► KerasHub：預訓練模型 / API 文件 / 模型架構 / Bart / BartSeq2SeqLM 模型

BartSeq2SeqLM 模型

[來源]

BartSeq2SeqLM 類別

keras_hub.models.BartSeq2SeqLM(backbone, preprocessor=None, **kwargs)

用於序列到序列語言建模的端到端 BART 模型。

序列到序列語言模型 (LM) 是一種編碼器-解碼器模型，用於條件文本生成。編碼器被給予「上下文」文本（饋送到編碼器），而解碼器基於編碼器輸入和先前的詞元預測下一個詞元。您可以微調 BartSeq2SeqLM 以為任何序列到序列任務（例如，翻譯或摘要）生成文本。

此模型具有 generate() 方法，該方法基於編碼器輸入和解碼器的可選提示生成文本。使用的生成策略由傳遞給 compile() 的額外 sampler 參數控制。您可以使用不同的 keras_hub.samplers 物件重新編譯模型以控制生成。預設情況下，將使用 "top_k" 採樣。

此模型可以選擇性地配置 preprocessor 層，在這種情況下，它將在 fit()、predict()、evaluate() 和 generate() 期間自動將預處理應用於字串輸入。當使用 from_preset() 建立模型時，預設會執行此操作。

免責聲明：預訓練模型以「現狀」基礎提供，不提供任何形式的保證或條件。底層模型由第三方提供，並受單獨的許可證約束，可在此處取得 here。

引數

範例

使用 generate() 執行文本生成，給定輸入上下文。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate("The quick brown fox", max_length=30)

# Generate with batched inputs.
bart_lm.generate(["The quick brown fox", "The whale"], max_length=30)

使用自訂採樣器編譯 generate() 函數。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.compile(sampler="greedy")
bart_lm.generate("The quick brown fox", max_length=30)

將 generate() 與編碼器輸入和不完整的解碼器輸入（提示）一起使用。

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.generate(
    {
        "encoder_text": "The quick brown fox",
        "decoder_text": "The fast"
    }
)

在不進行預處理的情況下使用 generate()。

# Preprocessed inputs, with encoder inputs corresponding to
# "The quick brown fox", and the decoder inputs to "The fast". Use
# `"padding_mask"` to indicate values that should not be overridden.
prompt = {
    "encoder_token_ids": np.array([[0, 133, 2119, 6219, 23602, 2, 1, 1]]),
    "encoder_padding_mask": np.array(
        [[1, 1, 1, 1, 1, 1, 0, 0]]
    ),
    "decoder_token_ids": np.array([[2, 0, 133, 1769, 2, 1, 1]]),
    "decoder_padding_mask": np.array([[1, 1, 1, 1, 0, 0]])
}

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset(
    "bart_base_en",
    preprocessor=None,
)
bart_lm.generate(prompt)

在單一批次上呼叫 fit()。

features = {
    "encoder_text": ["The quick fox jumped.", "I forgot my homework."],
    "decoder_text": ["The fast hazel fox leapt.", "I forgot my assignment."]
}
bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset("bart_base_en")
bart_lm.fit(x=features, batch_size=2)

在不進行預處理的情況下呼叫 fit()。

x = {
    "encoder_token_ids": np.array([[0, 133, 2119, 2, 1]] * 2),
    "encoder_padding_mask": np.array([[1, 1, 1, 1, 0]] * 2),
    "decoder_token_ids": np.array([[2, 0, 133, 1769, 2]] * 2),
    "decoder_padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[0, 133, 1769, 2, 1]] * 2)
sw = np.array([[1, 1, 1, 1, 0]] * 2)

bart_lm = keras_hub.models.BartSeq2SeqLM.from_preset(
    "bart_base_en",
    preprocessor=None,
)
bart_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自訂骨幹網路和詞彙表。

features = {
    "encoder_text": [" afternoon sun"],
    "decoder_text": ["noon sun"],
}
vocab = {
    "<s>": 0,
    "<pad>": 1,
    "</s>": 2,
    "Ġafter": 5,
    "noon": 6,
    "Ġsun": 7,
}
merges = ["Ġ a", "Ġ s", "Ġ n", "e r", "n o", "o n", "Ġs u", "Ġa f", "no on"]
merges += ["Ġsu n", "Ġaf t", "Ġaft er"]

