FalconTokenizer

[source]

FalconTokenizer 類別

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

基於 BytePairTokenizer 的 Falcon 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 Falcon 模型所需的所有特殊符號，並提供 from_preset() 方法來自動下載 Falcon 預設模型的相符詞彙表。

如果輸入是字串批次（rank > 0），則此層將輸出 tf.RaggedTensor，其中輸出的最後一個維度是參差不齊的。

如果輸入是純量字串（rank == 0），則此層將輸出具有靜態形狀 [None] 的密集 tf.Tensor。

引數

• vocabulary：字串或 dict，將符號對應到整數 ID。如果它是字串，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。每個合併規則都包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_hub.models.FalconTokenizer.from_preset(
    "falcon_refinedweb_1b_en"
)
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 = {"<|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,
)
tokenizer("a quick fox.")

[source]

from_preset 方法

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

從模型預設模型實例化 keras_hub.models.Tokenizer。

預設模型是一個包含配置、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 可以作為以下其中一種傳遞：

1. 內建預設模型識別字，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. 本機預設模型目錄的路徑，例如 './bert_base_en'

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

此建構子可以透過兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_hub.models.Tokenizer.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.GemmaTokenizer.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設模型目錄中的配置推斷而來。

引數

• preset：字串。內建預設模型識別字、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，權重將載入到模型架構中。如果為 False，權重將隨機初始化。

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])