ElectraBackbone 模型

[原始碼]

ElectraBackbone 類別

keras_hub.models.ElectraBackbone(
    vocab_size,
    num_layers,
    num_heads,
    hidden_dim,
    embedding_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    num_segments=2,
    dtype=None,
    **kwargs
)

一個 Electra 編碼器網路。

此網路實作一個雙向 Transformer 架構的編碼器，如 "Electra: Pre-training Text Encoders as Discriminators Rather Than Generators" 中所述。它包含嵌入查詢和 Transformer 層，但不包含遮罩語言模型或分類任務網路。

預設建構子提供一個完全可自訂、隨機初始化的 ELECTRA 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」為基礎提供，不提供任何形式的擔保或條件。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。

參數

• 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。隱藏層大小必須可被注意力頭數整除。
• hidden_dim: 整數。Transformer 編碼和池化層的大小。
• embedding_dim: 整數。token 嵌入的大小。
• intermediate_dim: 整數。每個 Transformer 中雙層前饋網路的第一個 Dense 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。若為 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資料類型。請注意，某些計算（例如 softmax 和層正規化）將始終以 float32 精度完成，而與資料類型無關。

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]]),
}

# Pre-trained ELECTRA encoder.
model = keras_hub.models.ElectraBackbone.from_preset(
    "electra_base_discriminator_en"
)
model(input_data)

# Randomly initialized Electra encoder
backbone = keras_hub.models.ElectraBackbone(
    vocabulary_size=1000,
    num_layers=2,
    num_heads=2,
    hidden_dim=32,
    intermediate_dim=64,
    dropout=0.1,
    max_sequence_length=512,
    )
# Returns sequence and pooled outputs.
sequence_output, pooled_output = backbone(input_data)

[原始碼]

from_preset 方法

ElectraBackbone.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 可以作為以下其中一種傳遞

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，則傳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() 以列出該類別上所有可用的內建預設。

參數

• preset: 字串。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: 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.ElectraBackbone.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中。