OPTBackbone 模型

[源代码]

OPTBackbone 类

keras_nlp.models.OPTBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=2048,
    dtype=None,
    **kwargs
)

OPT 解码器网络。

此类实现了基于 Transformer 的解码器模型，如 "OPT：开放式预训练 Transformer 语言模型" 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 OPT 模型，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，不提供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 获取。

参数

• vocabulary_size：int。标记词表的尺寸。
• num_layers：int。Transformer 解码器层的数量。
• num_heads：int。每个 Transformer 的注意力头的数量。隐藏尺寸必须能被注意力头的数量整除。
• hidden_dim：int。Transformer 解码器层的隐藏尺寸。
• intermediate_dim：int。每个 Transformer 解码器层中两层前馈网络中第一个 Dense 层的输出维度。
• dropout：float。Transformer 解码器的 dropout 概率。
• max_sequence_length：int。此解码器可以处理的最大序列长度。如果为 None，则 max_sequence_length 使用序列长度中的值。这决定了位置嵌入的变量形状。
• dtype：字符串或 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 精度完成，而不管 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 OPT decoder
model = keras_nlp.models.OPTBackbone.from_preset("opt_125m_en")
model(input_data)

# Randomly initialized OPT decoder model with a custom config
model = keras_nlp.models.OPTBackbone(
    vocabulary_size=50265,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[源代码]

from_preset 方法

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

从模型预设实例化 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，如 'bert_base_en'
2. Kaggle Models 处理程序，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 处理程序，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式之一调用。从基类（如 keras_nlp.models.Backbone.from_preset()）或从模型类（如 keras_nlp.models.GemmaBackbone.from_preset()）调用。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 Models 处理程序、Hugging Face 处理程序或本地目录的路径。
• 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.OPTBackbone.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。