FalconBackbone 模型
FalconBackbone 类
keras_nlp.models.FalconBackbone(
vocabulary_size,
num_layers,
num_attention_heads,
hidden_dim,
intermediate_dim,
layer_norm_epsilon=1e-05,
attention_dropout_rate=0,
feedforward_dropout_rate=0,
dtype=None,
**kwargs
)
Falcon 的核心架构。
该网络实现了基于 Transformer 的解码器端网络，Falcon。
参数
- vocabulary_size: int。标记词汇表的尺寸。
- num_layers: int。Transformer 层的数量。
- num_attention_heads: int。每个 Transformer 的注意力头的数量。隐藏层大小必须能够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。
- layer_norm_epsilon: float。Transformer 解码器中层归一化层的 Epsilon。
- attention_dropout_rate: float。注意力的 Dropout 概率。
- feedforward_dropout_rate: float。前馈网络的 Dropout 概率。
- dtype: string 或
keras.mixed_precision.DTypePolicy。模型计算和权重使用的 dtype。请注意，某些计算，例如 softmax 和层归一化，无论 dtype 如何，始终以 float32 精度执行。
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 Falcon decoder.
# TODO: Update the preset.
model = keras_nlp.models.FalconBackbone.from_preset("falcon_preset")
model(input_data)
# Randomly initialized Falcon decoder with a custom config.
model = keras_nlp.models.FalconBackbone(
vocabulary_size=10,
num_layers=2,
num_attention_heads=2,
hidden_dim=32,
intermediate_dim=32*4,
layer_norm_epsilon=1e-5,
attention_dropout_rate=0,
feedforward_dropout_rate=0,
dtype="float32",
)
model(input_data)
from_preset 方法
FalconBackbone.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：
- 内置预设标识符，例如
'bert_base_en' - Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 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得出。
对于任何 Backbone 子类，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
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,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| falcon_refinedweb_1b_en | 13.1 亿 | 在 3500 亿个 RefinedWeb 数据集标记上训练的 24 层 Falcon 模型（具有 10 亿个参数的 Falcon）。 |
token_embedding 属性
keras_nlp.models.FalconBackbone.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。