CLIPPreprocessor

[源代码]

CLIPPreprocessor 类

keras_hub.models.CLIPPreprocessor(
    tokenizer,
    sequence_length=77,
    add_start_token=True,
    add_end_token=True,
    to_lower=True,
    **kwargs
)

CLIP 预处理层，用于对输入进行分词和打包。

此预处理层将执行 2 项操作

• 使用 tokenizer 对输入进行分词。
• 构造一个包含键 "token_ids" 和 "padding_mask" 的字典。

此层可以直接与 tf.data.Dataset.map 结合使用，以预处理 keras.Model.fit 使用的 (x, y, sample_weight) 格式的字符串数据。

此层的调用方法接受三个参数：x、y 和 sample_weight。x 可以是表示单个段的 Python 字符串或张量，表示一批单个段的 Python 字符串列表，或表示要打包在一起的多个段的张量列表。y 和 sample_weight 都是可选的，可以有任何格式，并且将原样传递。

CLIPPreprocessor 强制输入只有一个段，因为 CLIP 主要用于生成任务。对于具有多段输入（如“glue/mnli”）的任务，请使用为分类目的设计的模型，例如 BERT 或 RoBERTa。

参数

• tokenizer：一个 keras_hub.models.CLIPTokenizer 实例。
• sequence_length：打包输入的长度。
• add_start_token：如果为 True，预处理器将在每个输入序列前添加分词器的起始词元。
• add_end_token：如果为 True，预处理器将在每个输入序列后附加分词器的结束词元。
• to_lower：布尔值。是否将输入转换为小写。

调用参数

• x：字符串、tf.Tensor 或 Python 字符串列表。
• y：任何标签数据。将原样传递。
• sample_weight：任何标签权重数据。将原样传递。
• sequence_length：传递此参数以覆盖该层已配置的 sequence_length。

[源代码]

from_preset 方法

CLIPPreprocessor.from_preset(preset, config_file="preprocessor.json", **kwargs)

从模型预设实例化一个 keras_hub.models.Preprocessor。

预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './bert_base_en'

对于任何 Preprocessor 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)

tokenizer 属性

keras_hub.models.CLIPPreprocessor.tokenizer

用于对字符串进行分词的分词器。