骨干网络

[源代码]

Backbone 类

keras_hub.models.Backbone(*args, dtype=None, **kwargs)

所有 Backbone 模型的基础类。

Backbone 是给定 NLP 模型的基本架构。与 keras_hub.models.Task 不同，Backbone 不针对任何特定的损失函数和训练设置。Backbone 通常在任何输出预测之前输出架构的最后一个隐藏状态。

Backbone 可以通过两种方式使用

1. 通过 Task 类，它将包装并扩展 Backbone，使其可以与高级 Keras 函数（如 fit()、predict() 或 evaluate()）一起使用。Task 类的构建考虑了特定的训练目标（例如分类或语言建模）。
2. 直接通过扩展底层功能模型，添加额外的输出和训练设置。这是最灵活的方法，可以允许任何输出、损失或自定义训练循环。

所有骨干网络都包含一个 from_preset() 构造函数，可用于加载预训练配置和权重。

示例

# Load a BERT backbone with pre-trained weights.
backbone = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
)
# Load a GPT2 backbone with pre-trained weights at bfloat16 precision.
backbone = keras_hub.models.Backbone.from_preset(
    "gpt2_base_en",
    dtype="bfloat16",
    trainable=False,
)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个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调用。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，也可以从模型类调用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，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() 来列出该类上所有可用的内置预设。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

示例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

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

token_embedding 属性

keras_hub.models.Backbone.token_embedding

一个用于嵌入词元 ID 的 keras.layers.Embedding 实例。

该层将整数词元 ID 嵌入到模型的隐藏维度。

[源代码]

enable_lora 方法

Backbone.enable_lora(rank, target_names=None)

在骨干网络上启用 LoRA。

调用此方法将冻结骨干网络上的所有权重，同时在注意力层的查询和值 EinsumDense 层上启用 LoRA。

[源代码]

save_lora_weights 方法

Backbone.save_lora_weights(filepath)

[源代码]

load_lora_weights 方法

Backbone.load_lora_weights(filepath)

[源代码]

save_to_preset 方法

Backbone.save_to_preset(preset_dir, max_shard_size=10)

将骨干网络保存到预设目录。

参数

• preset_dir：本地模型预设目录的路径。
• max_shard_size：int 或 float。每个分片文件的最大大小（以 GB 为单位）。如果为 None，则不进行分片。默认为 10。