LlamaCausalLM
类keras_hub.models.LlamaCausalLM(backbone, preprocessor=None, **kwargs)
一个用于因果语言建模的端到端 Llama 模型。
因果语言模型(LM)根据先前的 token 预测下一个 token。此任务设置可用于在纯文本输入上无监督地训练模型,或自回归地生成与用于训练的数据相似的纯文本。只需调用 fit()
,即可将此任务用于 LLaMA 模型的预训练或微调。
此模型具有 generate()
方法,该方法根据提示生成文本。用于生成文本的策略由 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 "top_k"
采样。
参数
keras_hub.models.LlamaBackbone
实例。keras_hub.models.LlamaCausalLMPreprocessor
或 None
。如果为 None
,则此模型将不应用预处理,并且输入应在调用模型之前进行预处理。from_preset
方法LlamaCausalLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task
。
预设是用于保存和加载预训练模型的配置文件、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预设。
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,则返回对象的子类将从预设目录中的配置推断。
参数
True
,则会将保存的权重加载到模型架构中。如果为 False
,则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,
)
预设 | 参数量 | 描述 |
---|---|---|
llama2_7b_en | 6.74B | 70 亿参数、32 层、基础 LLaMA 2 模型。 |
llama2_instruct_7b_en | 6.74B | 70 亿参数、32 层、指令微调的 LLaMA 2 模型。 |
vicuna_1.5_7b_en | 6.74B | 70 亿参数、32 层、指令微调的 Vicuna v1.5 模型。 |
llama2_7b_en_int8 | 6.74B | 70 亿参数、32 层、基础 LLaMA 2 模型(激活和权重量化到 int8)。 |
llama2_instruct_7b_en_int8 | 6.74B | 70 亿参数、32 层、指令微调的 LLaMA 2 模型(激活和权重量化到 int8)。 |
llama3_8b_en | 8.03B | 80 亿参数、32 层、基础 LLaMA 3 模型。 |
llama3_instruct_8b_en | 8.03B | 80 亿参数、32 层、指令微调的 LLaMA 3 模型。 |
llama3_8b_en_int8 | 8.03B | 80 亿参数、32 层、基础 LLaMA 3 模型(激活和权重量化到 int8)。 |
llama3_instruct_8b_en_int8 | 8.03B | 80 亿参数、32 层、指令微调的 LLaMA 3 模型(激活和权重量化到 int8)。 |
generate
方法LlamaCausalLM.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
是一个 tf.data.Dataset
,则输出将“逐批”生成并拼接。否则,所有输入将作为单个批次处理。
如果模型附加了 preprocessor
,则 inputs
将在 generate()
函数内部进行预处理,并且应与 preprocessor
层预期的结构(通常是原始字符串)匹配。如果未附加 preprocessor
,则输入应与 backbone
预期的结构匹配。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
,则 inputs
应与 preprocessor
层预期的结构匹配。如果未附加 preprocessor
,则 inputs
应与 backbone
模型预期的结构匹配。preprocessor
配置的最大 sequence_length
。如果 preprocessor
为 None
,则 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 元组。默认为“auto”,使用 preprocessor.tokenizer.end_token_id
。未指定 processor 将产生错误。None 在生成 max_length
个 token 后停止生成。您还可以指定模型应停止的一系列 token id。请注意,token 序列中的每个 token 都将被解释为停止 token,不支持多 token 停止序列。backbone
属性keras_hub.models.LlamaCausalLM.backbone
一个带有核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.LlamaCausalLM.preprocessor
一个用于预处理输入的 keras_hub.models.Preprocessor
层。