ElectraBackbone 模型

[源代码]

ElectraBackbone 类

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
)

Electra 编码器网络。

此网络实现了基于双向 Transformer 的编码器，如 "Electra：将文本编码器预训练为判别器而非生成器" 中所述。它包括嵌入查找和 Transformer 层，但不包括掩码语言模型或分类任务网络。

默认构造函数提供了一个完全可定制的、随机初始化的 ELECTRA 编码器，它可以具有任意数量的层、头和嵌入维度。要加载预设的架构和权重，请使用 from_preset() 构造函数。

免责声明：预训练模型按“原样”提供，不提供任何形式的保证或条件。底层模型由第三方提供，并受单独许可的约束，可在 此处 获取。

参数

• vocabulary_size：int。标记词汇量的大小。
• num_layers：int。Transformer 层的数量。
• num_heads：int。每个 Transformer 的注意力头的数量。隐藏大小必须能够被注意力头的数量整除。
• hidden_dim：int。Transformer 编码和池化层的尺寸。
• embedding_dim：int。标记嵌入的尺寸。
• intermediate_dim：int。每个 Transformer 的两层前馈网络中第一个 Dense 层的输出维度。
• dropout：float。Transformer 编码器的 Dropout 概率。
• max_sequence_length：int。此编码器可以处理的最大序列长度。如果为 None，则 max_sequence_length 使用序列长度中的值。这决定了位置嵌入的变量形状。
• dtype：string 或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。请注意，某些计算（例如 softmax 和层归一化）将始终以 float32 精度进行，而不管 dtype 如何。

示例

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)

[源代码]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：

1. 内置预设标识符，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. 本地预设目录的路径，例如 './bert_base_en'

此构造函数可以通过两种方式之一调用。要么从基类调用，例如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。

参数

• preset：string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将被随机初始化。

示例

# 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 属性

keras_hub.models.ElectraBackbone.token_embedding

用于嵌入标记 ID 的 keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的隐藏维度中。