ElectraBackbone
类keras_hub.models.ElectraBackbone(
vocab_size,
num_layers,
num_heads,
hidden_dim,
embedding_dim,
intermediate_dim,
dropout=0.1,
max_sequence_length=512,
num_segments=2,
dtype=None,
**kwargs
)
一个 Electra 编码器网络。
此网络实现了 "Electra: Pre-training Text Encoders as Discriminators Rather Than Generators" 中描述的双向基于 Transformer 的编码器。它包含嵌入查找和 Transformer 层,但不包含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 ELECTRA 编码器,其层数、头数和嵌入维度可以任意设置。要加载预设的架构和权重,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,可在此处获取:此处。
参数
max_sequence_length
将使用序列长度的值。这决定了位置嵌入的可变形状。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)无论 dtype 如何,始终以 float32 精度执行。示例
input_data = {
"token_ids": np.ones(shape=(1, 12), dtype="int32"),
"segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]]),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}
# Pre-trained ELECTRA encoder.
model = keras_hub.models.ElectraBackbone.from_preset(
"electra_base_discriminator_en"
)
model(input_data)
# Randomly initialized Electra encoder
backbone = keras_hub.models.ElectraBackbone(
vocabulary_size=1000,
num_layers=2,
num_heads=2,
hidden_dim=32,
intermediate_dim=64,
dropout=0.1,
max_sequence_length=512,
)
# Returns sequence and pooled outputs.
sequence_output, pooled_output = backbone(input_data)
from_preset
方法ElectraBackbone.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、权重和其他文件资产的目录,用于保存和加载预训练模型。preset
可以是以下之一:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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()
,或者从模型类调用,例如 keras_hub.models.GemmaBackbone.from_preset()
。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
True
,权重将加载到模型架构中。如果为 False
,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,
)
预设 | 参数 | 描述 |
---|---|---|
electra_small_discriminator_uncased_en | 13.55M | 12 层小型 ELECTRA 判别器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
electra_small_generator_uncased_en | 13.55M | 12 层小型 ELECTRA 生成器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
electra_base_generator_uncased_en | 33.58M | 12 层基础 ELECTRA 生成器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
electra_large_generator_uncased_en | 51.07M | 24 层大型 ELECTRA 生成器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
electra_base_discriminator_uncased_en | 109.48M | 12 层基础 ELECTRA 判别器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
electra_large_discriminator_uncased_en | 335.14M | 24 层大型 ELECTRA 判别器模型。所有输入均转换为小写。在英语维基百科 + BooksCorpus 上训练。 |
token_embedding
属性keras_hub.models.ElectraBackbone.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中。