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
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)。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,
)
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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。
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。
save_lora_weights
方法Backbone.save_lora_weights(filepath)
load_lora_weights
方法Backbone.load_lora_weights(filepath)
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
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
。