► KerasHub：預訓練模型 / API 文件 / 模型架構 / OPT / OPTCausalLM 模型

OPTCausalLM 模型

[來源]

OPTCausalLM 類別

keras_hub.models.OPTCausalLM(backbone, preprocessor=None, **kwargs)

用於因果語言建模的端到端 OPT 模型。

因果語言模型 (LM) 會根據先前的詞符預測下一個詞符。此任務設定可用於在純文字輸入上以非監督方式訓練模型，或自動迴歸產生類似於用於訓練的資料的純文字。這個任務可以用於預訓練或微調 GPT-2 模型，只需呼叫 fit()。

此模型有一個 generate() 方法，它會根據提示產生文字。所使用的產生策略由 compile() 上的額外 sampler 引數控制。您可以使用不同的 keras_hub.samplers 物件重新編譯模型以控制產生。預設情況下，將使用 "top_k" 取樣。

此模型可以選擇使用 preprocessor 層進行配置，在這種情況下，它會在 fit()、predict()、evaluate() 和 generate() 期間自動將預處理應用於字串輸入。當使用 from_preset() 建立模型時，預設會執行此操作。

免責聲明：預訓練模型以「現狀」為基礎提供，不附帶任何形式的擔保或條件。基礎模型由第三方提供，並受獨立授權的約束，可在此處取得：這裡。

引數

範例

使用 generate() 進行文字產生。

opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.generate("I want to say", max_length=30)

# Generate with batched prompts.
opt_lm.generate(["This is a", "Where are you"], max_length=30)

使用自訂取樣器編譯 generate() 函式。

opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.compile(sampler="greedy")
opt_lm.generate("I want to say", max_length=30)

opt_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
opt_lm.generate("I want to say", max_length=30)

在不進行預處理的情況下使用 generate()。

# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
    "token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
    "padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}

opt_lm = keras_hub.models.OPTCausalLM.from_preset(
    "opt_125m_en",
    preprocessor=None,
)
opt_lm.generate(prompt)

在單一批次上呼叫 fit()。

features = ["The quick brown fox jumped.", "I forgot my homework."]
opt_lm = keras_hub.models.OPTCausalLM.from_preset("opt_125m_en")
opt_lm.fit(x=features, batch_size=2)

在不進行預處理的情況下呼叫 fit()。

x = {
    "token_ids": np.array([[1, 2, 3, 4, 5]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[2, 3, 4, 5, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)

opt_lm = keras_hub.models.OPTCausalLM.from_preset(
    "opt_base_en",
    preprocessor=None,
)
opt_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)

自訂骨幹和詞彙。

features = ["a quick fox.", "a fox quick."]
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.OPTTokenizer(
    vocabulary=vocab,
    merges=merges,
)
preprocessor = keras_hub.models.OPTCausalLMPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
model = keras_hub.models.OPTBackbone(
    vocabulary_size=50265,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
opt_lm = keras_hub.models.OPTCausalLM(
    backbone=backbone,
    preprocessor=preprocessor,
)
opt_lm.fit(x=features, batch_size=2)

[來源]

from_preset 方法

OPTCausalLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設實例化一個 keras_hub.models.Task。

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 可以作為以下其中之一傳遞

  1. 內建的預設識別碼，例如 'bert_base_en'
  2. Kaggle Models 控制碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制碼，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 Task 子類別，您可以執行 cls.presets.keys() 以列出該類別上可用的所有內建預設。

此建構函式可以透過兩種方式之一呼叫。可以從特定任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則返回物件的子類別將從預設目錄中的配置推斷。

引數

  • preset：字串。內建的預設識別碼、Kaggle Models 控制碼、Hugging Face 控制碼或本機目錄的路徑。
  • load_weights：布林值。如果為 True，儲存的權重將載入模型架構。如果為 False，所有權重將隨機初始化。

範例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
預設 參數 說明
opt_125m_en 125.24M 12 層 OPT 模型，其中維護了大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_1.3b_en 1.32B 24 層 OPT 模型，其中維護了大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_2.7b_en 2.70B 32 層 OPT 模型，其中維護了大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。
opt_6.7b_en 6.70B 32 層 OPT 模型，其中維護了大小寫。在 BookCorpus、CommonCrawl、Pile 和 PushShift.io 語料庫上訓練。

[來源]

generate 方法

OPTCausalLM.generate(
    inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)

產生給定提示 inputs 的文字。

此方法會根據給定的 inputs 產生文字。用於產生的取樣方法可以透過 compile() 方法設定。

如果 inputs 是 tf.data.Dataset，則會「逐批次」產生輸出並串連。否則，所有輸入將被視為單一批次處理。

如果模型附加了 preprocessor，則 inputs 將在 generate() 函式內進行預處理，並且應符合 preprocessor 層預期的結構（通常為原始字串）。如果未附加 preprocessor，則輸入應符合 backbone 預期的結構。請參閱上面的範例用法，以了解每個的示範。

引數

  • inputs：Python 資料、張量資料或 tf.data.Dataset。如果模型附加了 preprocessor，則 inputs 應符合 preprocessor 層預期的結構。如果未附加 preprocessor，則 inputs 應符合 backbone 模型預期的結構。
  • max_length：選用。整數。產生的序列的最大長度。預設為 preprocessor 的最大已設定 sequence_length。如果 preprocessor 為 None，則 inputs 應填補到所需的最大長度，並且將忽略此引數。
  • stop_token_ids：選用。None、「auto」或詞符 ID 的元組。預設為「auto」，它使用 preprocessor.tokenizer.end_token_id。不指定處理器會產生錯誤。None 會在產生 max_length 個詞符後停止產生。您也可以指定模型應停止的詞符 ID 清單。請注意，詞符序列將會被解釋為停止詞符，不支援多詞符停止序列。
  • strip_prompt：選用。預設情況下，generate() 會傳回完整的提示，後接模型產生的完成結果。如果此選項設為 True，則只會傳回新產生的文字。

backbone 屬性

keras_hub.models.OPTCausalLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.OPTCausalLM.preprocessor

用於預處理輸入的 keras_hub.models.Preprocessor 層。

OPTCausalLM 模型
OPTCausalLM 類別
from_preset 方法
generate 方法
backbone 屬性
preprocessor 屬性