Llama3Tokenizer

[原始碼]

Llama3Tokenizer 類別

keras_hub.tokenizers.Llama3Tokenizer(
    vocabulary=None,
    merges=None,
    bos_token="<|begin_of_text|>",
    eos_token="<|end_of_text|>",
    misc_special_tokens={"<|end_header_id|>", "<|start_header_id|>"},
    **kwargs
)

位元組配對編碼 tokenizer 層。

此 BPE tokenizer 提供的功能與官方 GPT-2 tokenizer 相同。給定相同的vocabulary（將 tokens 映射到 ID），以及描述 BPE 合併規則的 merges，它應提供與 OpenAI 實作 (https://github.com/openai/gpt-2/blob/master/src/encoder.py) 相同的輸出。與 OpenAI 不同，此實作是圖形相容的，因此您可以在 tf.data 管道中使用它。

如果輸入是字串批次（階數 > 0）：預設情況下，此層將輸出一個 tf.RaggedTensor，其中輸出的最後一個維度是參差不齊的。如果設定 sequence_length，此層將輸出一個密集的 tf.Tensor，其中所有輸入都已填充或截斷為 sequence_length。如果輸入是純量字串（階數 == 0）：預設情況下，此層將輸出一個靜態形狀為 [None] 的密集 tf.Tensor。如果設定 sequence_length，則輸出將是形狀為 [sequence_length] 的密集 tf.Tensor。

參數

• vocabulary：字串或字典，將 token 映射到整數 ID。如果是字串，則應為 JSON 檔案的路徑。
• merges：字串或列表，包含合併規則。如果是字串，則應為合併規則檔案的路徑。合併規則檔案應每行有一個合併規則。
• sequence_length：整數。如果設定，輸出將填充或截斷為 sequence_length。預設為 None。
• add_prefix_space：布林值。是否在輸入中新增初始空格。此 tokenizer 能感知空白字元，並且會以不同的方式 tokenize 帶有前導空格的詞。在第一個詞新增前綴空格將使其 tokenize 方式與序列中所有後續詞彙相同。預設為 False。
• unsplittable_tokens：列表。在位元組配對編碼之前應用的詞級分割期間，永遠不會分割的字串列表。這可用於確保特殊 tokens 映射到詞彙表中的唯一索引，即使這些特殊 tokens 包含可分割字元（例如標點符號）。特殊 tokens 仍必須包含在 vocabulary 中。預設為 None。

範例

Tokenize

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

Detokenize

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[原始碼]

from_preset 方法

Llama3Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

從模型預設實例化 keras_hub.models.Tokenizer。

預設是一個目錄，其中包含用於儲存和載入預訓練模型的設定檔、權重和其他檔案資產。preset 可以作為以下其中一項傳遞

1. 內建預設識別符，例如 'bert_base_en'
2. Kaggle Models 控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
4. 本機預設目錄的路徑，例如 './bert_base_en'

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

此建構子可以透過兩種方式之一呼叫。從基底類別（例如 keras_hub.models.Tokenizer.from_preset()）或從模型類別（例如 keras_hub.models.GemmaTokenizer.from_preset()）呼叫。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設定檔中推斷出來。

參數

• 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。
• load_weights：布林值。如果為 True，權重將被載入到模型架構中。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])