BloomBackbone 模型

[源代码]

BloomBackbone 类

keras_nlp.models.BloomBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.0,
    layer_norm_epsilon=1e-05,
    dtype=None,
    **kwargs
)

BLOOM 解码器网络。

此网络实现了基于 Transformer 的解码器网络，BigScience Language Open-science Open-access Multilingual (BLOOM)，如 "BLOOM: A 176B-Parameter Open-Access Multilingual Language Model" 中所述。

默认构造函数提供了一个完全可定制的、随机初始化的 Bloom 模型，它可以具有任意数量的层、头和嵌入维度。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“现状”提供，没有任何形式的担保或条件。底层模型由第三方提供，并受单独许可证约束，可在此处获取 此处。

参数

• vocabulary_size: int。词语词汇的大小。
• num_layers: int。Transformer 层的数量。
• num_heads: int。每个 Transformer 的注意力头的数量。隐藏大小必须能被注意力头的数量整除。
• hidden_dim: int。嵌入和隐藏状态的维度。
• intermediate_dim: int。每个 Transformer 中 MLP 网络中第一个 Dense 层的输出维度。
• dropout: float。Transformer 解码器的 dropout 概率。
• layer_norm_epsilon: float。Transformer 解码器中层归一化层的 Epsilon。
• 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 精度执行，而与 dtype 无关。

示例

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 BLOOM decoder.
model = keras_nlp.models.BloomBackbone.from_preset("bloom_560m_multi")
model(input_data)

# Randomly initialized BLOOM decoder with a custom config.
model = keras_nlp.models.BloomBackbone(
    vocabulary_size=10,
    num_layers=2,
    num_heads=2,
    hidden_dim=32,
    intermediate_dim=32*4,
    dropout=0.0,
    layer_norm_epsilon=1e-5,
)
model(input_data)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_nlp.models.Backbone。

预设是一个包含配置文件、权重和其他文件资产的目录，用于保存和加载预训练模型。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之一调用。要么从基类调用，例如 keras_nlp.models.Backbone.from_preset()，要么从模型类调用，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出来。

对于任何 Backbone 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。

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.BloomBackbone.token_embedding

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

此层将整数词语 ID 嵌入到模型的隐藏维度。

[源代码]

enable_lora 方法

BloomBackbone.enable_lora(rank)

在主干上启用 Lora。

调用此方法将冻结主干上的所有权重，同时在注意力层的查询和值 EinsumDense 层上启用 Lora。