DebertaV3Backbone 模型

[来源]

DebertaV3Backbone 类

keras_nlp.models.DebertaV3Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    bucket_size=256,
    dtype=None,
    **kwargs
)

DeBERTa 编码器网络。

此网络实现了双向 Transformer 基编码器，如"DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing"中所述。它包括嵌入查找和 Transformer 层，但不包括在预训练期间使用的增强掩码解码头。

默认构造函数提供了完全可自定义的随机初始化 DeBERTa 编码器，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。

注意：DebertaV3Backbone 在 TPU 上存在性能问题，我们建议将其他模型用于 TPU 训练和推理。

免责声明：预训练模型按“现状”提供，没有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，可在此处获得此处。

参数

• vocabulary_size: int. 词汇表的规模。
• 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. Transformer 编码层的尺寸。
• 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. DeBERTa 模型的 dropout 概率。
• max_sequence_length: int. 此编码器可以接受的最大序列长度。输入的序列长度必须小于 max_sequence_length。
• bucket_size: int. 相对位置桶的大小。通常等于 max_sequence_length // 2。
• 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，无论 dtype 如何。

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 DeBERTa encoder.
model = keras_nlp.models.DebertaV3Backbone.from_preset(
    "deberta_v3_base_en",
)
model(input_data)

# Randomly initialized DeBERTa encoder with custom config
model = keras_nlp.models.DebertaV3Backbone(
    vocabulary_size=128100,
    num_layers=12,
    num_heads=6,
    hidden_dim=384,
    intermediate_dim=1536,
    max_sequence_length=512,
    bucket_size=256,
)
# Call the model on the input data.
model(input_data)

[来源]

from_preset 方法

DebertaV3Backbone.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之一调用。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出来。

对于任何 Backbone 子类，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.DebertaV3Backbone.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。