FNetBackbone 模型

[來源]

FNetBackbone 類別

keras_hub.models.FNetBackbone(
    vocabulary_size,
    num_layers,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    num_segments=4,
    dtype=None,
    **kwargs
)

一個 FNet 編碼器網路。

此類別實作一個雙向傅立葉轉換基礎的編碼器，如 "FNet: Mixing Tokens with Fourier Transforms" 中所述。它包含嵌入查找和 keras_hub.layers.FNetEncoder 層，但不包含遮罩語言模型或下一句預測頭。

預設建構子提供一個完全可自訂、隨機初始化的 FNet 編碼器，具有任意數量的層和嵌入維度。若要載入預設架構和權重，請使用 from_preset() 建構子。

注意：與其他模型不同，FNet 不接受 "padding_mask" 輸入，"<pad>" 符號的處理方式與輸入序列中的所有其他符號相同。

免責聲明：預訓練模型以「現狀」為基礎提供，不提供任何擔保或條件。

引數

• vocabulary_size: int。符號詞彙表的大小。
• num_layers: int。FNet 層的數量。
• hidden_dim: int。FNet 編碼和池化層的大小。
• intermediate_dim: int。每個 FNet 層中雙層前饋網路的第一個 Dense 層的輸出維度。
• dropout: float。嵌入和 FNet 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 會使用來自序列長度的值。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: 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]]),
}

# Pretrained BERT encoder.
model = keras_hub.models.FNetBackbone.from_preset("f_net_base_en")
model(input_data)

# Randomly initialized FNet encoder with a custom config.
model = keras_hub.models.FNetBackbone(
    vocabulary_size=32000,
    num_layers=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[來源]

from_preset 方法

FNetBackbone.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 可以作為以下其中之一傳遞

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'

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

對於任何 Backbone 子類別，您可以執行 cls.presets.keys() 以列出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.FNetBackbone.token_embedding

用於嵌入符號 ID 的 keras.layers.Embedding 實例。

此層將整數符號 ID 嵌入到模型的隱藏維度。