► KerasHub：預訓練模型 / API 文件 / 模型架構 / PaliGemma / PaliGemmaTokenizer

PaliGemmaTokenizer

[source]

PaliGemmaTokenizer 類別

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

基於 SentencePiece 的 PaliGemma tokenizer 層。

此 tokenizer 類別會將原始字串 token 化為整數序列，並且基於 keras_hub.tokenizers.SentencePieceTokenizer。與底層 tokenizer 不同，它會檢查 PaliGemma 模型所需的所有特殊 token，並提供 from_preset() 方法來自動下載符合 PaliGemma 預設設定的詞彙表。

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

引數

  • proto：SentencePiece proto 檔案的 string 路徑，或具有序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece repository。

範例

# Unbatched input.
tokenizer = keras_hub.models.PaliGemmaTokenizer.from_preset(
    "pali_gemma_3b_224"
)
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.
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(["The quick brown fox jumped."])
sentencepiece.SentencePieceTrainer.train(
    sentence_iterator=ds.as_numpy_iterator(),
    model_writer=bytes_io,
    vocab_size=8,
    model_type="WORD",
    pad_id=0,
    bos_id=1,
    eos_id=2,
    unk_id=3,
    pad_piece="<pad>",
    bos_piece="<bos>",
    eos_piece="<eos>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.PaliGemmaTokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

[source]

from_preset 方法

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

從模型預設設定例項化 keras_hub.models.Tokenizer。

預設設定是一個組態、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 可以作為以下其中一種傳遞

  1. 內建預設設定識別符，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. 本機預設設定目錄的路徑，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設定。

此建構函式可以透過兩種方式之一呼叫。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，則傳回物件的子類別將從預設設定目錄中的組態推斷出來。

引數

  • preset：字串。內建預設設定識別符、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，則權重將載入到模型架構中。如果為 False，則權重將隨機初始化。

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])
預設設定 參數 描述
pali_gemma_3b_mix_224 2.92B 影像尺寸 224，混合微調，文字序列長度為 256
pali_gemma_3b_224 2.92B 影像尺寸 224，預訓練，文字序列長度為 128
pali_gemma_3b_mix_448 2.92B 影像尺寸 448，混合微調，文字序列長度為 512
pali_gemma_3b_448 2.92B 影像尺寸 448，預訓練，文字序列長度為 512
pali_gemma_3b_896 2.93B 影像尺寸 896，預訓練，文字序列長度為 512
pali_gemma2_mix_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_224 3.03B 30 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma_2_ft_docci_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在 DOCCI 資料集上進行微調，以改進具有精細細節的描述。
pali_gemma2_mix_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_3b_448 3.03B 30 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_3b_896 3.04B 30 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 2B 語言模型為 26 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_mix_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_224 9.66B 100 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_ft_docci_10b_448 9.66B 100 億參數，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在 DOCCI 資料集上進行微調，以改進具有精細細節的描述。
pali_gemma2_mix_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_10b_448 9.66B 100 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_10b_896 9.67B 100 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 9B 語言模型為 42 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_mix_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_mix_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在各種視覺語言任務和領域上進行微調。
pali_gemma2_pt_28b_224 27.65B 280 億參數，影像尺寸 224，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_28b_448 27.65B 280 億參數，影像尺寸 448，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
pali_gemma2_pt_28b_896 27.65B 280 億參數，影像尺寸 896，SigLIP-So400m 視覺編碼器為 27 層，Gemma2 27B 語言模型為 46 層。此模型已在資料集混合上進行預訓練。
PaliGemmaTokenizer
PaliGemmaTokenizer 類別
from_preset 方法