Llama因果語言模型
LlamaCausalLM 類別
keras_hub.models.LlamaCausalLM(backbone, preprocessor=None, **kwargs)
用於因果語言建模的端到端 Llama 模型。
因果語言模型 (LM) 根據先前的 tokens 預測下一個 token。此任務設定可用於在純文字輸入上以非監督方式訓練模型，或自迴歸地生成類似用於訓練的資料之純文字。此任務可用於預訓練或微調 LLaMA 模型，只需呼叫 fit() 即可。
此模型具有 generate() 方法，可根據提示生成文字。使用的生成策略由 compile() 上的額外 sampler 參數控制。您可以重新編譯具有不同 keras_hub.samplers 物件的模型來控制生成。預設情況下，將使用 "top_k" 取樣。
參數
- backbone：
keras_hub.models.LlamaBackbone實例。 - preprocessor：
keras_hub.models.LlamaCausalLMPreprocessor或None。如果為None，則此模型將不應用預處理，且輸入應在呼叫模型之前預先處理。
from_preset 方法
LlamaCausalLM.from_preset(preset, load_weights=True, **kwargs)
從模型預設實例化 keras_hub.models.Task。
預設是包含配置、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項傳遞
- 內建預設識別符，例如
'bert_base_en' - Kaggle Models handle，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face handle，例如
'hf://user/bert_base_en' - 本機預設目錄的路徑，例如
'./bert_base_en'
對於任何 Task 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。
此建構函式可以透過兩種方式之一呼叫。可以從特定任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，或從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.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。
參數
- preset：字串。內建預設識別符、Kaggle Models handle、Hugging Face handle 或本機目錄的路徑。
- load_weights：布林值。如果為
True，則已儲存的權重將被載入到模型架構中。如果為False，則所有權重將隨機初始化。
範例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
| 預設 | 參數 | 描述 |
|---|---|---|
| llama2_7b_en | 6.74B | 70 億參數、32 層、基礎 LLaMA 2 模型。 |
| llama2_instruct_7b_en | 6.74B | 70 億參數、32 層、指令調整 LLaMA 2 模型。 |
| vicuna_1.5_7b_en | 6.74B | 70 億參數、32 層、指令調整 Vicuna v1.5 模型。 |
| llama2_7b_en_int8 | 6.74B | 70 億參數、32 層、具有量化為 int8 的 activation 和權重之基礎 LLaMA 2 模型。 |
| llama2_instruct_7b_en_int8 | 6.74B | 70 億參數、32 層、具有量化為 int8 的 activation 和權重之指令調整 LLaMA 2 模型。 |
| llama3_8b_en | 8.03B | 80 億參數、32 層、基礎 LLaMA 3 模型。 |
| llama3_instruct_8b_en | 8.03B | 80 億參數、32 層、指令調整 LLaMA 3 模型。 |
| llama3_8b_en_int8 | 8.03B | 80 億參數、32 層、具有量化為 int8 的 activation 和權重之基礎 LLaMA 3 模型。 |
| llama3_instruct_8b_en_int8 | 8.03B | 80 億參數、32 層、具有量化為 int8 的 activation 和權重之指令調整 LLaMA 3 模型。 |
generate 方法
LlamaCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根據提示 inputs 生成文字。
此方法根據給定的 inputs 生成文字。用於生成的取樣方法可以透過 compile() 方法設定。
如果 inputs 是 tf.data.Dataset，則輸出將「逐批次」生成並串聯。否則，所有輸入都將作為單一批次處理。
如果模型附加了 preprocessor，則 inputs 將在 generate() 函數內部進行預處理，並且應符合 preprocessor 層預期的結構（通常為原始字串）。如果未附加 preprocessor，則輸入應符合 backbone 預期的結構。請參閱上面的範例用法，以示範每種情況。
參數
- inputs：python 資料、張量資料或
tf.data.Dataset。如果模型附加了preprocessor，則inputs應符合preprocessor層預期的結構。如果未附加preprocessor，則inputs應符合backbone模型預期的結構。 - max_length：選填。整數。生成序列的最大長度。將預設為
preprocessor配置的最大sequence_length。如果preprocessor為None，則應將inputs填充到所需的最大長度，並且此引數將被忽略。 - stop_token_ids：選填。
None、「auto」或 token ID 的 tuple。預設為「auto」，它使用preprocessor.tokenizer.end_token_id。未指定處理器將產生錯誤。None 會在生成max_length個 tokens 後停止生成。您也可以指定模型應停止的 token ID 列表。請注意，tokens 序列將各自被解釋為停止 token，不支援多 token 停止序列。 - strip_prompt：選填。預設情況下，generate() 會返回完整提示，後接模型生成的完成內容。如果此選項設定為 True，則僅返回新生成的文字。
backbone 屬性
keras_hub.models.LlamaCausalLM.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.LlamaCausalLM.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。