ElectraBackbone 模型

[來源]

ElectraBackbone 類別

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

一個 Electra 編碼器網路。

此網路實作了一個雙向 Transformer 架構的編碼器，如 "Electra: Pre-training Text Encoders as Discriminators Rather Than Generators" 中所述。它包含嵌入查詢和 Transformer 層，但不包括遮罩語言模型或分類任務網路。

預設建構函數提供了一個完全可自訂、隨機初始化的 ELECTRA 編碼器，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，不附帶任何明示或暗示的擔保或條件。基礎模型由第三方提供，並受獨立授權條款約束，請參閱 此處。

參數

• vocabulary_size：整數。詞彙表的大小。
• num_layers：整數。Transformer 層的數量。
• num_heads：整數。每個 Transformer 的注意力頭數量。隱藏大小必須可以被注意力頭數量整除。
• hidden_dim：整數。Transformer 編碼層和池化層的大小。
• embedding_dim：整數。詞彙嵌入的大小。
• intermediate_dim：整數。每個 Transformer 的雙層前饋網路中第一個 Dense 層的輸出維度。
• dropout：浮點數。Transformer 編碼器的 Dropout 機率。
• max_sequence_length：整數。此編碼器可以處理的最大序列長度。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。
• 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]]),
}

# Pre-trained ELECTRA encoder.
model = keras_nlp.models.ElectraBackbone.from_preset(
    "electra_base_discriminator_en"
)
model(input_data)

# Randomly initialized Electra encoder
backbone = keras_nlp.models.ElectraBackbone(
    vocabulary_size=1000,
    num_layers=2,
    num_heads=2,
    hidden_dim=32,
    intermediate_dim=64,
    dropout=0.1,
    max_sequence_length=512,
    )
# Returns sequence and pooled outputs.
sequence_output, pooled_output = backbone(input_data)

[來源]

from_preset 方法

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

從模型預設範本建立 keras_nlp.models.Backbone 的實例。

預設範本是一個包含設定、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 可以傳遞為以下其中一種：

1. 內建的預設範本識別碼，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. 指向本機預設範本目錄的路徑，例如 './bert_base_en'

這個建構函數可以用兩種方式呼叫。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，則會從預設範本目錄中的設定推斷出回傳物件的子類別。

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範本。

參數

• preset：字串。內建的預設範本識別碼、Kaggle 模型控點、Hugging Face 控點或指向本機目錄的路徑。
• load_weights：布林值。如果為 True，則會將權重載入模型架構中。如果為 False，則會隨機初始化權重。

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.ElectraBackbone.token_embedding

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

此層會將整數權杖 ID 嵌入到模型的隱藏維度中。