BartBackbone 模型

[来源]

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。

此类实现了基于 Transformer 的编码器-解码器模型，如 "BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension" 中所述。

默认构造函数提供了一个完全可自定义的、随机初始化的 BART 模型，可以设置任意数量的层、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" basis 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，并受单独许可协议约束，请访问 此处。

参数

• vocabulary_size: int。词汇表大小。
• 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。隐藏层大小必须可被注意力头数整除。
• hidden_dim: int。Transformer 编码层和池化层的大小。
• intermediate_dim: int。每个 Transformer 中两层前馈网络中第一个 Dense 层的输出维度。
• dropout: float。Transformer 编码器的 dropout 概率。
• max_sequence_length: int。此编码器可以消耗的最大序列长度。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可变形状。
• 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（例如 softmax 和层归一化）将始终以 float32 精度完成，而与 dtype 无关。

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)

[来源]

from_preset 方法

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

从模型预设实例化 keras_hub.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，例如 'bert_base_en'
2. Kaggle Models 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'

可以从两种方式之一调用此构造函数。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从预设目录中的配置推断出来。

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 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: bool。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.BartBackbone.token_embedding

用于嵌入 token id 的 keras.layers.Embedding 实例。

此层将整数 token id 嵌入到模型的隐藏维度中。