FalconBackbone
类keras_hub.models.FalconBackbone(
vocabulary_size,
num_layers,
num_attention_heads,
hidden_dim,
intermediate_dim,
layer_norm_epsilon=1e-05,
attention_dropout_rate=0,
feedforward_dropout_rate=0,
dtype=None,
**kwargs
)
Falcon 核心架构。
此网络实现了基于 Transformer 的仅解码器网络,Falcon。
参数
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 精度完成。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 Falcon decoder.
# TODO: Update the preset.
model = keras_hub.models.FalconBackbone.from_preset("falcon_preset")
model(input_data)
# Randomly initialized Falcon decoder with a custom config.
model = keras_hub.models.FalconBackbone(
vocabulary_size=10,
num_layers=2,
num_attention_heads=2,
hidden_dim=32,
intermediate_dim=32*4,
layer_norm_epsilon=1e-5,
attention_dropout_rate=0,
feedforward_dropout_rate=0,
dtype="float32",
)
model(input_data)
from_preset
方法FalconBackbone.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:
'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,如 keras_hub.models.Backbone.from_preset()
,也可以从模型类调用,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
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 |
---|---|---|
falcon_refinedweb_1b_en | 1.31B | 24 层 Falcon 模型(参数为 10 亿的 Falcon),在 RefinedWeb 数据集的 3500 亿个标记上训练。 |
token_embedding
属性keras_hub.models.FalconBackbone.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。