tokenizer = keras_hub.models.BartTokenizer(
    vocabulary=vocab,
    merges=merges,
)
preprocessor = keras_hub.models.BartSeq2SeqLMPreprocessor(
    tokenizer=tokenizer,
    encoder_sequence_length=128,
    decoder_sequence_length=128,
)
backbone = keras_hub.models.BartBackbone(
    vocabulary_size=50265,
    num_layers=6,
    num_heads=12,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=128,
)
bart_lm = keras_hub.models.BartSeq2SeqLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
bart_lm.fit(x=features, batch_size=2)

[來源]

from_preset 方法

BartSeq2SeqLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設實例化 keras_hub.models.Task。

預設是配置、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 可以作為以下其中之一傳遞

  1. 內建預設識別符，例如 'bert_base_en'
  2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 本機預設目錄的路徑，例如 './bert_base_en'

對於任何 Task 子類別，您可以執行 cls.presets.keys() 以列出類別上可用的所有內建預設。

此建構子可以透過兩種方式之一呼叫。可以從特定於任務的基底類別（如 keras_hub.models.CausalLM.from_preset()）呼叫，也可以從模型類別（如 keras_hub.models.BertTextClassifier.from_preset()）呼叫。如果從基底類別呼叫，則傳回物件的子類別將從預設目錄中的配置推斷出來。

引數

  • preset：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
  • load_weights：布林值。如果為 True，則儲存的權重將載入到模型架構中。如果為 False，則所有權重都將隨機初始化。

範例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
預設 參數 描述
bart_base_en 139.42M 6 層 BART 模型，其中保留了大小寫。在 BookCorpus、English Wikipedia 和 CommonCrawl 上訓練。
bart_large_en 406.29M 12 層 BART 模型，其中保留了大小寫。在 BookCorpus、English Wikipedia 和 CommonCrawl 上訓練。
bart_large_en_cnn 406.29M 在 CNN+DM 摘要資料集上微調的 bart_large_en 骨幹網路模型。

[來源]

generate 方法

BartSeq2SeqLM.generate(
    inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)

給定提示 inputs 生成文本。

此方法基於給定的 inputs 生成文本。用於生成的採樣方法可以透過 compile() 方法設定。

如果 inputs 是 tf.data.Dataset，則輸出將「逐批次」生成並串連。否則，所有輸入都將作為單一批次處理。

如果 preprocessor 已附加到模型，則 inputs 將在 generate() 函數內部進行預處理，並且應符合 preprocessor 層預期的結構（通常為原始字串）。如果未附加 preprocessor，則輸入應符合 backbone 預期的結構。請參閱上面的範例用法以示範每個用法。

引數

  • inputs：python 資料、張量資料或 tf.data.Dataset。如果 preprocessor 已附加到模型，則 inputs 應符合 preprocessor 層預期的結構。如果未附加 preprocessor，則 inputs 應符合 backbone 模型預期的結構。
  • max_length：選用。整數。生成序列的最大長度。預設為 preprocessor 的最大配置 sequence_length。如果 preprocessor 為 None，則 inputs 應填充到所需的最大長度，並且將忽略此引數。
  • stop_token_ids：選用。None、「auto」或詞元 ID 元組。預設為「auto」，它使用 preprocessor.tokenizer.end_token_id。不指定處理器將產生錯誤。None 在生成 max_length 個詞元後停止生成。您也可以指定模型應停止的詞元 ID 列表。請注意，詞元序列都將被解釋為停止詞元，並且不支援多詞元停止序列。
  • strip_prompt：選用。預設情況下，generate() 會傳回完整的提示，後跟模型生成的完成項。如果將此選項設定為 True，則僅傳回新生成的文本。

backbone 屬性

keras_hub.models.BartSeq2SeqLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.BartSeq2SeqLM.preprocessor

用於預處理輸入的 keras_hub.models.Preprocessor 層。

BartSeq2SeqLM 模型
BartSeq2SeqLM 類別
from_preset 方法
generate 方法
backbone 屬性
preprocessor 屬性