BloomTokenizer

[原始碼]

BloomTokenizer 類別

keras_hub.tokenizers.BloomTokenizer(vocabulary=None, merges=None, **kwargs)

一個使用位元組配對編碼 (Byte-Pair Encoding) 子詞分詞的 BLOOM 分詞器。

此分詞器類別會將原始字串分詞為整數序列，並且基於 keras_hub.tokenizers.BytePairTokenizer。與底層分詞器不同，它會檢查 BLOOM 模型所需的所有特殊符記，並提供一個 from_preset() 方法來自動下載與 BLOOM 預設設定相符的詞彙表。

如果輸入是一批字串（階數 > 0），此層將會輸出一個 tf.RaggedTensor，其中輸出的最後一個維度是不規則的。

如果輸入是純量字串（階數 == 0），此層將會輸出一個稠密的 tf.Tensor，其靜態形狀為 [None]。

引數

• vocabulary：字串或字典，將符記映射到整數 ID。如果它是一個字串，則應為 JSON 檔案的路徑。
• merges：字串或列表，包含合併規則。如果它是一個字串，則應為合併規則檔案的路徑。合併規則檔案應每行包含一個合併規則。每個合併規則包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_hub.models.BloomTokenizer.from_preset("bloom_560m_multi")
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.
vocab = {"<s>": 0, "</s>": 1, "<pad>": 2, "a": 3, "Ġquick": 4, "Ġfox": 5}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.BloomTokenizer(vocabulary=vocab, merges=merges)
tokenizer("a quick fox.")

[原始碼]

from_preset 方法

BloomTokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

從模型預設設定實例化一個 keras_hub.models.Tokenizer。

預設設定是一個組態、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 可以作為以下其中一種傳遞：

1. 內建預設設定識別符，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. 本機預設設定目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設設定。

此建構子可以用兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_hub.models.Tokenizer.from_preset()，或從模型類別呼叫，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則返回物件的子類別將從預設設定目錄中的組態推斷出來。

引數

• preset：字串。內建預設設定識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼，或本機目錄的路徑。
• load_weights：布林值。如果為 True，權重將被載入到模型架構中。如果為 False，權重將被隨機初始化。

範例

# Load a preset tokenizer.
tokenizer = keras_hub.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])