GPT2CausalLMPreprocessor 層
GPT2CausalLMPreprocessor 類別
keras_hub.models.GPT2CausalLMPreprocessor(
tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)
GPT2 因果語言模型預處理器。
此預處理層旨在與 keras_hub.models.GPT2CausalLM 一起使用。預設情況下，它將接收字串批次，並以 (x, y, sample_weight) 格式傳回輸出，其中 y 標籤是 x 序列中的下一個 token ID。
為了用於生成，此層也公開了兩種方法 generate_preprocess() 和 generate_postprocess()。當此預處理器附加到 keras_hub.models.GPT2CausalLM 實例時，這些方法將在 generate() 中隱含地調用。它們也可以獨立調用（例如，在單獨的進程中預先計算生成預處理輸入）。
引數
- tokenizer：
keras_hub.models.GPT2Tokenizer實例。 - sequence_length：封裝輸入的長度。
- add_start_token：如果為
True，預處理器將在每個輸入序列前面加上 tokenizer 的開始 token。 - add_end_token：如果為
True，預處理器將在每個輸入序列後面加上 tokenizer 的結束 token。
呼叫引數
- x：字串、
tf.Tensor或 Python 字串列表。 - y：標籤資料。應始終為
None，因為此層會生成標籤。 - sample_weight：標籤權重。應始終為
None，因為此層會生成標籤權重。 - sequence_length：傳遞以覆寫層的已配置
sequence_length。
範例
# Load the preprocessor from a preset.
preprocessor = keras_hub.models.GPT2CausalLMPreprocessor.from_preset(
"gpt2_base_en"
)
# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")
# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])
# Map a dataset to preprocess a single sentence.
features = tf.constant(
[
"Avatar 2 is amazing!",
"Well, I am not sure.",
]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)
from_preset 方法
GPT2CausalLMPreprocessor.from_preset(
preset, config_file="preprocessor.json", **kwargs
)
從模型預設實例化 keras_hub.models.Preprocessor。
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。preset 可以作為以下其中一種傳遞
- 內建預設識別符，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 Preprocessor 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。
由於給定模型通常有多個預處理類別，因此此方法應在特定的子類別上調用，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
引數
- 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的路徑。
範例
# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 預設 | 參數 | 描述 |
|---|---|---|
| gpt2_base_en | 124.44M | 12 層 GPT-2 模型，其中保留大小寫。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，其中保留大小寫。在 WebText 上訓練。 |
| gpt2_large_en | 774.03M | 36 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。 |
| gpt2_extra_large_en | 1.56B | 48 層 GPT-2 模型，其中保留大小寫。在 WebText 上訓練。 |
generate_preprocess 方法
GPT2CausalLMPreprocessor.generate_preprocess(x, sequence_length=None)
將字串轉換為用於生成的整數 token 輸入。
與為訓練呼叫此層類似，此方法接收字串或 tensor 字串，將輸入 token 化和封裝，並計算一個 padding 遮罩，遮罩所有未以 padding 值填入的輸入。
與為訓練呼叫此層不同，此方法不計算標籤，並且永遠不會將 tokenizer.end_token_id 附加到序列的末尾（因為預期生成會在輸入提示的末尾繼續）。
generate_postprocess 方法
GPT2CausalLMPreprocessor.generate_postprocess(x)
將用於生成的整數 token 輸出轉換為字串。
此方法反轉 generate_preprocess()，方法是先移除所有 padding 和開始/結束 token，然後將整數序列轉換回字串。
tokenizer 屬性
keras_hub.models.GPT2CausalLMPreprocessor.tokenizer
用於 token 化字串的 tokenizer。