► KerasHub：預訓練模型 / API 文件 / 模型架構 / Gemma / GemmaTokenizer

GemmaTokenizer

[source]

GemmaTokenizer 類別

keras_hub.tokenizers.GemmaTokenizer(proto, **kwargs)

基於 SentencePiece 的 Gemma tokenizer 層。

此 tokenizer 類別會將原始字串 token 化為整數序列，並且基於 keras_hub.tokenizers.SentencePieceTokenizer。與底層 tokenizer 不同的是，它會檢查 Gemma 模型所需的所有特殊 tokens，並提供 from_preset() 方法來自動下載與 Gemma 預設相符的詞彙表。

如果輸入是字串批次（rank > 0），則此層將輸出一個 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（rank == 0），則此層將輸出一個稠密的 tf.Tensor，其靜態形狀為 [None]。

參數

  • proto：字串路徑指向 SentencePiece proto 檔案，或是 `bytes` 物件，其中包含序列化的 SentencePiece proto。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

# Unbatched input.
tokenizer = keras_hub.models.GemmaTokenizer.from_preset("gemma_2b_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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.GemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[source]

from_preset 方法

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

從模型預設實例化 keras_hub.models.Tokenizer。

預設是一個包含配置、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() 以列出類別上所有可用的內建預設。

此建構函式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()，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目錄中的配置推斷。

參數

  • preset：字串。內建預設識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼，或本機目錄路徑。
  • load_weights：布林值。若為 True，權重將載入模型架構。若為 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])
預設 參數 描述
gemma_2b_en 2.51B 20 億參數、18 層、基礎 Gemma 模型。
gemma_instruct_2b_en 2.51B 20 億參數、18 層、指令微調 Gemma 模型。
gemma_1.1_instruct_2b_en 2.51B 20 億參數、18 層、指令微調 Gemma 模型。1.1 更新提升了模型品質。
code_gemma_1.1_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已針對程式碼完成的填空中間 (FIM) 任務進行訓練。1.1 更新提升了模型品質。
code_gemma_2b_en 2.51B 20 億參數、18 層、CodeGemma 模型。此模型已針對程式碼完成的填空中間 (FIM) 任務進行訓練。
gemma2_2b_en 2.61B 20 億參數、26 層、基礎 Gemma 模型。
gemma2_instruct_2b_en 2.61B 20 億參數、26 層、指令微調 Gemma 模型。
shieldgemma_2b_en 2.61B 20 億參數、26 層、ShieldGemma 模型。
gemma_7b_en 8.54B 70 億參數、28 層、基礎 Gemma 模型。
gemma_instruct_7b_en 8.54B 70 億參數、28 層、指令微調 Gemma 模型。
gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、指令微調 Gemma 模型。1.1 更新提升了模型品質。
code_gemma_7b_en 8.54B 70 億參數、28 層、CodeGemma 模型。此模型已針對程式碼完成的填空中間 (FIM) 任務進行訓練。
code_gemma_instruct_7b_en 8.54B 70 億參數、28 層、指令微調 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。
code_gemma_1.1_instruct_7b_en 8.54B 70 億參數、28 層、指令微調 CodeGemma 模型。此模型已針對與程式碼相關的聊天用例進行訓練。1.1 更新提升了模型品質。
gemma2_9b_en 9.24B 90 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_9b_en 9.24B 90 億參數、42 層、指令微調 Gemma 模型。
shieldgemma_9b_en 9.24B 90 億參數、42 層、ShieldGemma 模型。
gemma2_27b_en 27.23B 270 億參數、42 層、基礎 Gemma 模型。
gemma2_instruct_27b_en 27.23B 270 億參數、42 層、指令微調 Gemma 模型。
shieldgemma_27b_en 27.23B 270 億參數、42 層、ShieldGemma 模型。
pali_gemma_3b_mix_224 2.92B 影像尺寸 224，混合微調，文字序列長度為 256
pali_gemma_3b_224 2.92B 影像尺寸 224，預訓練，文字序列長度為 128
pali_gemma_3b_mix_448 2.92B 影像尺寸 448，混合微調，文字序列長度為 512
pali_gemma_3b_448 2.92B 影像尺寸 448，預訓練，文字序列長度為 512
pali_gemma_3b_896 2.93B 影像尺寸 896，預訓練，文字序列長度為 512
pali_gemma2_mix_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在混合資料集上進行預訓練。
pali_gemma_2_ft_docci_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在 DOCCI 資料集上進行微調，以改進具有細緻細節的描述。
pali_gemma2_mix_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_pt_3b_896 3.04B 30 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_mix_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_ft_docci_10b_448 9.66B 100 億參數，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在 DOCCI 資料集上進行微調，以改進具有細緻細節的描述。
pali_gemma2_mix_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_pt_10b_896 9.67B 100 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_mix_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_mix_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在廣泛的視覺語言任務和領域上進行微調。
pali_gemma2_pt_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_pt_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在混合資料集上進行預訓練。
pali_gemma2_pt_28b_896 27.65B 280 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在混合資料集上進行預訓練。
GemmaTokenizer
GemmaTokenizer 類別
from_preset 方法