KerasHub: 预训练模型 / API 文档 / 模型架构 / Falcon / FalconBackbone 模型

FalconBackbone 模型

[源代码]

FalconBackbone

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

  • vocabulary_size:整数。词元词汇表的大小。
  • num_layers:整数。Transformer 层的数量。
  • num_attention_heads:int。每个 transformer 的注意力头数量。隐藏维度必须能被注意力头数量整除。
  • hidden_dim:int。嵌入和隐藏状态的维度。
  • intermediate_dim:int。每个 transformer 的 MLP 网络中第一个 Dense 层的输出维度。
  • layer_norm_epsilon:float。transformer 解码器中层归一化层的 epsilon 值。
  • attention_dropout_rate:float。注意力的 dropout 概率。
  • feedforward_dropout_rate:float。前馈网络的 dropout 概率。
  • 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)

[源代码]

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:

  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

  • 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,
)
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。