► KerasHub：預訓練模型 / API 文件 / 模型架構 / GPT2 / GPT2CausalLM 模型

GPT2CausalLM 模型

[原始碼]

GPT2CausalLM 類別

keras_hub.models.GPT2CausalLM(backbone, preprocessor=None, **kwargs)

用於因果語言建模的端對端 GPT2 模型。

因果語言模型 (LM) 基於先前的 token 預測下一個 token。此任務設定可用於在純文字輸入上無監督地訓練模型，或自動回歸地產生類似於用於訓練的資料的純文字。此任務可用於預訓練或微調 GPT-2 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 物件重新編譯模型來控制產生。預設情況下，將使用 "top_k" 取樣。

此模型可以選擇使用 preprocessor 層進行配置，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。

免責聲明：預訓練模型以「現狀」提供，不提供任何形式的擔保或條件。底層模型由第三方提供，並受單獨的許可證約束，請參閱此處。

引數

範例

使用 generate() 進行文字產生。

gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.generate("I want to say", max_length=30)

# Generate with batched prompts.
gpt2_lm.generate(["This is a", "Where are you"], max_length=30)

使用自訂取樣器編譯 generate() 函式。

gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.compile(sampler="greedy")
gpt2_lm.generate("I want to say", max_length=30)

gpt2_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
gpt2_lm.generate("I want to say", max_length=30)

在沒有預處理的情況下使用 generate()。

# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
    "token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
    "padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}

gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
    "gpt2_base_en",
    preprocessor=None,
)
gpt2_lm.generate(prompt)

在單個批次上呼叫 fit()。

features = ["The quick brown fox jumped.", "I forgot my homework."]
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.fit(x=features, batch_size=2)

在沒有預處理的情況下呼叫 fit()。

x = {
    "token_ids": np.array([[50256, 1, 2, 3, 4]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[1, 2, 3, 4, 50256]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)

gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
    "gpt2_base_en",
    preprocessor=None,
)
gpt2_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自訂 backbone 和詞彙表。

features = ["a quick fox.", "a fox quick."]
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.GPT2Tokenizer(
    vocabulary=vocab,
    merges=merges,
)
preprocessor = keras_hub.models.GPT2CausalLMPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.GPT2Backbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
gpt2_lm = keras_hub.models.GPT2CausalLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
gpt2_lm.fit(x=features, batch_size=2)

[原始碼]

from_preset 方法

GPT2CausalLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設實例化 keras_hub.models.Task。

預設是配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。可以將 preset 作為以下項目之一傳遞

  1. 內建預設識別碼，如 'bert_base_en'
  2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本機預設目錄的路徑，如 './bert_base_en'

對於任何 Task 子類，您可以執行 cls.presets.keys() 來列出該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。可以從特定於任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，或者從模型類別呼叫，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配置推斷。

引數

  • preset：字串。內建預設識別碼、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，則儲存的權重將會載入到模型架構中。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
gpt2_base_en 124.44M 12 層 GPT-2 模型，其中保留了大小寫。在 WebText 上訓練。
gpt2_base_en_cnn_dailymail 124.44M 12 層 GPT-2 模型，其中保留了大小寫。在 CNN/DailyMail 摘要資料集上微調。
gpt2_medium_en 354.82M 24 層 GPT-2 模型，其中保留了大小寫。在 WebText 上訓練。
gpt2_large_en 774.03M 36 層 GPT-2 模型，其中保留了大小寫。在 WebText 上訓練。
gpt2_extra_large_en 1.56B 48 層 GPT-2 模型，其中保留了大小寫。在 WebText 上訓練。

[原始碼]

generate 方法

GPT2CausalLM.generate(
    inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)

產生給定提示 inputs 的文字。

此方法會根據給定的 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，則會「逐批」產生輸出並串連。否則，所有輸入都會被視為單個批次。

如果將 preprocessor 附加到模型，則會在 generate() 函式內預處理 inputs，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了解每個範例的示範。

引數

  • inputs：Python 資料、張量資料或 tf.data.Dataset。如果將 preprocessor 附加到模型，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。產生序列的最大長度。預設為 preprocessor 的最大配置 sequence_length。如果 preprocessor 為 None，則應將 inputs 填補到所需的最大長度，並且將忽略此引數。
  • stop_token_ids：選用。None、"auto" 或 token id 的 tuple。預設為 "auto"，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 token 後停止產生。您也可以指定模型應停止的 token id 清單。請注意，token 序列的每個都會被解讀為停止 token，不支援多 token 的停止序列。
  • strip_prompt：選用。預設情況下，generate() 會傳回完整的提示，後面接著模型產生的完成。如果將此選項設定為 True，則只會傳回新產生的文字。

backbone 屬性

keras_hub.models.GPT2CausalLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.GPT2CausalLM.preprocessor

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

GPT2CausalLM 模型
GPT2CausalLM 類別
from_preset 方法
generate 方法
backbone 屬性
preprocessor 屬性