GPT2Backbone 模型

[源代码]

GPT2Backbone 类

keras_hub.models.GPT2Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=1024,
    dtype=None,
    **kwargs
)

带有超参数的 GPT-2 核心网络。

此网络实现了基于 Transformer 的解码器网络，即生成式预训练 Transformer 2 (GPT-2)，如 "语言模型是无监督多任务学习者" 中所述。它包括嵌入查找和 Transformer 层。

默认构造函数提供了一个完全可定制的、随机初始化的 GPT-2 模型，具有任意数量的层、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。

免责声明：预训练模型按“原样”提供，不提供任何形式的保证或条件。底层模型由第三方提供，并受单独许可的约束，可在此处获得。

参数

• vocabulary_size: int。词汇表的大小。
• num_layers: int。Transformer 层的数量。
• num_heads: int。每个 Transformer 的注意力头的数量。隐藏大小必须能被注意力头的数量整除。
• hidden_dim: int。Transformer 编码和池化层的大小。
• intermediate_dim: int。每个 Transformer 的双层前馈网络中第一个密集层的输出维度。
• dropout: float。Transformer 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，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。
• 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，例如 softmax 和层归一化，将始终以 float32 精度完成，而与 dtype 无关。

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 GPT-2 decoder.
model = keras_hub.models.GPT2Backbone.from_preset("gpt2_base_en")
model(input_data)

# Randomly initialized GPT-2 decoder with custom config.
model = keras_hub.models.GPT2Backbone(
    vocabulary_size=50257,
    num_layers=12,
    num_heads=12,
    hidden_dim=768,
    intermediate_dim=3072,
    max_sequence_length=1024,
)
model(input_data)

[源代码]

from_preset 方法

GPT2Backbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个配置、权重和其他文件资产的目录，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之一调用。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，则返回对象的子类将从预设目录中的配置推断出来。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。

参数

• preset: string。内置的预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

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.GPT2Backbone.token_embedding

用于嵌入令牌 ID 的 keras.layers.Embedding 实例。

此层将整数令牌 ID 嵌入到模型的隐藏维度中。