FalconCausalLM 类keras_hub.models.FalconCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 Falcon 模型。
因果语言模型 (LM) 基于先前的 token 预测下一个 token。此任务设置可用于在纯文本输入上无监督地训练模型，或自动回归地生成与训练数据相似的纯文本。通过简单地调用 fit()，此任务可用于预训练或微调 Falcon 模型。
此模型具有 generate() 方法，该方法根据提示生成文本。所使用的生成策略由 compile() 上的附加 sampler 参数控制。您可以重新编译模型并使用不同的 keras_hub.samplers 对象来控制生成。默认情况下，将使用“贪婪”采样。
此模型可以选择配置 preprocessor 层，在这种情况下，它将在 fit()、predict()、evaluate() 和 generate() 期间自动对字符串输入应用预处理。这在使用 from_preset() 创建模型时默认完成。
参数
keras_hub.models.FalconBackbone 实例。keras_hub.models.FalconCausalLMPreprocessor 或 None。如果为 None，此模型将不应用预处理，并且在调用模型之前应预处理输入。示例
使用 generate() 进行文本生成。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
falcon_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate() 函数。
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.compile(sampler="top_k")
falcon_lm.generate("I want to say", max_length=30)
falcon_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
falcon_lm.generate("I want to say", max_length=30)
不带预处理使用 generate()。
prompt = {
# Token ids for
# "<|endoftext|> Keras is".
"token_ids": np.array([[50256, 17337, 292, 318]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 1]] * 2),
}
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.generate(prompt)
在单个批次上调用 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en"
)
falcon_lm.fit(x=features, batch_size=2)
不带预处理调用 fit()。
x = {
# Token ids for
# "<|endoftext|> Keras is deep learning library<|endoftext|>"
"token_ids": np.array(
[[50256, 17337, 292, 318, 2769,4673,5888, 50256, 0]] * 2
),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[17337, 292, 318, 2769, 4673, 5888, 50256, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 1, 0, 0]] * 2)
falcon_lm = keras_hub.models.FalconCausalLM.from_preset(
"falcon_refinedweb_1b_en",
preprocessor=None,
)
falcon_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义骨干和词汇表。
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.FalconTokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.FalconCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.FalconBackbone(
vocabulary_size=50304,
num_layers=24,
num_attention_heads=64,
hidden_dim=2048,
intermediate_dim=4*2048,
)
falcon_lm = keras_hub.models.FalconCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
falcon_lm.fit(x=features, batch_size=2)
from_preset 方法FalconCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task。
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：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./bert_base_en'对于任何 Task 子类，您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。
此构造函数可以通过两种方式之一调用。要么从特定于任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，要么从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将根据预设目录中的配置推断。
参数
True，已保存的权重将被加载到模型架构中。如果为 False，所有权重将被随机初始化。示例
# 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,
)
| 预设 | 参数 | 描述 |
|---|---|---|
| falcon_refinedweb_1b_en | 1.31B | 24 层 Falcon 模型（参数为 10 亿的 Falcon），在 RefinedWeb 数据集的 3500 亿个标记上训练。 |
generate 方法FalconCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根据提示 inputs 生成文本。
此方法根据给定的 inputs 生成文本。用于生成的采样方法可以通过 compile() 方法设置。
如果 inputs 是一个 tf.data.Dataset，输出将“逐批”生成并连接起来。否则，所有输入将被视为单个批次处理。
如果 preprocessor 附加到模型，则 inputs 将在 generate() 函数内部进行预处理，并且应与 preprocessor 层（通常是原始字符串）期望的结构匹配。如果未附加 preprocessor，则输入应与 backbone 期望的结构匹配。有关每个示例的演示，请参阅上面的示例用法。
参数
tf.data.Dataset。如果 preprocessor 附加到模型，则 inputs 应与 preprocessor 层期望的结构匹配。如果未附加 preprocessor，则 inputs 应与 backbone 模型期望的结构匹配。preprocessor 配置的最大 sequence_length。如果 preprocessor 为 None，则 inputs 应填充到所需的最小长度，并且此参数将被忽略。None、“auto”或 token ID 元组。默认为“auto”，它使用 preprocessor.tokenizer.end_token_id。未指定处理器将导致错误。None 在生成 max_length token 后停止生成。您还可以指定模型应停止的 token ID 列表。请注意，token 序列中的每个 token 都将被解释为停止 token，不支持多 token 停止序列。backbone 属性keras_hub.models.FalconCausalLM.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.FalconCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。