Llama3Tokenizer

[来源]

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
)

字节对编码分词器层。

这个 BPE 分词器提供了与官方 GPT-2 分词器相同的功能。给定相同的将标记映射到 ID 的 vocabulary 以及描述 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，此实现与图兼容，因此可以在 tf.data 管道中使用它。

如果输入是一批字符串（rank > 0）：默认情况下，该层将输出一个 tf.RaggedTensor，其输出的最后一维是锯齿状的。如果设置了 sequence_length，该层将输出一个稠密的 tf.Tensor，其中所有输入都已填充或截断到 sequence_length。如果输入是标量字符串（rank == 0）：默认情况下，该层将输出一个具有静态形状 [None] 的稠密 tf.Tensor。如果设置了 sequence_length，输出将是一个形状为 [sequence_length] 的稠密 tf.Tensor。

参数

• vocabulary: 字符串或字典，将标记映射到整数 ID。如果它是字符串，则应为 JSON 文件的文件路径。
• merges: 字符串或列表，包含合并规则。如果它是字符串，则应为合并规则文件的文件路径。合并规则文件应每行包含一个合并规则。
• 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。是否在输入开头添加一个空格。此分词器感知空格，并且会将带有前导空格的词与不带前导空格的词不同地分词。在第一个词前添加一个前导空格将使其分词结果与序列中所有后续词的分词结果等效。默认为 False。
• unsplittable_tokens: 列表。一个字符串列表，在应用字节对编码之前的词级别拆分过程中永远不会被拆分。这可以用于确保特殊标记在词表中映射到唯一的索引，即使这些特殊标记包含标点符号等可拆分字符。特殊标记仍然必须包含在 vocabulary 中。默认为 None。

示例

分词

>>> 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)

解分词

>>> 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']

[来源]

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。preset 可以作为以下之一传入：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './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，例如 keras_hub.models.Tokenizer.from_preset()，也可以从模型类调用，例如 keras_hub.models.GemmaTokenizer.from_preset()。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

• preset: 字符串。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: 布尔值。如果为 True，权重将加载到模型架构中。如果为 False，权重将随机初始化。

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])