GemmaCausalLM
类keras_hub.models.GemmaCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 Gemma 模型。
因果语言模型 (LM) 根据先前的 token 预测下一个 token。这种任务设置可用于在纯文本输入上无监督地训练模型,或自动回归地生成与训练数据相似的纯文本。通过简单地调用 fit()
,此任务可用于预训练或微调 Gemma 模型。
此模型具有 generate()
方法,该方法根据提示生成文本。使用的生成策略由 compile()
方法上的额外 sampler
参数控制。您可以使用不同的 keras_hub.samplers
对象重新编译模型以控制生成。默认情况下,将使用 "greedy"
采样。
此模型可以选择配置一个 preprocessor
层,在这种情况下,它会在 fit()
、predict()
、evaluate()
和 generate()
期间自动对字符串输入应用预处理。使用 from_preset()
创建模型时,这是默认行为。
参数
keras_hub.models.GemmaBackbone
实例。keras_hub.models.GemmaCausalLMPreprocessor
或 None
。如果为 None
,此模型将不应用预处理,输入应在调用模型之前进行预处理。示例
使用 generate()
进行文本生成。
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset("gemma_2b_en")
gemma_lm.generate("I want to say", max_length=30)
# Generate with batched prompts.
gemma_lm.generate(["This is a", "Where are you"], max_length=30)
使用自定义采样器编译 generate()
函数。
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset("gemma_2b_en")
gemma_lm.compile(sampler="top_k")
gemma_lm.generate("I want to say", max_length=30)
gemma_lm.compile(sampler=keras_hub.samplers.BeamSampler(num_beams=2))
gemma_lm.generate("I want to say", max_length=30)
在不进行预处理的情况下使用 generate()
。
prompt = {
# Token ids for "<bos> Keras is".
"token_ids": np.array([[2, 214064, 603, 0, 0, 0, 0]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 0, 0, 0, 0]] * 2),
}
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset(
"gemma_2b_en",
preprocessor=None,
)
gemma_lm.generate(prompt)
在单个批次上调用 fit()
。
features = ["The quick brown fox jumped.", "I forgot my homework."]
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset("gemma_2b_en")
gemma_lm.fit(x=features, batch_size=2)
启用 LoRA 微调后调用 fit()
。
features = ["The quick brown fox jumped.", "I forgot my homework."]
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset("gemma_2b_en")
gemma.backbone.enable_lora(rank=4)
gemma_lm.fit(x=features, batch_size=2)
在不进行预处理的情况下调用 fit()
。
x = {
# Token ids for "<bos> Keras is deep learning library<eos>"
"token_ids": np.array([[2, 214064, 603, 5271, 6044, 9581, 1, 0]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 0]] * 2),
}
y = np.array([[214064, 603, 5271, 6044, 9581, 3, 0, 0]] * 2)
sw = np.array([[1, 1, 1, 1, 1, 1, 0, 0]] * 2)
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset(
"gemma_2b_en",
preprocessor=None,
)
gemma_lm.fit(x=x, y=y, sample_weight=sw, batch_size=2)
自定义 backbone 和词汇表。
tokenizer = keras_hub.models.GemmaTokenizer(
proto="proto.spm",
)
preprocessor = keras_hub.models.GemmaCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.GemmaBackbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
gemma_lm = keras_hub.models.GemmaCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
gemma_lm.fit(x=features, batch_size=2)
from_preset
方法GemmaCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型 preset 实例化一个 keras_hub.models.Task
。
preset 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。preset
可以是以下之一:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./bert_base_en'
对于任何 Task
子类,您可以运行 cls.presets.keys()
来列出该类上所有可用的内置 preset。
此构造函数可以通过两种方式之一调用。可以从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset()
,也可以从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()
。如果从基类调用,返回对象的子类将从 preset 目录中的配置推断出来。
参数
True
,则将保存的权重加载到模型架构中。如果为 False
,所有权重将随机初始化。示例
# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
Preset | 参数 | 描述 |
---|---|---|
gemma_2b_en | 2.51B | 20 亿参数、18 层、基础 Gemma 模型。 |
