AlbertBackbone 模型

[原始碼]

AlbertBackbone 類別

keras_hub.models.AlbertBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    embedding_dim,
    hidden_dim,
    intermediate_dim,
    num_groups=1,
    num_inner_repetitions=1,
    dropout=0.0,
    max_sequence_length=512,
    num_segments=2,
    dtype=None,
    **kwargs
)

ALBERT 編碼器網路。

此類別實作了基於雙向 Transformer 的編碼器，如 "ALBERT: A Lite BERT for Self-supervised Learning of Language Representations" 中所述。ALBERT 是 BERT 更有效率的變體，並使用參數縮減技術，例如跨層參數共享和分解嵌入參數化。此模型類別包含嵌入查找和 Transformer 層，但不包含遮罩語言模型或句子順序預測頭。

預設建構子提供完全可自訂、隨機初始化的 ALBERT 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 建構子。

免責聲明：預訓練模型以「現狀」基礎提供，不提供任何形式的擔保或條件。

引數

• vocabulary_size: int。詞彙表的大小。
• num_layers: int，必須可被 num_groups 整除。「虛擬」層的數量，即輸入序列在一次前向傳遞中饋送到群組的總次數。輸入將根據層索引路由到正確的群組。
• num_heads: int。每個 Transformer 的注意力頭數量。隱藏層大小必須可被注意力頭數量整除。
• embedding_dim: int。嵌入的大小。
• hidden_dim: int。Transformer 編碼和池化層的大小。
• intermediate_dim: int。每個 Transformer 的雙層前饋網路中，第一個 Dense 層的輸出維度。
• num_groups: int。群組數量，每個群組具有 num_inner_repetitions 個 TransformerEncoder 層。
• num_inner_repetitions: int。每個群組的 TransformerEncoder 層數量。
• dropout: float。Transformer 編碼器的 dropout 機率。
• max_sequence_length: int。此編碼器可以消耗的最大序列長度。如果為 None，max_sequence_length 將使用序列長度的值。這決定了位置嵌入的可變形狀。
• num_segments: int。'segment_ids' 輸入可以採用的類型數量。
• dtype: string 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]]),
}

# Randomly initialized ALBERT encoder
model = keras_hub.models.AlbertBackbone(
    vocabulary_size=30000,
    num_layers=12,
    num_heads=12,
    num_groups=1,
    num_inner_repetitions=1,
    embedding_dim=128,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=12,
)
output = model(input_data)

[原始碼]

from_preset 方法

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

從模型預設實例化 keras_hub.models.Backbone。

預設是一個配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為以下之一傳遞

1. 內建預設識別符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地預設目錄的路徑，例如 './bert_base_en'

此建構子可以透過兩種方式之一呼叫。可以從基底類別呼叫，例如 keras_hub.models.Backbone.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.GemmaBackbone.from_preset()。如果從基底類別呼叫，則返回物件的子類別將從預設目錄中的配置推斷出來。

對於任何 Backbone 子類別，您可以執行 cls.presets.keys() 以列出該類別上可用的所有內建預設。

引數

• preset: string。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本地目錄的路徑。
• load_weights: bool。如果為 True，權重將載入到模型架構中。如果為 False，權重將隨機初始化。

範例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 屬性

keras_hub.models.AlbertBackbone.token_embedding

用於嵌入 token id 的 keras.layers.Embedding 實例。

此層將整數 token id 嵌入到模型的隱藏層維度。