► KerasHub：預訓練模型 / API 文件 / 模型架構 / T5 / T5Tokenizer

T5Tokenizer

[原始碼]

T5Tokenizer 類別

keras_hub.tokenizers.T5Tokenizer(proto, **kwargs)

基於 SentencePiece 的 T5 分詞器層。

這個分詞器類別會將原始字串分詞成整數序列，並且基於 keras_hub.tokenizers.SentencePieceTokenizer。與底層分詞器不同的是，它會檢查 T5 模型所需的所有特殊符號，並提供 from_preset() 方法來自動下載符合 T5 預設模型的詞彙表。

如果輸入是字串批次（階數 > 0），則此層會輸出一個 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），則此層會輸出一個具有靜態形狀 [None] 的密集 tf.Tensor。

引數

  • proto：可以是 SentencePiece proto 檔案的 string 路徑，或是具有序列化 SentencePiece proto 的 bytes 物件。有關格式的更多詳細資訊，請參閱 SentencePiece 儲存庫。

範例

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",
    bos_id=-1,
    pad_id=0,
    eos_id=1,
    unk_id=2,
    pad_piece="<pad>",
    eos_piece="</s>",
    unk_piece="<unk>",
)
tokenizer = keras_hub.models.T5Tokenizer(
    proto=bytes_io.getvalue(),
)
tokenizer("The quick brown fox jumped.")

# Batched inputs.
tokenizer(["the quick brown fox", "the earth is round"])

# Unbatched inputs.
tokenizer("the quick brown fox")

# Detokenization.
tokenizer.detokenize(tokenizer("The quick brown fox jumped."))

[原始碼]

from_preset 方法

T5Tokenizer.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. 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。

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()，也可以從模型類別呼叫，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目錄中的配置推斷出來。

引數

  • preset：字串。內建預設識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼，或是本地目錄的路徑。
  • 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])
預設 參數 描述
t5_small_multi 0 8 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
t5_base_multi 0 12 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
t5_large_multi 0 24 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
flan_small_multi 0 8 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
flan_base_multi 0 12 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
flan_large_multi 0 24 層 T5 模型。在 Colossal Clean Crawled Corpus (C4) 上訓練。
t5_1.1_small 60.51M
t5_1.1_base 247.58M
t5_1.1_large 750.25M
t5_1.1_xl 2.85B
t5_1.1_xxl 11.14B
T5Tokenizer
T5Tokenizer 類別
from_preset 方法