Llama3Tokenizer

[源代码]

Llama3Tokenizer 类

keras_hub.tokenizers.Llama3Tokenizer(
    vocabulary=None,
    merges=None,
    bos_token="<|begin_of_text|>",
    eos_token="<|end_of_text|>",
    misc_special_tokens={"<|end_header_id|>", "<|start_header_id|>"},
    **kwargs
)

字节对编码 (Bype-pair encoding) 分词器层。

此 BPE 分词器提供与官方 GPT-2 分词器相同的功能。给定相同的将词元 (token) 映射到 ID 的 vocabulary（词汇表）和描述 BPE 合并规则的 merges，它应该提供与 OpenAI 实现 (https://github.com/openai/gpt-2/blob/master/src/encoder.py) 相同的输出。与 OpenAI 不同，此实现与计算图兼容，因此您可以在 tf.data 流水线中使用它。

如果输入是一批字符串 (秩 > 0)：默认情况下，该层将输出一个 tf.RaggedTensor，其中输出的最后一个维度是 ragged 的。如果设置了 sequence_length，该层将输出一个密集的 tf.Tensor，其中所有输入都已被填充或截断到 sequence_length。如果输入是标量字符串 (秩 == 0)：默认情况下，该层将输出一个静态形状为 [None] 的密集 tf.Tensor。如果设置了 sequence_length，输出将是一个形状为 [sequence_length] 的密集 tf.Tensor。

参数

• vocabulary: 字符串或字典，将词元映射到整数 ID。如果是字符串，则应为 json 文件的路径。
• merges: 字符串或列表，包含合并规则。如果是字符串，则应为合并规则文件的路径。合并规则文件每行应有一条合并规则。
• sequence_length: 整数。如果设置，输出将被填充或截断到 sequence_length。默认为 None。
• add_prefix_space: 布尔值。是否在输入前添加一个初始空格。此分词器能感知空格，并会以不同方式对带有前导空格的单词进行分词。在第一个单词前添加前缀空格将使其分词方式与序列中所有后续单词等效。默认为 False。
• unsplittable_tokens: 列表。一个字符串列表，这些字符串在字节对编码之前的词级切分过程中永远不会被分割。这可以用于确保特殊词元映射到词汇表中的唯一索引，即使这些特殊词元包含可分割的字符（如标点符号）。特殊词元仍必须包含在 vocabulary 中。默认为 None。

示例

分词 (Tokenize)

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> outputs = tokenizer("butterfly")
>>> np.array(outputs)
array([1, 2], dtype=int32)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2])
>>> np.array(seq2)
array([1])
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(
...     vocab, merge, sequence_length=2)
>>> seq1, seq2 = tokenizer(["butterfly", "butter"])
>>> np.array(seq1)
array([1, 2], dtype=int32)
>>> np.array(seq2)
array([1, 0], dtype=int32)

反分词 (Detokenize)

>>> vocab = {"butter": 1, "fly": 2}
>>> merge = ["b u", "t t", "e r", "bu tt", "butt er", "f l", "fl y"]
>>> tokenizer = keras_hub.tokenizers.BytePairTokenizer(vocab, merge)
>>> tokenizer.detokenize([[1, 2]])
['butterfly']

[源代码]

from_preset 方法

Llama3Tokenizer.from_preset(preset, config_file="tokenizer.json", **kwargs)

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

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 Tokenizer 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。可以从基类调用，如 keras_hub.models.Tokenizer.from_preset()；也可以从模型类调用，如 keras_hub.models.GemmaTokenizer.from_preset()。如果从基类调用，返回对象的子类将根据预设目录中的配置进行推断。

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。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

示例

# 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])