OPTTokenizer

[原始碼]

OPTTokenizer 類別

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

一個使用位元組對編碼子詞分段的 OPT tokenizer。

此 tokenizer 類別會將原始字串分詞為整數序列，並且基於 keras_hub.tokenizers.BytePairTokenizer。與底層 tokenizer 不同的是，它會檢查 OPT 模型所需的所有特殊 token，並提供 from_preset() 方法來自動下載符合 OPT 預設的詞彙表。

如果輸入是一批字串（rank > 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（rank == 0），此層將輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

引數

• vocabulary：字串或字典，將 token 映射到整數 ID。如果它是字串，則應為 json 檔案的路徑。
• merges：字串或列表，包含合併規則。如果它是字串，則應為合併規則檔案的路徑。合併規則檔案每行應包含一個合併規則。每個合併規則都包含以空格分隔的合併實體。

範例

# Unbatched input.
tokenizer = keras_hub.models.OPTTokenizer.from_preset(
    "opt_125m_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 = {"<pad>": 1, "</s>": 2, "Ġquick": 4, "Ġfox": 5}
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)
tokenizer("The quick brown fox jumped.")

[原始碼]

from_preset 方法

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

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

預設是一個組態、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. 一個內建的預設識別符，例如 'bert_base_en'
2. 一個 Kaggle Models handle，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face handle，例如 'hf://user/bert_base_en'
4. 一個本地預設目錄的路徑，例如 './bert_base_en'

對於任何 Tokenizer 子類別，您可以執行 cls.presets.keys() 來列出該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調用。可以從基底類別（如 keras_hub.models.Tokenizer.from_preset()）調用，也可以從模型類別（如 keras_hub.models.GemmaTokenizer.from_preset()）調用。如果從基底類別調用，則返回物件的子類別將從預設目錄中的組態推斷出來。

引數

• preset：字串。一個內建的預設識別符、Kaggle Models handle、Hugging Face handle 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])