PaliGemma 骨幹模型

[來源]

PaliGemmaBackbone 類別

keras_nlp.models.PaliGemmaBackbone(
    vocabulary_size,
    image_size,
    num_layers,
    num_query_heads,
    num_key_value_heads,
    hidden_dim,
    intermediate_dim,
    head_dim,
    vit_patch_size,
    vit_num_heads,
    vit_hidden_dim,
    vit_num_layers,
    vit_intermediate_dim=None,
    vit_pooling=None,
    vit_classifier_activation=None,
    vit_name=None,
    include_rescaling=True,
    layer_norm_epsilon=1e-06,
    dropout=0,
    dtype=None,
    **kwargs
)

具有超參數的 PaliGemma 核心網路。

此骨幹實現了混合模態 PaliGemma 架構。它包含一個視覺 Transformer 網路，以及文字標記嵌入層，後面接著一個與後端無關的串聯操作，以建構混合類型嵌入（視覺和文字）的表示序列。然後，串聯後的序列會通過一系列混合模態解碼器區塊。呼叫此模型的回傳值表示輸出標記的機率值。

如需更高階的文字生成物件，請參閱 keras_nlp.models.PaliGemmaCausalLM。

預設建構函數提供了一個完全可自訂、隨機初始化的 PaliGemma 模型，具有任意數量的 VIT 層、頭數、嵌入維度，以及 Paligemma 解碼器層的等效配置。若要載入預設架構和權重，請使用 from_preset 建構函數。

參數

• vocabulary_size：整數。標記詞彙表的大小。
• image_size：整數。影像在寬度和高度上的解析度。注意：輸入影像必須為正方形。
• num_layers：整數。Transformer 混合解碼器層的數量。
• num_query_heads：整數。混合解碼器注意力層中查詢投影的頭數。
• num_key_value_heads：整數。混合解碼器注意力層中鍵值投影的頭數。
• hidden_dim：整數。每個混合 Transformer 層末尾的 Transformer 隱藏狀態大小。
• intermediate_dim：整數。每個 Transformer 解碼器區塊中兩層前饋網路的第一個 Dense 層的輸出維度。
• head_dim：整數。混合解碼器中每個注意力頭的大小。
• vit_patch_size：int。輸入影像中每個方形區塊的大小。
• vit_num_heads：int。用於視覺（影像）Transformer 編碼器的注意力頭數量。
• vit_hidden_dim：int。每個視覺 Transformer 層末端 Transformer 隱藏狀態的大小。
• vit_num_layers：int。視覺 Transformer 層的數量。
• vit_intermediate_dim：int。視覺 Transformer 兩層前饋網路中第一個 Dense 層的輸出維度。
• vit_pooling：字串。使用指定的池化設定對編碼的視覺嵌入進行池化。可接受的值為 "map"、"gap"、"0" 或 "none"。預設為 "none"。
• vit_classifier_activation：激活函數。在視覺 Transformer 中用於最終輸出分類的激活。
• vit_name：字串。用於視覺 Transformer 層的名稱。
• include_rescaling：布林值。如果為 True，影像輸入將從 [0, 255] 範圍重新縮放到 [0, 1] 範圍。
• layer_norm_epsilon：浮點數。所有 Transformer 區塊中每個層規範使用的 epsilon 值。
• dropout：浮點數。Transformer 解碼器區塊的丟棄機率。
• 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 和層規範化）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"),
    "images": np.random.uniform(size=(1, 224, 224, 3)),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}

# Pretrained PaliGemma decoder.
model = keras_nlp.models.PaliGemmaBackbone.from_preset("pali_gemma_mix_224")
model(input_data)

# Randomly initialized PaliGemma decoder with custom config.
model = keras_nlp.models.PaliGemmaBackbone(
    vocabulary_size=50257,
    images_size=224,
    num_layers=12,
    num_query_heads=12,
    num_key_value_heads=1,
    hidden_dim=768,
    intermediate_dim=3072,
    head_dim=64,
    vit_patch_size=14,
    vit_num_heads=8,
    vit_hidden_dim=768,
    vit_intermediate_dim=3072,
    vit_num_layers=2,
)
model(input_data)

[來源]

from_preset 方法

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

從模型預設設定實例化 keras_nlp.models.Backbone。

預設設定是設定檔、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 作為以下其中一種傳遞

1. 內建的預設設定識別碼，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. 指向本機預設設定目錄的路徑，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，則會從預設設定目錄中的設定檔推斷傳回物件的子類別。

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

參數

• preset：字串。內建的預設設定識別碼、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.PaliGemmaBackbone.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。