OPTBackbone 模型

[來源]

OPTBackbone 類別

keras_nlp.models.OPTBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=2048,
    dtype=None,
    **kwargs
)

一個 OPT 解碼器網路。

此類別實作了一個基於 Transformer 的解碼器模型，如 "OPT: Open Pre-trained Transformer Language Models" 中所述。預設建構函式提供了一個完全可自訂的、隨機初始化的 OPT 模型，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() 建構函式。

免責聲明：預先訓練的模型均「按原樣」提供，不提供任何明示或暗示的保證或條件。基礎模型由第三方提供，並受獨立授權規範，請參閱 此處。

參數

• vocabulary_size：整數。詞彙表的大小。
• num_layers：整數。Transformer 解碼器層的數量。
• 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 解碼器層的隱藏大小。
• intermediate_dim：整數。每個 Transformer 解碼器層的雙層前饋網路中第一個 Dense 層的輸出維度。
• dropout：浮點數。Transformer 解碼器的 Dropout 機率。
• max_sequence_length：整數。此解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變數形狀。
• 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"),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}

# Pretrained OPT decoder
model = keras_nlp.models.OPTBackbone.from_preset("opt_125m_en")
model(input_data)

# Randomly initialized OPT decoder model with a custom config
model = keras_nlp.models.OPTBackbone(
    vocabulary_size=50265,
    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

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

從模型預設範本實例化 keras_nlp.models.Backbone。

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 可以作為以下其中一種傳遞

1. 內建的預設範本識別碼，例如 'bert_base_en'
2. Kaggle 模型控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控制代碼，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'

可以透過兩種方式呼叫此建構函數。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返回物件的子類別。

對於任何 Backbone 子類別，您都可以執行 cls.presets.keys() 來列出類別上所有可用的內建預設範本。

參數

• preset：字串。內建的預設範本識別碼、Kaggle 模型控制代碼、Hugging Face 控制代碼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.OPTBackbone.token_embedding

用於嵌入詞彙 ID 的 keras.layers.Embedding 實例。

此層會將整數詞彙 ID 嵌入模型的隱藏維度中。