T5Backbone 模型

[原始碼]

T5Backbone 類別

keras_hub.models.T5Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    key_value_dim=None,
    dropout=0.1,
    activation="relu",
    use_gated_activation=True,
    layer_norm_epsilon=1e-06,
    tie_embedding_weights=True,
    dtype=None,
    **kwargs
)

T5 編碼器-解碼器骨幹模型。

T5 是一個大型語言模型 (LLM)，經過在無監督和監督任務混合資料上預訓練，其中每個任務都轉換為序列到序列格式。T5 在各種任務上都能直接良好運作，方法是在輸入序列前加上各種前綴，例如，對於翻譯："translate English to German: ..."，對於摘要："summarize: ..."。

T5 在 Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer 中被介紹。

預設建構子提供一個完全可自訂、隨機初始化的 T5 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，不提供任何形式的保證或條件。

參數

• vocabulary_size: int. 詞彙表的大小。
• num_layers: int. Transformer 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 層的隱藏層大小。
• intermediate_dim: int. 每個 Transformer 層中雙層前饋網路的第一個 Dense 層的輸出維度。
• key_value_dim: int. 多頭注意力層中鍵/值投影的每個頭的維度。預設為 hidden_dim / num_heads。
• dropout: float. Transformer 層的 Dropout 機率。
• activation: string. 在 Transformer 層的密集區塊中使用的激活函數。
• use_gated_activation: boolean. 是否在 Transformer 層的內部密集區塊中使用激活閘控。當與 GELU 激活函數一起使用時，這被稱為 GEGLU (閘控 GLU)，出自 https://arxiv.org/pdf/2002.05202。原始 T5 架構未使用閘控，但較新版本則有使用。預設為 True。
• layer_norm_epsilon: float. 在 Transformer 層的層歸一化層中使用的 Epsilon 因子。
• tie_embedding_weights: boolean. 若為 True，則將詞符嵌入的權重與從 hidden_dim 投射語言模型輸出的權重綁定。
• 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 和層歸一化，無論 dtype 為何，都將始終以 float32 精度完成。

[原始碼]

from_preset 方法

T5Backbone.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 模型句柄，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調用。可以從基底類別調用，例如 keras_hub.models.Backbone.from_preset()，或者從模型類別調用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果從基底類別調用，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，您可以運行 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 模型句柄、Hugging Face 句柄或本地目錄的路徑。
• load_weights: bool. 若為 True，權重將被載入到模型架構中。若為 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.T5Backbone.token_embedding

用於嵌入詞符 ID 的 keras.layers.Embedding 實例。

此層將整數詞符 ID 嵌入到模型的隱藏層維度。