KerasHub: 预训练模型 / API 文档 / 模型架构 / GPT-NeoX / GPTNeoXBackbone 模型

GPTNeoXBackbone 模型

[源]

GPTNeoXBackbone

keras_hub.models.GPTNeoXBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.0,
    rotary_percentage=0.25,
    rotary_max_wavelength=10000,
    layer_norm_epsilon=1e-05,
    max_sequence_length=512,
    dtype=None,
    **kwargs
)

带有超参数的 GPT-NeoX 核心网络。

该网络实现了基于 Transformer 的解码器网络,即生成式预训练 Transformer-Neo-X (GPTNeoX),如"GPT-NeoX-20B: 一个开源自回归语言模型"中所述。它包括嵌入查找和 Transformer 层。

默认构造函数提供了可完全自定义、随机初始化的 GPT-NeoX 模型,可具有任意数量的层、头和嵌入维度。

免责声明:预训练模型按"原样"提供,不附带任何形式的保证或条件。底层模型由第三方提供,并受单独的许可协议约束,可从此处获取。

参数

  • vocabulary_size: int. Token 词汇表的大小。
  • num_layers: int. Transformer 层的数量。
  • num_heads: int. 每个 Transformer 的注意力头数量。隐藏层大小必须能被注意力头数量整除。
  • hidden_dim: int. Transformer 编码器和池化器层的大小。
  • intermediate_dim: int. 每个 Transformer 中两层前馈网络中第一个 Dense 层的输出维度。
  • dropout: float. Transformer 编码器的 dropout 概率。
  • layer_norm_epsilon: float. 添加到分母以提高数值稳定性的值。
  • rotary_max_wavelength: int. 正弦/余弦曲线的最大角波长,用于旋转嵌入。
  • rotary_percentage: float. query、key、value 矩阵旋转的百分比。
  • max_sequence_length: int. 此编码器可处理的最大序列长度。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变量形状。
  • 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(如 softmax 和层归一化)无论 dtype 如何,都将始终使用 float32 精度执行。

[源]

from_preset 方法

GPTNeoXBackbone.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入:

  1. 内置预设标识符,如 'bert_base_en'
  2. Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 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。既可以从基类调用,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,返回对象的子类将从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,权重将被加载到模型架构中。如果为 False,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.GPTNeoXBackbone.token_embedding

用于嵌入 token id 的 keras.layers.Embedding 实例。

此层将整数 token id 嵌入到模型的隐藏层维度。


[源]

enable_lora 方法

GPTNeoXBackbone.enable_lora(rank, target_names=None)

在 backbone 上启用 Lora。

调用此方法将冻结 backbone 上的所有权重,同时在注意力层的 query 和 value EinsumDense 层上启用 Lora。