.generate_preprocess(x)  # Tokenized numeric inputs.
x = preprocessor.generate_postprocess(x)  # Detokenized string outputs.

[原始碼]

from_preset 方法

CausalLMPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)

從模型預設集實例化 keras_hub.models.Preprocessor。

預設集是一個配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為以下其中一種傳遞

  1. 內建預設集識別碼，例如 'bert_base_en'
  2. Kaggle Models 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 Preprocessor 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設集。

由於給定模型通常有多個預處理類別，因此此方法應在特定的子類別上呼叫，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

引數

  • preset：字串。內建預設集識別碼、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。

範例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
預設集 參數 描述
bloom_560m_multi 559.21M 24 層 Bloom 模型，隱藏維度為 1024。在 45 種自然語言和 12 種程式語言上訓練。
bloomz_560m_multi 559.21M 24 層 Bloom 模型，隱藏維度為 1024。在跨語言任務混合 (xP3) 資料集上微調。
bloom_1.1b_multi 1.07B 24 層 Bloom 模型，隱藏維度為 1536。在 45 種自然語言和 12 種程式語言上訓練。
bloomz_1.1b_multi 1.07B 24 層 Bloom 模型，隱藏維度為 1536。在跨語言任務混合 (xP3) 資料集上微調。
bloom_1.7b_multi 1.72B 24 層 Bloom 模型，隱藏維度為 2048。在 45 種自然語言和 12 種程式語言上訓練。
bloomz_1.7b_multi 1.72B 24 層 Bloom 模型，隱藏維度為 2048。在跨語言任務混合 (xP3) 資料集上微調。
bloom_3b_multi 3.00B 30 層 Bloom 模型，隱藏維度為 2560。在 45 種自然語言和 12 種程式語言上訓練。
bloomz_3b_multi 3.00B 30 層 Bloom 模型，隱藏維度為 2560。在跨語言任務混合 (xP3) 資料集上微調。
falcon_refinedweb_1b_en 1.31B 24 層 Falcon 模型（具有 10 億個參數的 Falcon），在 350B 個 RefinedWeb 資料集的 Token 上訓練。
gemma_2b_en 2.51B 20 億參數、18 層、基礎 Gemma 模型。
gemma_instruct_2b_en 2.51B 20 億參數、18 層、指令調整 Gemma 模型。
gemma_1.1_instruct_2b_en 2.51B 20 億參數、18 層、指令調整 Gemma 模型。1.1 更新提高了模型品質。
code_gemma_1.1_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已在用於程式碼完成的填空中間 (FIM) 任務上進行訓練。1.1 更新提高了模型品質。
code_gemma_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已在用於程式碼完成的填空中間 (FIM) 任務上進行訓練。
gemma2_2b_en 2.61B 20 億參數、26 層、基礎 Gemma 模型。
gemma2_instruct_2b_en 2.61B 20 億參數、26 層、指令調整 Gemma 模型。
shieldgemma_2b_en 2.61B 20 億參數、26 層、ShieldGemma 模型。
gemma_7b_en 8.54B 70 億參數、28 層、基礎 Gemma 模型。
gemma_instruct_7b_en 8.54B 70 億參數、28 層、指令調整 Gemma 模型。
gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、指令調整 Gemma 模型。1.1 更新提高了模型品質。
code_gemma_7b_en 8.54B 70 億參數、28 層、CodeGemma 模型。此模型已在用於程式碼完成的填空中間 (FIM) 任務上進行訓練。
code_gemma_instruct_7b_en 8.54B 70 億參數、28 層、指令調整 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。
code_gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、指令調整 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。1.1 更新提高了模型品質。
gemma2_9b_en 9.24B 90 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_9b_en 9.24B 90 億參數、42 層、指令調整 Gemma 模型。
shieldgemma_9b_en 9.24B 90 億參數、42 層、ShieldGemma 模型。
gemma2_27b_en 27.23B 270 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_27b_en 27.23B 270 億參數、42 層、指令調整 Gemma 模型。
shieldgemma_27b_en 27.23B 270 億參數、42 層、ShieldGemma 模型。
gpt2_base_en 124.44M 12 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。
gpt2_base_en_cnn_dailymail 124.44M 12 層 GPT-2 模型，其中保留大小寫。在 CNN/DailyMail 摘要資料集上微調。
