BartBackbone 模型

[source]

BartBackbone 类

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,
)

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。