LlamaTokenizer

[原始碼]

LlamaTokenizer 類別

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

基於 SentencePiece 的 Llama 斷詞器層。

這個斷詞器類別會將原始字串斷詞成整數序列，並且基於 keras_hub.tokenizers.SentencePieceTokenizer。與底層斷詞器不同，它會檢查 Llama 模型所需的所有特殊符記，並提供 from_preset() 方法來自動下載符合 Llama 預設模型的詞彙表。

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

引數

• proto：可以是 SentencePiece proto 檔案的 string 路徑，或是包含序列化 SentencePiece proto 的 bytes 物件。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.LlamaTokenizer.from_preset(
    "llama_7b_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."))

[原始碼]

from_preset 方法

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

從模型預設模型實例化一個 keras_hub.models.Tokenizer。

預設模型是一個包含配置、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. 一個內建的預設模型識別符，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. 一個本地預設模型目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 來列出該類別上所有可用的內建預設模型。

這個建構子可以用兩種方式呼叫。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模型目錄中的配置推斷出來。

引數

• preset：字串。一個內建的預設模型識別符、Kaggle Models 句柄、Hugging Face 句柄，或本地目錄的路徑。
• load_weights：布林值。如果為 True，權重將載入到模型架構中。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])