BartSeq2SeqLM 模型
BartSeq2SeqLM 類別
keras_hub.models.BartSeq2SeqLM(backbone, preprocessor=None, **kwargs)
用於 seq2seq 語言建模的端到端 BART 模型。
seq2seq 語言模型 (LM) 是一個編碼器-解碼器模型，用於條件文字生成。編碼器會接收「上下文」文字（輸入到編碼器），而解碼器會根據編碼器輸入和先前的符記預測下一個符記。您可以微調 BartSeq2SeqLM，為任何 seq2seq 任務（例如，翻譯或摘要）生成文字。
此模型具有 generate() 方法，該方法根據編碼器輸入和解碼器的可選提示生成文字。所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" 取樣。
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。使用 from_preset() 建立模型時，預設會執行此操作。
免責聲明：預訓練模型按「現狀」提供，不提供任何形式的擔保或條件。底層模型由第三方提供，並受單獨的許可證約束，此處提供。
引數
- backbone：
keras_hub.models.BartBackbone實例。 - preprocessor：
keras_hub.models.BartSeq2SeqLMPreprocessor或None。如果為None，則此模型不會應用預處理，且輸入應在呼叫模型之前進行預處理。
範例
使用 generate() 根據輸入上下文執行文字生成。
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)
使用自訂取樣器編譯 generate() 函式。
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(
[[True, True, True, True, True, True, False, False]]
),
"decoder_token_ids": np.array([[2, 0, 133, 1769, 2, 1, 1]]),
"decoder_padding_mask": np.array([[True, True, True, True, False, False]])
}
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 brown 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)
自訂骨幹和詞彙。
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)
from_preset 方法
BartSeq2SeqLM.from_preset(preset, load_weights=True, **kwargs)
從模型預設值實例化 keras_hub.models.Task。
預設值是用於儲存和載入預訓練模型的設定檔、權重和其他檔案資產的目錄。preset 可以作為以下其中之一傳遞
- 內建預設識別碼，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 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() 來列出該類別上所有可用的內建預設值。
此建構函式可以使用兩種方式之一呼叫。可以從特定於任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，或者從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.from_preset()。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設定檔推斷出來。
引數
- preset：字串。內建預設識別碼、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，則已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,
)
| 預設值 | 參數 | 說明 |
|---|---|---|
| bart_base_en | 139.42M | 6 層 BART 模型，其中保留大小寫。在 BookCorpus、英文維基百科和 CommonCrawl 上訓練。 |
| bart_large_en | 406.29M | 12 層 BART 模型，其中保留大小寫。在 BookCorpus、英文維基百科和 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 骨幹模型。 |
generate 方法
BartSeq2SeqLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
產生給定提示 inputs 的文字。
此方法會根據給定的 inputs 產生文字。用於生成的取樣方法可以透過 compile() 方法設定。
如果 inputs 是 tf.data.Dataset，則輸出將「逐批」產生並串聯。否則，所有輸入都將作為單一批次處理。
如果模型附加了 preprocessor，則會在 generate() 函式內部預處理 inputs，且應與 preprocessor 層預期的結構相符（通常是原始字串）。如果未附加 preprocessor，則輸入應與 backbone 預期的結構相符。請參閱上面的範例用法，以示範每一種情況。
引數
- inputs：Python 資料、張量資料或
tf.data.Dataset。如果模型附加了preprocessor，則inputs應與preprocessor層預期的結構相符。如果未附加preprocessor，則inputs應與backbone模型預期的結構相符。 - max_length：選用。整數。產生序列的最大長度。預設為
preprocessor設定的最大sequence_length。如果preprocessor為None，則inputs應填補為所需的最大長度，且將忽略此引數。 - stop_token_ids：選用。
None、「auto」或符記 ID 的元組。預設為「auto」，它使用preprocessor.tokenizer.end_token_id。不指定處理器會產生錯誤。None 會在產生max_length個符記後停止產生。您也可以指定模型應停止的一系列符記 ID。請注意，符記序列將被解釋為停止符記，不支援多符記停止序列。 - strip_prompt：選用。預設情況下，generate() 會傳回完整的提示，後接模型產生的完成文字。如果將此選項設定為 True，則只會傳回新產生的文字。
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。