LlamaCausalLM 模型
LlamaCausalLM 类
keras_hub.models.LlamaCausalLM(backbone, preprocessor=None, **kwargs)
用于因果语言建模的端到端 Llama 模型。
因果语言模型 (LM) 根据之前的 token 预测下一个 token。这种任务设置可用于在纯文本输入上无监督地训练模型，或自动回归地生成类似于用于训练数据的纯文本。此任务可用于预训练或微调 LLaMA 模型，只需调用 fit() 即可。
此模型具有 generate() 方法，该方法根据提示生成文本。使用的生成策略由 compile() 上的附加 sampler 参数控制。您可以使用不同的 keras_hub.samplers 对象重新编译模型以控制生成。默认情况下，将使用 "top_k" 采样。
参数
- backbone:
keras_hub.models.LlamaBackbone实例。 - preprocessor:
keras_hub.models.LlamaCausalLMPreprocessor或None。如果为None，则此模型将不应用预处理，并且应在调用模型之前预处理输入。
from_preset 方法
LlamaCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化 keras_hub.models.Task。
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
- 内置预设标识符，如
'bert_base_en' - Kaggle 模型句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 本地预设目录的路径，如
'./bert_base_en'
对于任何 Task 子类，您都可以运行 cls.presets.keys() 来列出该类上可用的所有内置预设。
此构造函数可以以两种方式之一调用。要么从特定任务的基类调用，如 keras_hub.models.CausalLM.from_preset()，要么从模型类调用，如 keras_hub.models.BertTextClassifier.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。
参数
- preset: 字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
- load_weights: 布尔值。如果为
True，则保存的权重将加载到模型架构中。如果为False，则所有权重将被随机初始化。
示例
# 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,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| llama2_7b_en | 6.74B | 70 亿参数，32 层，基本 LLaMA 2 模型。 |
| llama2_7b_en_int8 | 6.74B | 70 亿参数，32 层，基本 LLaMA 2 模型，其激活和权重量化为 int8。 |
| llama2_instruct_7b_en | 6.74B | 70 亿参数，32 层，指令调整的 LLaMA 2 模型。 |
| llama2_instruct_7b_en_int8 | 6.74B | 70 亿参数，32 层，指令调整的 LLaMA 2 模型，其激活和权重量化为 int8。 |
| vicuna_1.5_7b_en | 6.74B | 70 亿参数，32 层，指令调整的 Vicuna v1.5 模型。 |
| llama3_8b_en | 8.03B | 80 亿参数，32 层，基本 LLaMA 3 模型。 |
| llama3_8b_en_int8 | 8.03B | 80 亿参数，32 层，基本 LLaMA 3 模型，其激活和权重量化为 int8。 |
| llama3_instruct_8b_en | 8.03B | 80 亿参数，32 层，指令调整的 LLaMA 3 模型。 |
| llama3_instruct_8b_en_int8 | 8.03B | 80 亿参数，32 层，指令调整的 LLaMA 3 模型，其激活和权重量化为 int8。 |
generate 方法
LlamaCausalLM.generate(inputs, max_length=None, stop_token_ids="auto")
根据提示 inputs 生成文本。
此方法根据给定的 inputs 生成文本。用于生成的采样方法可以通过 compile() 方法设置。
如果 inputs 是 tf.data.Dataset，则将“逐批”生成输出并连接起来。否则，所有输入都将被视为单个批次处理。
如果 preprocessor 附加到模型，则 inputs 将在 generate() 函数内部进行预处理，并且应与 preprocessor 层期望的结构匹配（通常是原始字符串）。如果没有附加 preprocessor，则输入应与 backbone 期望的结构匹配。有关每种情况的演示，请参见上面的示例用法。
参数
- inputs: python 数据、张量数据或
tf.data.Dataset。如果preprocessor附加到模型，则inputs应与preprocessor层期望的结构匹配。如果没有附加preprocessor，则inputs应与backbone模型期望的结构匹配。 - max_length: 可选。int。生成序列的最大长度。将默认为
preprocessor配置的sequence_length的最大值。如果preprocessor为None，则inputs应填充到所需的最大长度，并且此参数将被忽略。 - stop_token_ids: 可选。
None、"auto" 或 token id 元组。默认为 "auto"，它使用preprocessor.tokenizer.end_token_id。未指定处理器将产生错误。None 在生成max_length个 token 后停止生成。您也可以指定模型应停止的 token id 列表。请注意，每个 token 序列都将被解释为一个停止 token，不支持多 token 停止序列。
backbone 属性
keras_hub.models.LlamaCausalLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.LlamaCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。