GPT2Tokenizer

[來源]

GPT2Tokenizer 類別

keras_hub.tokenizers.GPT2Tokenizer(vocabulary=None, merges=None, **kwargs)

一個使用位元組配對編碼子詞分段的 GPT-2 分詞器。

這個分詞器類別會將原始字串分詞成整數序列，並且基於 keras_hub.tokenizers.BytePairTokenizer。與底層的分詞器不同，它會檢查 GPT-2 模型所需的所有特殊符號，並提供一個 from_preset() 方法來自動下載與 GPT-2 預設設定相符的詞彙表。

如果輸入是一批字串（秩 > 0），該層將輸出一個 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（秩 == 0），該層將輸出一個靜態形狀為 [None] 的密集 tf.Tensor。

引數

• vocabulary：字串或字典，將符號對應到整數 ID。如果它是字串，則應該是 json 檔案的路徑。
• merges：字串或列表，包含合併規則。如果它是字串，則應該是合併規則的路徑。合併規則檔案的每一行應該有一個合併規則。每個合併規則包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_hub.models.GPT2Tokenizer.from_preset("gpt2_base_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.GPT2Tokenizer(vocabulary=vocab, merges=merges)
tokenizer("a quick fox.")

[來源]

from_preset 方法

GPT2Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

從模型預設設定實例化一個 keras_hub.models.Tokenizer。

預設設定是配置、權重和其他用於儲存和載入預訓練模型的檔案資源的目錄。 preset 可以作為以下之一傳遞：

1. 一個內建的預設設定識別符，例如 'bert_base_en'
2. 一個 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一個本地預設設定目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 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設定。

這個建構子可以透過兩種方式之一來呼叫。可以從基底類別呼叫，例如 keras_hub.models.Tokenizer.from_preset()，或是從模型類別呼叫，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設定目錄中的配置推斷出來。

引數

• preset：字串。一個內建的預設設定識別符、一個 Kaggle Models 句柄、一個 Hugging Face 句柄或一個本機目錄的路徑。
• load_weights：布林值。如果為 True，權重將載入模型架構。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])