AlbertBackbone 模型

[来源]

AlbertBackbone 类

keras_nlp.models.AlbertBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    embedding_dim,
    hidden_dim,
    intermediate_dim,
    num_groups=1,
    num_inner_repetitions=1,
    dropout=0.0,
    max_sequence_length=512,
    num_segments=2,
    dtype=None,
    **kwargs
)

ALBERT 编码器网络。

此类实现了一种双向 Transformer 基编码器，如 "ALBERT：一种用于语言表示的自监督学习的轻量级 BERT" 中所述。ALBERT 是 BERT 的更高效变体，并使用参数减少技术，例如跨层参数共享和分解嵌入参数化。此模型类包括嵌入查找和 Transformer 层，但不包括掩码语言模型或句子顺序预测头。

默认构造函数提供了完全可定制的随机初始化 ALBERT 编码器，具有任意数量的层、头和嵌入维度。若要加载预设架构和权重，请使用 from_preset 构造函数。

免责声明：预训练模型按“原样”提供，不附带任何明示或暗示的担保或条件。

参数

• vocabulary_size: int。词元的词汇量大小。
• num_layers: int，必须能被 num_groups 整除。虚拟层的数量，即输入序列在一次正向传递中通过这些组的总次数。输入将根据层索引路由到正确的组。
• num_heads: int。每个 Transformer 的注意力头的数量。隐藏大小必须能被注意力头的数量整除。
• embedding_dim: int。嵌入的大小。
• hidden_dim: int。Transformer 编码和池化层的尺寸。
• intermediate_dim: int。每个 Transformer 中两层前馈网络中第一个 Dense 层的输出维度。
• num_groups: int。组的数量，每个组包含 num_inner_repetitions 个 TransformerEncoder 层。
• num_inner_repetitions: int。每个组的 TransformerEncoder 层数。
• dropout: float。Transformer 编码器的 dropout 概率。
• max_sequence_length: int。此编码器可以接受的最大序列长度。如果为 None，则 max_sequence_length 使用序列长度的值。这决定了位置嵌入的变量形状。
• num_segments: int。'segment_ids' 输入可以接受的类型的数量。
• 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）始终以 float32 精度执行，无论 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]]),
}

# Randomly initialized ALBERT encoder
model = keras_nlp.models.AlbertBackbone(
    vocabulary_size=30000,
    num_layers=12,
    num_heads=12,
    num_groups=1,
    num_inner_repetitions=1,
    embedding_dim=128,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=12,
)
output = model(input_data)

[来源]

from_preset 方法

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

从模型预设实例化一个 keras_nlp.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 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调用。从基类调用，例如 keras_nlp.models.Backbone.from_preset()，或从模型类调用，例如 keras_nlp.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。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 来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 模型句柄、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_nlp.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_nlp.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 属性

keras_nlp.models.AlbertBackbone.token_embedding

用于嵌入词元 ID 的 keras.layers.Embedding 实例。

此层将整数词元 ID 嵌入到模型的隐藏维度中。