BertBackbone 模型

[來源]

BertBackbone 類別

keras_nlp.models.BertBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    num_segments=2,
    dtype=None,
    **kwargs
)

BERT 編碼器網路。

此類別實作了一個雙向基於 Transformer 的編碼器，如 "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding" 中所述。它包含嵌入查詢和 Transformer 層，但不包含遮罩語言模型或下一句預測頭。

預設建構函數提供了一個完全可自定義、隨機初始化的 BERT 編碼器，具有任意數量的層、頭和嵌入維度。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「原樣」提供，不附帶任何明示或暗示的擔保或條件。

參數

• vocabulary_size：整數。標記詞彙表的大小。
• num_layers：整數。Transformer 層的數量。
• num_heads：整數。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。
• hidden_dim：整數。Transformer 編碼和池化層的大小。
• intermediate_dim：整數。每個 Transformer 的兩層前饋網路中第一個密集層的輸出維度。
• dropout：浮點數。Transformer 編碼器的 Dropout 機率。
• max_sequence_length：整數。此編碼器可以消耗的最大序列長度。如果為 None，則 max_sequence_length 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 和層歸一化）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]]),
}

# Pretrained BERT encoder.
model = keras_nlp.models.BertBackbone.from_preset("bert_base_en_uncased")
model(input_data)

# Randomly initialized BERT encoder with a custom config.
model = keras_nlp.models.BertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[來源]

from_preset 方法

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

從模型預設設定實例化 keras_nlp.models.Backbone。

預設集是配置、權重和其他檔案資源的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中一項傳遞

1. 內建預設集識別碼，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. 本地預設集目錄的路徑，例如 './bert_base_en'

這個建構函式可以用兩種方式之一呼叫。可以從基類呼叫，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()。如果從基類呼叫，則返回物件的子類別將從預設集目錄中的配置推斷。

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。內建預設集識別碼、Kaggle 模型控點、Hugging Face 控點或本地目錄的路徑。
• load_weights：布林值。如果為 True，則權重將載入到模型架構中。如果為 False，則權重將被隨機初始化。

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.BertBackbone.token_embedding

用於嵌入詞彙 ID 的 keras.layers.Embedding 執行個體。

此層將整數詞彙 ID 嵌入到模型的隱藏維度。