FalconCausalLM 模型
FalconCausalLM 類別
keras_hub.models.FalconCausalLM(backbone, preprocessor=None, **kwargs)
用於因果語言建模的端對端 Falcon 模型。
因果語言模型 (LM) 會根據先前的 tokens 預測下一個 token。此任務設定可用於在純文字輸入上以非監督方式訓練模型，或自動迴歸地生成類似於用於訓練之資料的純文字。此任務可用於預訓練或微調 Falcon 模型，只需呼叫 fit() 即可。
此模型具有 generate() 方法，可根據提示生成文字。使用的生成策略由 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，以控制生成方式。預設情況下，將使用 "greedy" 採樣。
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() 期間自動將預處理套用至字串輸入。當使用 from_preset() 建立模型時，預設會執行此操作。
引數
- backbone：
keras_hub.models.FalconBackbone實例。 - preprocessor：
keras_hub.models.FalconCausalLMPreprocessor或None。如果為None，則此模型將不套用預處理，且輸入應在呼叫模型之前進行預處理。
範例
使用 generate() 進行文字生成。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
falcon_lm.generate(["This is a", "Where are you"], max_length=30)
使用自訂採樣器編譯 generate() 函數。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.compile(sampler="top_k")
falcon_lm.generate("I want to say", max_length=30)
falcon_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
falcon_lm.generate("I want to say", max_length=30)
在不進行預處理的情況下使用 generate()。
prompt = {
# Token ids for
# "<|endoftext|> Keras is".
"token_ids": np.array([[50256, 17337, 292, 318]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 1]] * 2),
}
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.generate(prompt)
在單一批次上呼叫 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.fit(x=features, batch_size=2)
在不進行預處理的情況下呼叫 fit()。
x = {
# Token ids for
# "<|endoftext|> Keras is deep learning library<|endoftext|>"
"token_ids": np.array(
[[50256, 17337, 292, 318, 2769,4673,5888, 50256, 0]] * 2
),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[17337, 292, 318, 2769, 4673, 5888, 50256, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 1, 0, 0]] * 2)
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自訂 backbone 和詞彙表。
vocab = {"<|endoftext|>": 0, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.FalconTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.FalconCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.FalconBackbone(
vocabulary_size=50304,
num_layers=24,
num_attention_heads=64,
hidden_dim=2048,
intermediate_dim=4*2048,
)
falcon_lm = keras_hub.models.FalconCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
falcon_lm.fit(x=features, batch_size=2)
from_preset 方法
FalconCausalLM.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 可以作為以下其中一種傳遞
- 內建預設識別碼，例如
'bert_base_en' - Kaggle Models 控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，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() 以列出類別上所有可用的內建預設。
此建構子可以兩種方式之一呼叫。從任務特定的基底類別（例如 keras_hub.models.CausalLM.from_preset()）呼叫，或從模型類別（例如 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組態推斷出來。
引數
- preset：字串。內建預設識別碼、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，則儲存的權重將載入到模型架構中。如果為False，則所有權重將隨機初始化。
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 |
|---|---|---|
| falcon_refinedweb_1b_en | 1.31B | 24 層 Falcon 模型（具有 1B 參數的 Falcon），在 350B tokens 的 RefinedWeb 資料集上訓練。 |
generate 方法
FalconCausalLM.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 生成文字。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。生成序列的最大長度。預設為
preprocessor配置的最大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 token id 的元組。預設為「auto」，使用preprocessor.tokenizer.end_token_id。未指定處理器將產生錯誤。None 會在生成max_length個 tokens 後停止生成。您也可以指定模型應停止的 token id 列表。請注意，tokens 序列將各自被解釋為停止 token，不支援多 token 停止序列。 - strip_prompt：選用。預設情況下，generate() 會傳回完整提示，後接模型生成的完成內容。如果此選項設定為 True，則僅傳回新生成的文字。
backbone 屬性
keras_hub.models.FalconCausalLM.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.FalconCausalLM.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。