KerasHub: 预训练模型 / API 文档 / 模型架构 / Electra / ElectraBackbone 模型

ElectraBackbone 模型

[源代码]

ElectraBackbone

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

  • vocabulary_size: int。词汇表的大小。
  • num_layers: int。Transformer 层的数量。
  • num_heads: int。每个 Transformer 层的注意力头数量。隐藏大小必须能被注意力头数量整除。
  • hidden_dim: int。Transformer 编码器和池化层的大小。
  • embedding_dim: int。令牌嵌入的大小。
  • intermediate_dim: int。每个 Transformer 层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。此编码器可以消耗的最大序列长度。如果为 None,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。
  • 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)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)

[源代码]

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:

  1. 一个内置的预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 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(),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

  • preset: string。一个内置的预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄,或本地目录的路径。
  • load_weights: bool。如果为 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。