DebertaV3Backbone 模型

[來源]

DebertaV3Backbone 類別

keras_hub.models.DebertaV3Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    bucket_size=256,
    dtype=None,
    **kwargs
)

DeBERTa 編碼器網路。

此網路實作了基於雙向 Transformer 的編碼器，如 "DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing" 中所述。它包含嵌入查找和 Transformer 層，但不包含預訓練期間使用的增強型遮罩解碼頭。

預設建構子提供完全可自訂、隨機初始化的 DeBERTa 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。

注意：DebertaV3Backbone 在 TPU 上有效能問題，我們建議將其他模型用於 TPU 訓練和推論。

免責聲明：預訓練模型以「現狀」基礎提供，不提供任何形式的保證或條件。底層模型由協力廠商提供，並受個別授權條款約束，詳情請參閱 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。Transformer 編碼層的大小。
• intermediate_dim: int。每個 Transformer 雙層前饋網路中第一個 Dense 層的輸出維度。
• dropout: float。DeBERTa 模型的 Dropout 機率。
• max_sequence_length: int。此編碼器可以消耗的最大序列長度。輸入的序列長度必須小於 max_sequence_length。
• bucket_size: int。相對位置 bucket 的大小。通常等於 max_sequence_length // 2。
• 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 DeBERTa encoder.
model = keras_hub.models.DebertaV3Backbone.from_preset(
    "deberta_v3_base_en",
)
model(input_data)

# Randomly initialized DeBERTa encoder with custom config
model = keras_hub.models.DebertaV3Backbone(
    vocabulary_size=128100,
    num_layers=12,
    num_heads=6,
    hidden_dim=384,
    intermediate_dim=1536,
    max_sequence_length=512,
    bucket_size=256,
)
# Call the model on the input data.
model(input_data)

[來源]

from_preset 方法

DebertaV3Backbone.from_preset(preset, load_weights=True, **kwargs)

從模型預設實例化 keras_hub.models.Backbone。

預設是一個組態、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. 內建預設識別符，例如 'bert_base_en'
2. Kaggle Models 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. 本機預設目錄的路徑，例如 './bert_base_en'

可以透過兩種方式之一呼叫此建構子。從基底類別呼叫，例如 keras_hub.models.Backbone.from_preset()，或從模型類別呼叫，例如 keras_hub.models.GemmaBackbone.from_preset()。如果從基底類別呼叫，則傳回物件的子類別將從預設目錄中的組態推斷。

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。內建預設識別符、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
• 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.DebertaV3Backbone.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。