ESMBackbone 模型

[源代码]

ESMBackbone 类

keras_hub.models.ESMBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    use_bias=True,
    activation="gelu",
    dropout=0.1,
    dtype=None,
    max_sequence_length=1024,
    max_wavelength=10000,
    layer_norm_eps=1e-12,
    use_pre_layer_norm=False,
    position_embedding_type="rotary",
    pad_token_id=0,
    **kwargs
)

ESM2 和 ESM 编码器网络。

该类实现了 "ESM" 中描述的双向基于 Transformer 的编码器。

默认构造函数提供了一个完全可定制的、随机初始化的 ESM2 编码器，具有任意数量的层、注意力头和嵌入维度。要加载预设的架构和权重，请使用 from_preset() 构造函数。

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 编码和池化层的大小。
• 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。Transformer 编码器的 dropout 概率。默认为 0.1。
• use_pre_layer_norm: bool。如果为 true，则在进入 Transformer 块之前将使用层归一化。由于是预归一化，默认值为 false。
• max_sequence_length: int。此编码器可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。
• position_embedding_type: str。要使用的位置嵌入类型。可以是 "absolute" 或 "rotary" 之一。ESM1 使用 "absolute"，ESM2 使用 "rotary"。默认为 "rotary"。
• max_wavelength : int。对于旋转嵌入，正弦/余弦曲线的最大角波长。默认为 10000。
• activation : string 或 keras.activations。Transformer 要使用的激活函数。默认为 "gelu"。
• pad_token_id: int。padding token 的 id。通常为 0，但在 esm2 模型中设置为 1。默认为 0。
• dtype: None 或 str 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）将始终以 float32 精度执行，而不管 dtype 如何。

示例

input_data = {
    "token_ids": np.ones(shape=(1, 12), dtype="int32"),
}

# Pretrained ESM2 encoder.
model = keras_hub.models.ESM2Backbone.from_preset('hf://facebook/esm2_t6_8M_UR50D')
model(input_data)

# Randomly initialized ESM2 encoder with a custom config.
model = keras_hub.models.ESM2Backbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
)
model(input_data)

[源代码]

from_preset 方法

ESMBackbone.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 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 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之一调用。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将根据预设目录中的配置进行推断。

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.ESMBackbone.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。