DebertaV3Backbone 模型

[源代码]

DebertaV3Backbone 类

keras_hub.models.DebertaV3Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    bucket_size=256,
    dtype=None,
    **kwargs
)

DeBERTa 编码器网络。

该网络实现了“DeBERTaV3: Using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing”中所述的双向基于 Transformer 的编码器。它包括嵌入查找和 Transformer 层，但不包括预训练期间使用的增强型掩码解码头。

默认构造函数提供了一个完全可定制的、随机初始化的 DeBERTa 编码器，具有任意数量的层、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。

注意：DebertaV3Backbone 在 TPU 上存在性能问题，我们建议在 TPU 训练和推理中使用其他模型。

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，并受单独的许可协议约束，可在此处获取：https://github.com/microsoft/DeBERTa。

参数

• vocabulary_size：整数。词元词汇表的大小。
• num_layers：整数。Transformer 层的数量。
• num_heads: int。每个 Transformer 的注意力头数。隐藏层维度必须能被注意力头数整除。
• hidden_dim: int。Transformer 编码层的维度。
• intermediate_dim：整数。每个 Transformer 的双层前馈网络中第一个 Dense 层的输出维度。
• dropout: float。DeBERTa 模型的 dropout 概率。
• max_sequence_length: int。此编码器可处理的最大序列长度。输入序列的长度必须小于 max_sequence_length。
• bucket_size: int。相对位置桶的大小。通常等于 max_sequence_length // 2。
• dtype: 字符串或 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，无论 dtype 如何。

示例

input_data = {
    "token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}

# Pretrained DeBERTa encoder.
model = keras_hub.models.DebertaV3Backbone.from_preset(
    "deberta_v3_base_en",
)
model(input_data)

# Randomly initialized DeBERTa encoder with custom config
model = keras_hub.models.DebertaV3Backbone(
    vocabulary_size=128100,
    num_layers=12,
    num_heads=6,
    hidden_dim=384,
    intermediate_dim=1536,
    max_sequence_length=512,
    bucket_size=256,
)
# Call the model on the input data.
model(input_data)

[源代码]

from_preset 方法

DebertaV3Backbone.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。可以像 keras_hub.models.Backbone.from_preset() 一样从基类调用，也可以像 keras_hub.models.GemmaBackbone.from_preset() 一样从模型类调用。如果从基类调用，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：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.DebertaV3Backbone.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。