ai21 tokenizer

AI21 Labs Tokenizer

Ein SentencePiece-basierter Tokenizer für Produktionszwecke mit den Modellen von AI21

---

Voraussetzungen

• Wenn Sie die Tokenizer für Jamba 1.5 Mini oder Jamba 1.5 Large verwenden möchten, müssen Sie Zugriff auf das HuggingFace-Repo des entsprechenden Modells anfordern:
  • Jamba 1,5 Mini
  • Jamba 1,5 Groß

Installation

Pip

pip install ai21-tokenizer

Poesie

poetry add ai21-tokenizer

Verwendung

Tokenizer-Erstellung

Jamba 1.5 Mini-Tokenizer

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = Tokenizer . get_tokenizer ( PreTrainedTokenizers . JAMBA_1_5_MINI_TOKENIZER )
# Your code here

Eine andere Möglichkeit wäre die direkte Nutzung unseres Jamba 1.5 Mini-Tokenizers:

 from ai21_tokenizer import Jamba1_5Tokenizer

model_path = "<Path to your vocabs file>"
tokenizer = Jamba1_5Tokenizer ( model_path = model_path )
# Your code here 

Asynchrone Nutzung

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = await Tokenizer . get_async_tokenizer ( PreTrainedTokenizers . JAMBA_1_5_MINI_TOKENIZER )
# Your code here

Jamba 1.5 Großer Tokenizer

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = Tokenizer . get_tokenizer ( PreTrainedTokenizers . JAMBA_1_5_LARGE_TOKENIZER )
# Your code here

Eine andere Möglichkeit wäre die direkte Nutzung unseres Jamba 1.5 Large Tokenizers:

 from ai21_tokenizer import Jamba1_5Tokenizer

model_path = "<Path to your vocabs file>"
tokenizer = Jamba1_5Tokenizer ( model_path = model_path )
# Your code here 

Asynchrone Nutzung

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = await Tokenizer . get_async_tokenizer ( PreTrainedTokenizers . JAMBA_1_5_LARGE_TOKENIZER )
# Your code here

Jamba Instruct Tokenizer

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = Tokenizer . get_tokenizer ( PreTrainedTokenizers . JAMBA_INSTRUCT_TOKENIZER )
# Your code here

Eine andere Möglichkeit wäre die direkte Nutzung unseres Jamba-Tokenizers:

 from ai21_tokenizer import JambaInstructTokenizer

model_path = "<Path to your vocabs file>"
tokenizer = JambaInstructTokenizer ( model_path = model_path )
# Your code here 

Asynchrone Nutzung

 from ai21_tokenizer import Tokenizer , PreTrainedTokenizers

tokenizer = await Tokenizer . get_async_tokenizer ( PreTrainedTokenizers . JAMBA_INSTRUCT_TOKENIZER )
# Your code here

Eine andere Möglichkeit wäre die Verwendung unserer asynchronen Jamba-Tokenizer-Klassenmethode create:

 from ai21_tokenizer import AsyncJambaInstructTokenizer

model_path = "<Path to your vocabs file>"
tokenizer = AsyncJambaInstructTokenizer . create ( model_path = model_path )
# Your code here

J2-Tokenizer

 from ai21_tokenizer import Tokenizer

tokenizer = Tokenizer . get_tokenizer ()
# Your code here

Eine andere Möglichkeit wäre, unser Jurassic-Modell direkt zu verwenden:

 from ai21_tokenizer import JurassicTokenizer

model_path = "<Path to your vocabs file. This is usually a binary file that end with .model>"
config = {} # "dictionary object of your config.json file"
tokenizer = JurassicTokenizer ( model_path = model_path , config = config )

Asynchrone Nutzung

 from ai21_tokenizer import Tokenizer

tokenizer = await Tokenizer . get_async_tokenizer ()
# Your code here

Eine andere Möglichkeit wäre die Verwendung unserer asynchronen Jamba-Tokenizer-Klassenmethode create:

 from ai21_tokenizer import AsyncJurassicTokenizer

model_path = "<Path to your vocabs file. This is usually a binary file that end with .model>"
config = {} # "dictionary object of your config.json file"
tokenizer = AsyncJurassicTokenizer . create ( model_path = model_path , config = config )
# Your code here

Funktionen

Kodieren und dekodieren

Mit diesen Funktionen können Sie Ihren Text in eine Liste von Token-IDs und zurück in Klartext kodieren

 text_to_encode = "apple orange banana"
encoded_text = tokenizer . encode ( text_to_encode )
print ( f"Encoded text: { encoded_text } " )

decoded_text = tokenizer . decode ( encoded_text )
print ( f"Decoded text: { decoded_text } " )

Asynchron

 # Assuming you have created an async tokenizer
text_to_encode = "apple orange banana"
encoded_text = await tokenizer . encode ( text_to_encode )
print ( f"Encoded text: { encoded_text } " )

decoded_text = await tokenizer . decode ( encoded_text )
print ( f"Decoded text: { decoded_text } " )

Was wäre, wenn Sie Ihre Token in IDs umwandeln wollten oder umgekehrt?

 tokens = tokenizer . convert_ids_to_tokens ( encoded_text )
print ( f"IDs corresponds to Tokens: { tokens } " )

ids = tokenizer . convert_tokens_to_ids ( tokens )

Asynchron

 # Assuming you have created an async tokenizer
tokens = await tokenizer . convert_ids_to_tokens ( encoded_text )
print ( f"IDs corresponds to Tokens: { tokens } " )

ids = tokenizer . convert_tokens_to_ids ( tokens )

Weitere Beispiele finden Sie in unserem Beispielordner.