DistilBertBackbone 模型

[source]

DistilBertBackbone 类

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

DistilBERT 编码器网络。

此网络实现了基于 Transformer 的双向编码器，如 "DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter" 中所述。它包括嵌入查找和 Transformer 层，但不包括掩码语言模型或分类任务网络。

默认构造函数提供了一个完全可定制的、随机初始化的 DistilBERT 编码器，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：预训练模型以“现状”为基础提供，不附带任何形式的保证或条件。底层模型由第三方提供，并受单独许可协议的约束，许可协议请见 此处。

参数

• vocabulary_size: int。词汇表大小。
• num_layers: int。Transformer 层的数量。
• num_heads: int。每个 Transformer 的注意力头的数量。隐藏层大小必须能被注意力头的数量整除。
• hidden_dim: int。Transformer 编码和池化层的大小。
• intermediate_dim: int。每个 Transformer 的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 = {
    "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 DistilBERT encoder.
model = keras_hub.models.DistilBertBackbone.from_preset(
    "distil_bert_base_en_uncased"
)
model(input_data)

# Randomly initialized DistilBERT encoder with custom config.
model = keras_hub.models.DistilBertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[source]

from_preset 方法

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

从模型预设实例化一个 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'

此构造函数可以通过两种方式之一调用。可以从基类（如 keras_hub.models.Backbone.from_preset()）调用，也可以从模型类（如 keras_hub.models.GemmaBackbone.from_preset()）调用。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，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

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.DistilBertBackbone.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。