OPTBackbone 模型

[原始碼]

OPTBackbone 類別

keras_hub.models.OPTBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=2048,
    dtype=None,
    **kwargs
)

一個 OPT 解碼器網路。

此類別實作了一個基於 Transformer 的解碼器模型，如 "OPT: Open Pre-trained Transformer Language Models" 中所述。預設建構子提供了一個完全可自訂、隨機初始化的 OPT 模型，可以設定任意數量的層、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。

免責聲明：預訓練模型以「現狀」基礎提供，不帶任何形式的擔保或條件。底層模型由第三方提供，並受獨立授權條款約束，詳情請見此處。

參數

• vocabulary_size：int。詞彙表的大小。
• num_layers：int。Transformer 解碼器層的數量。
• 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 解碼器層的隱藏層大小。
• intermediate_dim：int。每個 Transformer 解碼器層中雙層前饋網路的第一個 Dense 層的輸出維度。
• dropout：float。Transformer 解碼器的 dropout 機率。
• max_sequence_length：int。此解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：string 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 OPT decoder
model = keras_hub.models.OPTBackbone.from_preset("opt_125m_en")
model(input_data)

# Randomly initialized OPT decoder model with a custom config
model = keras_hub.models.OPTBackbone(
    vocabulary_size=50265,
    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

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

從模型預設實例化一個 keras_hub.models.Backbone。

預設是一個包含配置、權重和其他檔案資源的目錄，用於儲存和載入預訓練模型。preset 可以作為以下之一傳遞

1. 內建預設識別符，例如 'bert_base_en'
2. Kaggle Models handle，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face handle，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，則返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：string。內建預設識別符、Kaggle Models handle、Hugging Face handle 或本地目錄的路徑。
• load_weights：bool。如果為 True，權重將被載入到模型架構中。如果為 False，權重將被隨機初始化。

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.OPTBackbone.token_embedding

一個用於嵌入 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。