AlbertBackbone 模型

[來源]

AlbertBackbone 類別

keras_nlp.models.AlbertBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    embedding_dim,
    hidden_dim,
    intermediate_dim,
    num_groups=1,
    num_inner_repetitions=1,
    dropout=0.0,
    max_sequence_length=512,
    num_segments=2,
    dtype=None,
    **kwargs
)

ALBERT 編碼器網路。

此類別實作了如 "ALBERT: A Lite BERT for Self-supervised Learning of Language Representations" 中所述的雙向基於 Transformer 的編碼器。ALBERT 是 BERT 的一種更高效的變體，它使用參數約減技術，例如跨層參數共享和因子化嵌入參數化。此模型類別包含嵌入查詢和 Transformer 層，但不包含遮罩語言模型或句子順序預測頭。

預設建構函數提供了一個完全可自訂的、隨機初始化的 ALBERT 編碼器，它可以具有任意數量的層、頭和嵌入維度。若要載入預設架構和權重，請使用 from_preset 建構函數。

免責聲明：預訓練模型按「現狀」提供，不提供任何形式的明示或暗示擔保。

參數

• vocabulary_size：int。標記詞彙的大小。
• num_layers：int，必須可以被 num_groups 整除。「虛擬」層的數量，即輸入序列在一次正向傳遞中被饋送到各組的總次數。輸入將根據層索引路由到正確的組。
• num_heads：int。每個 Transformer 的注意力頭的數量。隱藏大小必須可以被注意力頭的數量整除。
• embedding_dim：int。嵌入的大小。
• hidden_dim：int。Transformer 編碼和池化層的大小。
• intermediate_dim：int。每個 Transformer 的兩層前饋網路中第一個 Dense 層的輸出維度。
• num_groups：int。組的數量，每個組都有 num_inner_repetitions 個 TransformerEncoder 層。
• num_inner_repetitions：整數。每個群組中 TransformerEncoder 層的數量。
• dropout：浮點數。Transformer 編碼器的丟棄機率。
• max_sequence_length：整數。此編碼器可以使用的最大序列長度。如果為 None，則 max_sequence_length 會使用序列長度的值。這決定了位置嵌入的可變形狀。
• num_segments：整數。「segment_ids」輸入可以採用的類型數量。
• dtype：字串或 keras.mixed_precision.DTypePolicy。用於模型計算和權重的 dtype。請注意，某些計算（例如 softmax 和層標準化）將始終以 float32 精度完成，而與 dtype 無關。

範例

input_data = {
    "token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]]),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}

# Randomly initialized ALBERT encoder
model = keras_nlp.models.AlbertBackbone(
    vocabulary_size=30000,
    num_layers=12,
    num_heads=12,
    num_groups=1,
    num_inner_repetitions=1,
    embedding_dim=128,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=12,
)
output = model(input_data)

[來源]

from_preset 方法

AlbertBackbone.from_preset(preset, load_weights=True, **kwargs)

從模型預設集實例化 keras_nlp.models.Backbone。

預設集是設定檔、權重和其他檔案資產的目錄，用於儲存和載入預先訓練的模型。可以將 preset 作為以下其中一項傳遞

1. 內建的預設集識別碼，例如 'bert_base_en'
2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控點，例如 'hf://user/bert_base_en'
4. 本機預設集目錄的路徑，例如 './bert_base_en'

可以透過兩種方式呼叫此建構函式。可以從基底類別呼叫，例如 keras_nlp.models.Backbone.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.GemmaBackbone.from_preset()。如果從基底類別呼叫，則會從預設集目錄中的設定檔推斷出傳回物件的子類別。

對於任何 Backbone 子類別，您可以執行 cls.presets.keys() 來列出類別上可用的所有內建預設集。

參數

• preset：字串。內建的預設集識別碼、Kaggle 模型控點、Hugging Face 控點或本機目錄的路徑。
• load_weights：布林值。如果為 True，則權重將會載入模型架構中。如果為 False，則權重將會隨機初始化。

範例

# Load a Gemma backbone with pre-trained weights.
model = keras_nlp.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_nlp.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 屬性

keras_nlp.models.AlbertBackbone.token_embedding

用於嵌入權杖 ID 的 keras.layers.Embedding 實例。

此層會將整數權杖 ID 嵌入模型的隱藏維度。