KerasHub: 预训练模型 / API 文档 / 模型架构 / Bart / BartBackbone 模型

BartBackbone 模型

[source]

BartBackbone

keras_hub.models.BartBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=1024,
    dtype=None,
    **kwargs
)

BART 编码器-解码器网络。

此类实现了 "BART:用于自然语言生成、翻译和理解的去噪序列到序列预训练" 中描述的基于 Transformer 的编码器-解码器模型。

默认构造函数提供一个完全可定制的、随机初始化的 BART 模型,可配置任意数量的层、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“原样”提供,不附带任何明示或暗示的保证或条件。底层模型由第三方提供,并受此处提供的单独许可证约束,可在此处获取:here

参数

  • vocabulary_size:int。令牌词汇表的大小。
  • num_layers:int。Transformer 编码器层和 Transformer 解码器层的数量。
  • num_heads:int。每个 Transformer 的注意力头数量。隐藏层大小必须能被注意力头数量整除。
  • hidden_dim:int。Transformer 编码层和池化层的尺寸。
  • intermediate_dim:int。每个 Transformer 中两层前馈网络中第一层 Dense 层的输出维度。
  • dropout:float。Transformer 编码器的 Dropout 概率。
  • max_sequence_length:int。此编码器可以处理的最大序列长度。如果为 None,则 max_sequence_length 使用序列长度的值。这决定了位置嵌入的变量形状。
  • 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(如 softmax 和层归一化)将始终以 float32 精度进行,无论 dtype 如何。

示例

input_data = {
    "encoder_token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "encoder_padding_mask": np.array(
        [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]
    ),
    "decoder_token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "decoder_padding_mask": np.array(
        [[1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]]
    ),
}

# Pretrained BART encoder.
model = keras_hub.models.BartBackbone.from_preset("bart_base_en")
model(input_data)

# Randomly initialized BART encoder-decoder model with a custom config
model = keras_hub.models.BartBackbone(
    vocabulary_size=50265,
    num_layers=6,
    num_heads=12,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=12,
)
output = model(input_data)

[source]

from_preset 方法

BartBackbone.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 可以是以下之一:

  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,则返回对象的子类将根据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: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,则会将权重加载到模型架构中。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_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,
)
预设 参数 描述
bart_base_en 139.42M 6层 BART 模型,保留大小写。在 BookCorpus、英语维基百科和 CommonCrawl 上训练。
bart_large_en 406.29M 12层 BART 模型,保留大小写。在 BookCorpus、英语维基百科和 CommonCrawl 上训练。
bart_large_en_cnn 406.29M 在 CNN+DM 摘要数据集上微调的 bart_large_en 骨干模型。

token_embedding 属性

keras_hub.models.BartBackbone.token_embedding

用于嵌入令牌 ID 的 keras.layers.Embedding 实例。

此层将整数令牌 ID 嵌入到模型的隐藏维度。