► KerasHub：預訓練模型 / API 文件 / 模型架構 / Bloom / BloomCausalLM 模型

BloomCausalLM 模型

[原始碼]

BloomCausalLM 類別

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

用於因果語言建模的端對端 BLOOM 模型。

因果語言模型 (LM) 根據先前的詞元預測下一個詞元。此任務設定可用於在純文字輸入上以無監督方式訓練模型，或自動迴歸產生類似於用於訓練資料的純文字。此任務可用於預訓練或微調 BLOOM 模型，只需呼叫 fit() 即可。

此模型具有 generate() 方法，可根據提示產生文字。使用的產生策略由 compile() 上的額外 sampler 引數控制。您可以使用不同的 keras_hub.samplers 物件重新編譯模型以控制產生。預設情況下，將使用 "greedy" 取樣。

此模型可以選擇性地配置 preprocessor 層，在這種情況下，它會在 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。

引數

範例

使用 generate() 進行文字產生。

bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.generate("I want to say", max_length=30)

# Generate with batched prompts.
bloom_lm.generate(["This is a", "Where are you"], max_length=30)

使用自訂取樣器編譯 generate() 函數。

bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.compile(sampler="top_k")
bloom_lm.generate("I want to say", max_length=30)

bloom_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
bloom_lm.generate("I want to say", max_length=30)

在沒有預處理的情況下使用 generate()。

prompt = {
    # Token ids for "<s> Keras is".
    "token_ids": np.array([[1, 46, 15762, 632, 3, 3, 3, 3, 3]] * 2),
    # Use `"padding_mask"` to indicate values that should not be overridden.
    "padding_mask": np.array([[1, 1, 1, 1, 0, 0, 0, 0, 0]] * 2),
}

bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
    "bloom_560m_multi",
    preprocessor=None,
)
bloom_lm.generate(prompt)

在單一批次上呼叫 fit()。

features = ["The quick brown fox jumped.", "I forgot my homework."]
bloom_lm = keras_hub.models.BloomCausalLM.from_preset("bloom_560m_multi")
bloom_lm.fit(x=features, batch_size=2)

在沒有預處理的情況下呼叫 fit()。

x = {
    # Token ids for "<bos> Keras is deep learning library<eos>"
    "token_ids": np.array([[2, 214064, 603, 5271, 6044, 9581, 1, 0]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[214064, 603, 5271, 6044, 9581, 3, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 0, 0]] * 2)

bloom_lm = keras_hub.models.BloomCausalLM.from_preset(
    "bloom_560m_multi",
    preprocessor=None,
)
bloom_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自訂 backbone 和詞彙表。

features = [
    " airplane at airport",
    " airplane airport",
]
vocab = ["<unk>", "<s>", "</s>", "<pad>"]
vocab += ["!", "air", "Ġair", "plane", "Ġat", "port"]
vocab = dict([(token, i) for i, token in enumerate(vocab)])
merges = ["Ġ a", "Ġ t", "Ġ i", "Ġ b", "a i", "p l", "n e"]
merges += ["Ġa t", "p o", "r t", "Ġt h", "ai r", "pl a", "po rt"]
merges += ["Ġai r", "Ġa i", "pla ne"]
tokenizer = keras_hub.models.BloomTokenizer(vocabulary=vocab, merges=merges)
preprocessor = keras_hub.models.BloomCausalLMPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.BloomBackbone(
    vocabulary_size=tokenizer.vocabulary_size(),
    num_layers=4,
    num_heads=4,
    hidden_dim=32,
    intermediate_dim=128,
)
bloom_lm = keras_hub.models.BloomCausalLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
bloom_lm.fit(x=features, batch_size=2)

[原始碼]

from_preset 方法

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

從模型預設實例化 keras_hub.models.Task。

預設是一個組態、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() 以列出該類別上所有可用的內建預設。

此建構子可以透過兩種方式之一呼叫。可以從特定任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，也可以從模型類別呼叫，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組態推斷。

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
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。

[原始碼]

generate 方法

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

產生給定提示 inputs 的文字。

此方法根據給定的 inputs 產生文字。用於產生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「逐批次」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 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（通常是原始字串）。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。產生的序列的最大長度。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，並且此引數將被忽略。
  • 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。不指定處理器會產生錯誤。None 會在產生 max_length 個詞元後停止產生。您也可以指定模型應停止的詞元 ID 列表。請注意，詞元序列將分別被解釋為停止詞元，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，後跟模型產生的完成文字。如果此選項設定為 True，則僅傳回新產生的文字。

backbone 屬性

keras_hub.models.BloomCausalLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.BloomCausalLM.preprocessor

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

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