GPTNeoXBackbone 模型

[源]

GPTNeoXBackbone 类

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。