FNetBackbone 模型

[来源]

FNetBackbone 类

keras_hub.models.FNetBackbone(
    vocabulary_size,
    num_layers,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    num_segments=4,
    dtype=None,
    **kwargs
)

一个 FNet 编码器网络。

此类实现了基于双向傅里叶变换的编码器，如《FNet: Mixing Tokens with Fourier Transforms》所述。它包含嵌入查找和keras_hub.layers.FNetEncoder 层，但不包含掩码语言模型或下一句预测头。

默认构造函数提供了一个完全可定制的、随机初始化的 FNet 编码器，可设置任意数量的层和嵌入维度。要加载预设架构和权重，请使用 from_preset() 构造函数。

注意：与其他模型不同，FNet 不接受 "padding_mask" 输入，"<pad>" 标记在输入序列中与其他所有标记的处理方式相同。

免责声明：预训练模型按“现状”提供，不附带任何明示或暗示的保证或条件。

参数

• vocabulary_size: int. 标记词汇表的大小。
• num_layers: int. FNet 层的数量。
• hidden_dim: int. FNet 编码和池化层的大小。
• intermediate_dim: int. 每个 FNet 层中双层前馈网络中第一个 Dense 层的输出维度。
• dropout: float. 嵌入和 FNet 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变量形状。
• num_segments: int. 'segment_ids' 输入可以接受的类型数量。
• 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，都将始终以 float32 精度进行。

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]]),
}

# Pretrained BERT encoder.
model = keras_hub.models.FNetBackbone.from_preset("f_net_base_en")
model(input_data)

# Randomly initialized FNet encoder with a custom config.
model = keras_hub.models.FNetBackbone(
    vocabulary_size=32000,
    num_layers=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[来源]

from_preset 方法

FNetBackbone.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。可以将 preset 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。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，也可以从模型类调用，例如 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. 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，则会将权重加载到模型架构中。如果为 False，则会随机初始化权重。

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.FNetBackbone.token_embedding

用于嵌入标记 ID 的keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的 hidden dim 中。