KerasHub：预训练模型
快速入门 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 指标 预训练模型列表
► KerasHub: 预训练模型 / API 文档 / 模型架构 / Llama3 / Llama3CausalLMPreprocessor 层

Llama3CausalLMPreprocessor 层

[源代码]

Llama3CausalLMPreprocessor 类

keras_hub.models.Llama3CausalLMPreprocessor(
    tokenizer, sequence_length=1024, add_start_token=True, add_end_token=True, **kwargs
)

Llama 3 因果语言模型预处理器。

该预处理层旨在与 keras_hub.models.Llama3CausalLM 配合使用。默认情况下，它会接收批量字符串，并以 (x, y, sample_weight) 的格式返回输出，其中 y 标签是 x 序列中的下一个词元 ID。

为了用于生成，该层还公开了两种方法：generate_preprocess() 和 generate_postprocess()。当此预处理器附加到 keras_hub.models.Llama3CausalLM 实例时，这些方法将在 generate() 中被隐式调用。它们也可以独立调用（例如，在单独的进程中为生成预先计算预处理输入）。

参数

  • tokenizer：一个 keras_hub.models.Llama3Tokenizer 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。默认为 False。
  • 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。默认为 False。

调用参数

  • x：字符串、tf.Tensor 或 Python 字符串列表。
  • y：标签数据。应始终为 None，因为该层会生成标签。
  • sample_weight：标签权重。应始终为 None，因为该层会生成标签权重。
  • sequence_length：传递此参数以覆盖该层已配置的 sequence_length。

示例

# Load the preprocessor from a preset.
preprocessor = keras_hub.models.Llama3CausalLMPreprocessor.from_preset(
    "llama_base_en"
)

# Tokenize and pack a single sentence.
sentence = tf.constant("League of legends")
preprocessor(sentence)
# Same output.
preprocessor("League of legends")

# Tokenize a batch of sentences.
sentences = tf.constant(["Taco tuesday", "Fish taco please!"])
preprocessor(sentences)
# Same output.
preprocessor(["Taco tuesday", "Fish taco please!"])

# Map a dataset to preprocess a single sentence.
features = tf.constant(
    [
        "Avatar 2 is amazing!",
        "Well, I am not sure.",
    ]
)
labels = tf.constant([1, 0])
ds = tf.data.Dataset.from_tensor_slices((features, labels))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map a dataset to preprocess unlabled sentences.
ds = tf.data.Dataset.from_tensor_slices(features)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

[源代码]

from_preset 方法

Llama3CausalLMPreprocessor.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",
)
预设 参数 描述
llama3.2_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_1b 15.0 亿 10 亿参数、16 层的经过指令调优的 LLaMA 3.2 模型。
llama3.2_guard_1b 15.0 亿 10 亿参数、16 层的 LLaMA 3.2 基础模型，为同意安全分类进行了微调。
llama3.2_3b 36.1 亿 30 亿参数、26 层的 LLaMA 3.2 基础模型。
llama3.2_instruct_3b 36.1 亿 30 亿参数、28 层的经过指令调优的 LLaMA 3.2 模型。
llama3_8b_en 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型。
llama3_instruct_8b_en 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型。
llama3.1_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 基础模型。
llama3.1_instruct_8b 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3.1 模型。
llama3.1_guard_8b 80.3 亿 80 亿参数、32 层的 LLaMA 3.1 模型，为同意安全分类进行了微调。
llama3_8b_en_int8 80.3 亿 80 亿参数、32 层的 LLaMA 3 基础模型，其激活和权重被量化为 int8。
llama3_instruct_8b_en_int8 80.3 亿 80 亿参数、32 层的经过指令调优的 LLaMA 3 模型，其激活和权重被量化为 int8。

tokenizer 属性

keras_hub.models.Llama3CausalLMPreprocessor.tokenizer

用于对字符串进行分词的分词器。

Llama3CausalLMPreprocessor 层
Llama3CausalLMPreprocessor 类
from_preset 方法
tokenizer 属性