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，它會接收一批字串，並以 (x, y, sample_weight) 格式傳回輸出，其中 y 標籤是 x 序列中的下一個詞符 ID。
為了用於生成，該層還公開了兩個方法 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() 中隱式呼叫。它們也可以單獨呼叫 (例如，在單獨的進程中預先計算用於生成的預處理輸入)。
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，預處理器會將詞符器的開始詞符附加到每個輸入序列的開頭。 - add_end_token：如果為
True，預處理器會將詞符器的結束詞符附加到每個輸入序列的結尾。
呼叫引數
- x：字串、
tf.Tensor或 Python 字串的列表。 - y：標籤資料。應該永遠為
None，因為該層會產生標籤。 - sample_weight：標籤權重。應該永遠為
None，因為該層會產生標籤權重。 - sequence_length：傳遞以覆蓋該層設定的
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
)
從模型預設值例項化 keras_hub.models.Preprocessor。
預設值是用於儲存和載入預訓練模型的組態、權重和其他檔案資產的目錄。可以將 preset 作為下列其中一個傳遞：
- 內建的預設值識別碼，例如
'bert_base_en' - Kaggle 模型控制代碼，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() 來列出該類別上所有可用的內建預設值。
由於給定模型通常有多個預處理類別，因此應在特定子類別上呼叫此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。
引數
- preset：字串。內建的預設值識別碼、Kaggle 模型控制代碼、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.GemmaCausalLMPreprocessor.from_preset(
"gemma_2b_en",
)
# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.BertTextClassifierPreprocessor.from_preset(
"bert_base_en",
)
| 預設值 | 參數 | 描述 |
|---|---|---|
| gpt2_base_en | 124.44M | 保留大小寫的 12 層 GPT-2 模型。在 WebText 上訓練。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 保留大小寫的 12 層 GPT-2 模型。在 CNN/DailyMail 摘要資料集上微調。 |
| gpt2_medium_en | 354.82M | 保留大小寫的 24 層 GPT-2 模型。在 WebText 上訓練。 |
| gpt2_large_en | 774.03M | 保留大小寫的 36 層 GPT-2 模型。在 WebText 上訓練。 |
| gpt2_extra_large_en | 1.56B | 保留大小寫的 48 層 GPT-2 模型。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詞符輸入。
與呼叫該層進行訓練類似，此方法接收字串或張量字串，將輸入標記並封裝，並計算遮罩所有未以填補值填入的輸入的填補遮罩。
與呼叫該層進行訓練不同，此方法不會計算標籤，並且永遠不會將 tokenizer.end_token_id 附加到序列的結尾 (因為預期生成將在輸入提示的末尾繼續)。
generate_postprocess 方法
GPT2CausalLMPreprocessor.generate_postprocess(x)
將整數詞符輸出轉換為用於生成的字串。
此方法會反轉 generate_preprocess()，首先移除所有填補和開始/結束詞符，然後將整數序列轉換回字串。
tokenizer 屬性
keras_hub.models.GPT2CausalLMPreprocessor.tokenizer
用於標記字串的詞符器。