Phi3Backbone 模型

[來源]

Phi3Backbone 類別

keras_nlp.models.Phi3Backbone(
    vocabulary_size,
    num_layers,
    hidden_dim,
    intermediate_dim,
    num_query_heads,
    num_key_value_heads,
    layer_norm_epsilon=1e-06,
    dropout=0.0,
    max_sequence_length=4096,
    pretraining_sequence_length=4096,
    rope_max_wavelength=10000,
    rope_scaling_type=None,
    rope_scaling_short_factor=None,
    rope_scaling_long_factor=None,
    dtype=None,
    **kwargs
)

具有超參數的 Phi-3 核心網路。

此網路實作了一個基於 Transformer 的解碼器網路 Phi-3，如 「Phi-3 技術報告」 中所述。它包含嵌入查找和 Transformer 層。

預設建構函數提供了一個完全可自訂、隨機初始化的 Phi-3 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 建構函數。

參數

• vocabulary_size (int)：標記詞彙的大小。
• num_layers (int)：Transformer 層的數量。
• hidden_dim (int)：嵌入的大小和 Transformer 層的隱藏狀態的大小。
• intermediate_dim (int)：每個 Transformer 的三層前饋網路中第一個密集層的輸出維度。
• num_query_heads (int)：每個 Transformer 層的查詢注意力頭的數量。
• num_key_value_heads (int)：每個 Transformer 層的鍵和值注意力頭的數量。
• layer_norm_epsilon (float, optional)：Transformer 解碼器中 RMS 層歸一化層的 Epsilon。預設為 1e-6。
• dropout：(float, optional)：Transformer 解碼器的 Dropout 機率。
• max_sequence_length (int, optional)：此模型可能使用的最大序列長度。預設為 4096。
• pretraining_sequence_length (int, optional)：模型預先訓練時使用的最大序列長度。預設為 4096。
• rope_max_wavelength (int, optional)：正弦/餘弦曲線的最大角波長，用於旋轉嵌入。預設為 10000。
• rope_scaling_type (str, optional)：旋轉縮放的類型。可以是 None 或 "su"。None 表示沒有旋轉縮放，"su" 表示 SuScaled 旋轉，當 max_sequence_length 大於 original_max_sequence_length 時使用 "su"。預設為 None。
• rope_scaling_short_factor List[float]：用於在 rope_scaling_type 為 "su" 時調整旋轉位置編碼頻率的因子清單。清單長度必須為 hidden_dim//num_query_heads//2。當 sequence_length 小於 original_max_sequence_length 時使用。預設值為 None。
• rope_scaling_long_factor List[float]：用於在 rope_scaling_type 為 "su" 時調整旋轉位置編碼頻率的因子清單。清單長度必須為 hidden_dim//num_query_heads//2。當 sequence_length 大於 original_max_sequence_length 時使用。預設值為 None。
• dtype：字串或 keras.mixed_precision.DTypePolicy。用於模型計算和權重的資料類型。請注意，某些計算（例如 softmax 和層歸一化）將始終以 float32 精度完成，而與資料類型無關。

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 Phi3 decoder.
model = keras_nlp.models.Phi3Backbone.from_preset(
    "phi3_mini_4k_instruct_en"
)
model(input_data)

# Randomly initialized Phi3 decoder with custom config.
model = keras_nlp.models.Phi3Backbone(
    vocabulary_size=10,
    num_layers=2,
    hidden_dim=512,
    intermediate_dim=1024,
    num_query_heads=32,
    num_key_value_heads=8,
    layer_norm_epsilon=1e-6,
    dtype="float32"
)
model(input_data)

[來源]

from_preset 方法

Phi3Backbone.from_preset(preset, load_weights=True, **kwargs)

從模型預設集實例化 keras_nlp.models.Backbone。

預設集是配置、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。 preset 可以作為以下其中一種傳遞：

1. 內建預設集識別碼，例如 'bert_base_en'
2. Kaggle 模型處理常式，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 處理常式，例如 'hf://user/bert_base_en'
4. 指向本機預設集目錄的路徑，例如 './bert_base_en'

可以透過兩種方式之一呼叫此建構函式。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，則傳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() 以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 模型處理常式、Hugging Face 處理常式或指向本機目錄的路徑。
• load_weights：布林值。如果為 True，則權重將載入模型架構中。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.Phi3Backbone.token_embedding

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

此層將整數詞彙 ID 嵌入到模型的隱藏維度。