gemma_instruct_2b_en | 2.51B | 20 亿参数、18 层、指令微调 Gemma 模型。 |
gemma_1.1_instruct_2b_en | 2.51B | 20 亿参数、18 层、指令微调 Gemma 模型。1.1 版本更新提高了模型质量。 |
code_gemma_1.1_2b_en | 2.51B | 20 亿参数、18 层、CodeGemma 模型。此模型已针对代码补全的填空 (FIM) 任务进行训练。1.1 版本更新提高了模型质量。 |
code_gemma_2b_en | 2.51B | 20 亿参数、18 层、CodeGemma 模型。此模型已针对代码补全的填空 (FIM) 任务进行训练。 |
gemma2_2b_en | 2.61B | 20 亿参数、26 层、基础 Gemma 模型。 |
gemma2_instruct_2b_en | 2.61B | 20 亿参数、26 层、指令微调 Gemma 模型。 |
shieldgemma_2b_en | 2.61B | 20 亿参数、26 层、ShieldGemma 模型。 |
gemma_7b_en | 8.54B | 70 亿参数、28 层、基础 Gemma 模型。 |
gemma_instruct_7b_en | 8.54B | 70 亿参数、28 层、指令微调 Gemma 模型。 |
gemma_1.1_instruct_7b_en | 8.54B | 70 亿参数、28 层、指令微调 Gemma 模型。1.1 版本更新提高了模型质量。 |
code_gemma_7b_en | 8.54B | 70 亿参数、28 层、CodeGemma 模型。此模型已针对代码补全的填空 (FIM) 任务进行训练。 |
code_gemma_instruct_7b_en | 8.54B | 70 亿参数、28 层、指令微调 CodeGemma 模型。此模型已针对与代码相关的聊天用例进行训练。 |
code_gemma_1.1_instruct_7b_en | 8.54B | 70 亿参数、28 层、指令微调 CodeGemma 模型。此模型已针对与代码相关的聊天用例进行训练。1.1 版本更新提高了模型质量。 |
gemma2_9b_en | 9.24B | 90 亿参数、42 层、基础 Gemma 模型。 |
gemma2_instruct_9b_en | 9.24B | 90 亿参数、42 层、指令微调 Gemma 模型。 |
shieldgemma_9b_en | 9.24B | 90 亿参数、42 层、ShieldGemma 模型。 |
gemma2_27b_en | 27.23B | 270 亿参数、42 层、基础 Gemma 模型。 |
gemma2_instruct_27b_en | 27.23B | 270 亿参数、42 层、指令微调 Gemma 模型。 |
shieldgemma_27b_en | 27.23B | 270 亿参数、42 层、ShieldGemma 模型。 |
generate
方法GemmaCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根据提示 inputs
生成文本。
此方法根据给定的 inputs
生成文本。用于生成的采样方法可以通过 compile()
方法设置。
如果 inputs
是 tf.data.Dataset
,输出将“逐批次”生成并连接。否则,所有输入将作为单个批次处理。
如果模型附加了 preprocessor
,inputs
将在 generate()
函数内部进行预处理,并且应匹配 preprocessor
层期望的结构(通常是原始字符串)。如果未附加 preprocessor
,输入应匹配 backbone
期望的结构。请参阅上面的示例用法以了解每种情况的演示。
参数
tf.data.Dataset
。如果模型附加了 preprocessor
,inputs
应匹配 preprocessor
层期望的结构。如果未附加 preprocessor
,inputs
应匹配 backbone
模型期望的结构。preprocessor
配置的最大 sequence_length
。如果 preprocessor
为 None
,inputs
应填充到所需的最大长度,并且此参数将被忽略。None
、“auto”或 token id 的元组。默认为“auto”,使用 preprocessor.tokenizer.end_token_id
。未指定预处理器将产生错误。None
在生成 max_length
个 token 后停止生成。您也可以指定模型应停止的 token id 列表。请注意,每个 token 序列将被解释为一个停止 token,不支持多 token 停止序列。backbone
属性keras_hub.models.GemmaCausalLM.backbone
具有核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.GemmaCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。
score
方法GemmaCausalLM.score(
token_ids,
padding_mask=None,
scoring_mode="logits",
layer_intercept_fn=None,
target_ids=None,
)
对提供的 token id 表示的生成进行评分。
参数
GemmaCausalLM.generate()
调用获得的输出,即包含输入文本和模型生成的文本的 token。keras.ops.ones()
创建一个具有适当形状的 tensor。self.backbone.layers
的索引_。索引 -1 伴随通过在正向方向上对 token_ids
调用 self.backbone.token_embedding()
返回的嵌入。所有后续索引将是 backbone 中每个 Transformer 层返回的激活的 0 索引。此函数必须返回一个抛出
返回
每个 token 的分数,为一个大小为
示例
使用 TensorFlow 计算嵌入和损失分数之间的梯度
gemma_lm = keras_hub.models.GemmaCausalLM.from_preset(
"gemma_2b_en"
)
generations = gemma_lm.generate(
["This is a", "Where are you"],
max_length=30
)
preprocessed = gemma_lm.preprocessor.generate_preprocess(generations)
generation_ids = preprocessed["token_ids"]
padding_mask = preprocessed["padding_mask"]
target_ids = keras.ops.roll(generation_ids, shift=-1, axis=1)
embeddings = None
with tf.GradientTape(watch_accessed_variables=True) as tape:
def layer_intercept_fn(x, i):
if i == -1:
nonlocal embeddings, tape
embeddings = x
tape.watch(embeddings)
return x
losses = gemma_lm.score(
token_ids=generation_ids,
padding_mask=padding_mask,
scoring_mode="loss",
layer_intercept_fn=layer_intercept_fn,
target_ids=target_ids,
)
grads = tape.gradient(losses, embeddings)