DistilBertBackbone 模型

[原始碼]

DistilBertBackbone 類別

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

DistilBERT 編碼器網路。

此網路實作了基於雙向 Transformer 的編碼器，如 "DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter" 中所述。它包含嵌入查找和 Transformer 層，但不包含遮罩語言模型或分類任務網路。

預設建構子提供完全可自訂、隨機初始化的 DistilBERT 編碼器，可設定任意數量的層、注意力頭和嵌入維度。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，詳情請參閱 此處。

引數

• vocabulary_size：整數。詞彙表的大小。
• num_layers：整數。Transformer 層的數量。
• num_heads：整數。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：整數。Transformer 編碼和池化層的大小。
• intermediate_dim：整數。每個 Transformer 中雙層前饋網路的第一個密集層的輸出維度。
• dropout：浮點數。Transformer 編碼器的 Dropout 機率。
• max_sequence_length：整數。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。
• 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，而與 dtype 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 DistilBERT encoder.
model = keras_hub.models.DistilBertBackbone.from_preset(
    "distil_bert_base_en_uncased"
)
model(input_data)

# Randomly initialized DistilBERT encoder with custom config.
model = keras_hub.models.DistilBertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[原始碼]

from_preset 方法

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

從模型預設實例化 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. 本機預設目錄的路徑，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，則傳回物件的子類別將從預設目錄中的配置推斷而來。

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：字串。內建預設識別符、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
• load_weights：布林值。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.DistilBertBackbone.token_embedding

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。