GPT2CausalLM 类keras_hub.models.GPT2CausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 GPT2 模型。
因果语言模型 (LM) 根据先前的 token 预测下一个 token。这种任务设置可用于在纯文本输入上进行无监督的模型训练，或自回归地生成与训练数据相似的纯文本。只需调用 fit() 即可将此任务用于 GPT-2 模型的预训练或微调。
此模型具有一个 generate() 方法，该方法根据提示生成文本。用于生成的策略由 compile() 上的附加 sampler 参数控制。您可以使用不同的 keras_hub.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "top_k" 采样。
该模型可以选择配置一个 preprocessor 层，在这种情况下，它会在 fit()、predict()、evaluate() 和 generate() 期间自动对字符串输入应用预处理。使用 from_preset() 创建模型时，默认会执行此操作。
免责声明：预训练模型按“原样”提供，不附带任何形式的保证或条件。底层模型由第三方提供，并受单独许可协议约束，可在此处获取。
参数
keras_hub.models.GPT2Backbone 实例。keras_hub.models.GPT2CausalLMPreprocessor 或 None。如果为 None，则此模型将不应用预处理，并且应在调用模型之前对输入进行预处理。示例
使用 generate() 进行文本生成。
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
gpt2_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate() 函数。
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.compile(sampler="greedy")
gpt2_lm.generate("I want to say", max_length=30)
gpt2_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
gpt2_lm.generate("I want to say", max_length=30)
不进行预处理使用 generate()。
# Prompt the model with `5338, 318` (the token ids for `"Who is"`).
# Use `"padding_mask"` to indicate values that should not be overridden.
prompt = {
"token_ids": np.array([[5338, 318, 0, 0, 0]] * 2),
"padding_mask": np.array([[1, 1, 0, 0, 0]] * 2),
}
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
"gpt2_base_en",
preprocessor=None,
)
gpt2_lm.generate(prompt)
在单个批次上调用 fit()。
features = ["The quick brown fox jumped.", "I forgot my homework."]
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset("gpt2_base_en")
gpt2_lm.fit(x=features, batch_size=2)
不进行预处理调用 fit()。
x = {
"token_ids": np.array([[50256, 1, 2, 3, 4]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1]] * 2),
}
y = np.array([[1, 2, 3, 4, 50256]] * 2)
sw = np.array([[1, 1, 1, 1, 1]] * 2)
gpt2_lm = keras_hub.models.GPT2CausalLM.from_preset(
"gpt2_base_en",
preprocessor=None,
)
gpt2_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义主干模型和词汇表。
features = ["a quick fox.", "a fox quick."]
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.GPT2Tokenizer(
vocabulary=vocab,
merges=merges,
)
preprocessor = keras_hub.models.GPT2CausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.GPT2Backbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
gpt2_lm = keras_hub.models.GPT2CausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
gpt2_lm.fit(x=features, batch_size=2)
from_preset 方法GPT2CausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task。
预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。可以将 preset 作为以下之一传入：
'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，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
此构造函数可通过两种方式之一调用。可以从任务特定的基类（例如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（例如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，返回对象的子类将从预设目录中的配置推断。
参数
True，则保存的权重将加载到模型架构中。如果为 False，则所有权重将随机初始化。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 |
|---|---|---|
| gpt2_base_en | 124.44M | 保持大小写的 12 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_base_en_cnn_dailymail | 124.44M | 保持大小写的 12 层 GPT-2 模型。在 CNN/DailyMail 摘要数据集上微调。 |
| gpt2_medium_en | 354.82M | 保持大小写的 24 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_large_en | 774.03M | 保持大小写的 36 层 GPT-2 模型。在 WebText 上训练。 |
| gpt2_extra_large_en | 1.56B | 保持大小写的 48 层 GPT-2 模型。在 WebText 上训练。 |
generate 方法GPT2CausalLM.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，则输出将“逐批”生成并连接。否则，所有输入都将作为单个批次处理。
如果模型附加了 preprocessor，则将在 generate() 函数内部对 inputs 进行预处理，并且输入结构应与 preprocessor 层（通常是原始字符串）期望的结构匹配。如果未附加 preprocessor，则输入结构应与 backbone 期望的结构匹配。请参见上面的使用示例以了解每种情况的演示。
参数
tf.data.Dataset。如果模型附加了 preprocessor，则 inputs 结构应与 preprocessor 层期望的结构匹配。如果未附加 preprocessor，则 inputs 结构应与 backbone 模型期望的结构匹配。preprocessor 配置的最大 sequence_length。如果 preprocessor 为 None，则应将 inputs 填充到所需的**最大**长度，并且将忽略此参数。None、“auto”或 token ID 的元组。默认为“auto”，它使用 preprocessor.tokenizer.end_token_id。未指定处理器将导致错误。如果为 None，则在生成 max_length 个 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，每个 token 序列都将被解释为一个停止 token，不支持多 token 停止序列。backbone 属性keras_hub.models.GPT2CausalLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.GPT2CausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。