gpt2_medium_en 354.82M 24 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。
gpt2_large_en 774.03M 36 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。
gpt2_extra_large_en 1.56B 48 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。
llama2_7b_en 6.74B 70 億參數、32 層、基礎 LLaMA 2 模型。
llama2_instruct_7b_en 6.74B 70 億參數、32 層、指令調整 LLaMA 2 模型。
vicuna_1.5_7b_en 6.74B 70 億參數、32 層、指令調整 Vicuna v1.5 模型。
llama2_7b_en_int8 6.74B 70 億參數、32 層、基礎 LLaMA 2 模型，具有量化為 int8 的啟動和權重。
llama2_instruct_7b_en_int8 6.74B 70 億參數、32 層、指令調整 LLaMA 2 模型，具有量化為 int8 的啟動和權重。
llama3_8b_en 8.03B 80 億參數、32 層、基礎 LLaMA 3 模型。
llama3_instruct_8b_en 8.03B 80 億參數、32 層、指令調整 LLaMA 3 模型。
llama3_8b_en_int8 8.03B 80 億參數、32 層、基礎 LLaMA 3 模型，具有量化為 int8 的啟動和權重。
llama3_instruct_8b_en_int8 8.03B 80 億參數、32 層、指令調整 LLaMA 3 模型，具有量化為 int8 的啟動和權重。
mistral_7b_en 7.24B Mistral 7B 基礎模型
mistral_instruct_7b_en 7.24B Mistral 7B 指令模型
mistral_0.2_instruct_7b_en 7.24B Mistral 7B 指令模型版本 0.2
opt_125m_en 125.24M 12 層 OPT 模型，其中保留大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_1.3b_en 1.32B 24 層 OPT 模型，其中保留大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_2.7b_en 2.70B 32 層 OPT 模型，其中保留大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_6.7b_en 6.70B 32 層 OPT 模型，其中保留大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
pali_gemma_3b_mix_224 2.92B 影像尺寸 224，混合微調，文字序列長度為 256
pali_gemma_3b_224 2.92B 影像尺寸 224，預訓練，文字序列長度為 128
pali_gemma_3b_mix_448 2.92B 影像尺寸 448，混合微調，文字序列長度為 512
pali_gemma_3b_448 2.92B 影像尺寸 448，預訓練，文字序列長度為 512
pali_gemma_3b_896 2.93B 影像尺寸 896，預訓練，文字序列長度為 512
pali_gemma2_mix_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma_2_ft_docci_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在 DOCCI 資料集上進行微調，以改進具有精細細節的描述。
pali_gemma2_mix_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_3b_896 3.04B 30 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_mix_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_ft_docci_10b_448 9.66B 100 億參數，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在 DOCCI 資料集上進行微調，以改進具有精細細節的描述。
pali_gemma2_mix_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_10b_896 9.67B 100 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_mix_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_mix_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_28b_896 27.65B 280 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
phi3_mini_4k_instruct_en 3.82B 38 億參數、32 層、4k 上下文長度、Phi-3 模型。該模型是使用 Phi-3 資料集訓練的。此資料集包含合成資料和經過篩選的公開可用網站資料，重點是高品質和推理密集型屬性。
phi3_mini_128k_instruct_en 3.82B 38 億參數、32 層、128k 上下文長度、Phi-3 模型。該模型是使用 Phi-3 資料集訓練的。此資料集包含合成資料和經過篩選的公開可用網站資料，重點是高品質和推理密集型屬性。

[原始碼]

save_to_preset 方法

CausalLMPreprocessor.save_to_preset(preset_dir)

將預處理器儲存到預設集目錄。

引數

  • preset_dir：本機模型預設集目錄的路徑。

tokenizer 屬性

keras_hub.models.CausalLMPreprocessor.tokenizer

用於 Token 化字串的 Tokenizer。

CausalLMPreprocessor
CausalLMPreprocessor 類別
from_preset 方法
save_to_preset 方法
tokenizer 屬性