BloomBackbone 模型

[原始碼]

BloomBackbone 類別

keras_hub.models.BloomBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.0,
    layer_norm_epsilon=1e-05,
    dtype=None,
    **kwargs
)

一個 BLOOM 解碼器網路。

此網路實作基於 Transformer 的解碼器網路，BigScience Language Open-science Open-access Multilingual (BLOOM)，如 "BLOOM: A 176B-Parameter Open-Access Multilingual Language Model" 中所述。

預設建構子提供一個完全可自訂、隨機初始化的 Bloom 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() 建構子。

免責聲明：預訓練模型以「現狀」基礎提供，不帶任何保證或條件。底層模型由第三方提供，並受個別授權條款約束，詳情請見 此處。

引數

• vocabulary_size: int。詞彙表的大小。
• num_layers: int。Transformer 層的數量。
• 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。
• hidden_dim: int。嵌入和隱藏狀態的維度。
• intermediate_dim: int。每個 Transformer 的 MLP 網路中，第一個密集層的輸出維度。
• dropout: float。Transformer 解碼器的 Dropout 機率。
• layer_norm_epsilon: float。Transformer 解碼器中，層正規化層的 Epsilon 值。
• 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 和層正規化）將始終以 float32 精度完成，無論 dtype 為何。

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 BLOOM decoder.
model = keras_hub.models.BloomBackbone.from_preset("bloom_560m_multi")
model(input_data)

# Randomly initialized BLOOM decoder with a custom config.
model = keras_hub.models.BloomBackbone(
    vocabulary_size=10,
    num_layers=2,
    num_heads=2,
    hidden_dim=32,
    intermediate_dim=32*4,
    dropout=0.0,
    layer_norm_epsilon=1e-5,
)
model(input_data)

[原始碼]

from_preset 方法

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

從模型預設實例化一個 keras_hub.models.Backbone。

預設是一個包含配置、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 可以作為以下其中一種傳遞：

1. 一個內建預設識別符，例如 'bert_base_en'
2. 一個 Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一個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。

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

引數

• preset: 字串。一個內建預設識別符、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.BloomBackbone.token_embedding

一個 keras.layers.Embedding 實例，用於嵌入 token ID。

此層將整數 token ID 嵌入到模型的隱藏維度中。

[原始碼]

enable_lora 方法

BloomBackbone.enable_lora(rank)

在 backbone 上啟用 Lora。

呼叫此方法將凍結 backbone 上的所有權重，同時在注意力層的 query & value EinsumDense 層上啟用 Lora。