KerasHub:预训练模型 / API 文档 / 模型架构 / PaliGemma / PaliGemmaBackbone 模型

PaliGemmaBackbone 模型

[来源]

PaliGemmaBackbone

keras_hub.models.PaliGemmaBackbone(
    vocabulary_size,
    image_size,
    num_layers,
    num_query_heads,
    num_key_value_heads,
    hidden_dim,
    intermediate_dim,
    head_dim,
    vit_patch_size,
    vit_num_heads,
    vit_hidden_dim,
    vit_num_layers,
    vit_intermediate_dim=None,
    vit_pooling=None,
    vit_classifier_activation=None,
    vit_name=None,
    query_head_dim_normalize=True,
    use_post_ffw_norm=False,
    use_post_attention_norm=False,
    attention_logit_soft_cap=None,
    final_logit_soft_cap=None,
    use_sliding_window_attention=False,
    sliding_window_size=4096,
    layer_norm_epsilon=1e-06,
    dropout=0,
    dtype=None,
    **kwargs
)

具有超参数的 PaliGemma 核心网络。

此骨干网络实现了混合模态 PaliGemma 架构。它包含一个视觉 Transformer 网络以及文本 token 嵌入层,后跟一个与后端无关的连接操作,以构建混合类型嵌入(视觉和文本)的表示序列。然后,连接后的序列通过一系列混合模态解码器块。调用此模型返回的值表示输出 token 的概率值。

有关更高层级的文本生成对象,请参阅 keras_hub.models.PaliGemmaCausalLM

默认构造函数提供了一个完全可定制、随机初始化的 PaliGemma 模型,可以有任意数量的 vit 层、头部、嵌入维度以及 PaliGemma 解码器层的等效配置。要加载预设架构和权重,请使用 from_preset 构造函数。

参数

  • vocabulary_size:int。token 词汇表的大小。
  • image_size:int。图像的宽度和高度分辨率。注意:输入图像必须是正方形。
  • num_layers:int。Transformer 混合解码器层的数量。
  • num_query_heads:int。混合解码器注意力层中查询投影的头部数量。
  • num_key_value_heads:int。混合解码器注意力层中键和值投影的头部数量。
  • hidden_dim:int。每个混合 Transformer 层末尾的 Transformer 隐藏状态大小。
  • intermediate_dim:int。每个 Transformer 解码器块中两层前馈网络中第一个 Dense 层的输出维度。
  • head_dim:int。混合解码器中每个注意力头部的大小。
  • vit_patch_size:int。输入图像中每个正方形 patch 的大小。
  • vit_num_heads:int。视觉(图像)Transformer 编码器的注意力头部数量。
  • vit_hidden_dim:int。每个视觉 Transformer 层末尾的 Transformer 隐藏状态大小。
  • vit_num_layers:int。视觉 Transformer 层的数量。
  • vit_intermediate_dim:int。视觉 Transformer 中两层前馈网络中第一个 Dense 层的输出维度。默认为 4304
  • vit_poolingNone 或字符串。使用指定的池化设置对编码后的视觉嵌入进行池化。接受的值为 "map""gap""0"None。默认为 None
  • vit_classifier_activation:激活函数。用于视觉 Transformer 中最终输出分类的激活函数。默认为 None
  • vit_name:string。用于视觉 Transformer 层的名称。
  • query_head_dim_normalize:boolean。如果为 True,在注意力计算前使用 head_dim 对查询进行归一化。如果为 False,使用 hidden_dim / num_query_heads 对查询进行归一化。默认为 True
  • use_post_ffw_norm:boolean。在前馈块后是否进行归一化。默认为 False
  • use_post_attention_norm:boolean。在注意力块后是否进行归一化。默认为 False
  • attention_logit_soft_capNone 或 int。注意力 logits 的软上限。默认为 None
  • final_logit_soft_capNone 或 int。最终 logits 的软上限。默认为 None
  • use_sliding_window_attention:boolean。是否使用滑动局部窗口注意力。默认为 False
  • sliding_window_size:int。滑动局部窗口的大小。默认为 4096
  • layer_norm_epsilon:float。所有 Transformer 块中使用的层归一化的 epsilon 值。默认为 1e-6
  • dropout:float。Transformer 解码器块的 dropout 概率。默认为 0
  • dtype:string 或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。注意,某些计算(例如 softmax 和层归一化)无论 dtype 如何,始终以 float32 精度执行。

示例

input_data = {
    "token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "images": np.random.uniform(size=(1, 224, 224, 3)),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]),
}

# Pretrained PaliGemma decoder.
model = keras_hub.models.PaliGemmaBackbone.from_preset("pali_gemma_mix_224")
model(input_data)

# Randomly initialized PaliGemma decoder with custom config.
model = keras_hub.models.PaliGemmaBackbone(
    vocabulary_size=50257,
    images_size=224,
    num_layers=12,
    num_query_heads=12,
    num_key_value_heads=1,
    hidden_dim=768,
    intermediate_dim=3072,
    head_dim=64,
    vit_patch_size=14,
    vit_num_heads=8,
    vit_hidden_dim=768,
    vit_intermediate_dim=3072,
    vit_num_layers=2,
)
model(input_data)

[来源]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Backbone

预设是包含配置、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 可以是以下之一:

  1. 内置预设标识符,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,例如 './bert_base_en'

此构造函数可以通过两种方式调用。可以从基类调用,例如 keras_hub.models.Backbone.from_preset(),或者从模型类调用,例如 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,您都可以运行 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,
)
预设 参数 描述
pali_gemma_3b_mix_224 2.92B 图像尺寸 224,混合微调,文本序列长度为 256
pali_gemma_3b_224 2.92B 图像尺寸 224,预训练,文本序列长度为 128
pali_gemma_3b_mix_448 2.92B 图像尺寸 448,混合微调,文本序列长度为 512
pali_gemma_3b_448 2.92B 图像尺寸 448,预训练,文本序列长度为 512
pali_gemma_3b_896 2.93B 图像尺寸 896,预训练,文本序列长度为 512
pali_gemma2_mix_3b_224 3.03B 30亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_pt_3b_224 3.03B 30亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在混合数据集上进行预训练。
pali_gemma_2_ft_docci_3b_448 3.03B 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在 DOCCI 数据集上进行微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_3b_448 3.03B 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_pt_3b_448 3.03B 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_3b_896 3.04B 30亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 2B 语言模型为 26 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_10b_224 9.66B 100亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_pt_10b_224 9.66B 100亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_ft_docci_10b_448 9.66B 100亿参数,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在 DOCCI 数据集上进行微调,以改进带有细粒度细节的描述。
pali_gemma2_mix_10b_448 9.66B 100亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_pt_10b_448 9.66B 100亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_10b_896 9.67B 100亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 9B 语言模型为 42 层。此模型已在混合数据集上进行预训练。
pali_gemma2_mix_28b_224 27.65B 280亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_mix_28b_448 27.65B 280亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。此模型已在广泛的视觉-语言任务和领域上进行微调。
pali_gemma2_pt_28b_224 27.65B 280亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_448 27.65B 280亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。此模型已在混合数据集上进行预训练。
pali_gemma2_pt_28b_896 27.65B 280亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器为 27 层,Gemma2 27B 语言模型为 46 层。此模型已在混合数据集上进行预训练。

token_embedding 属性

keras_hub.models.PaliGemmaBackbone.token_embedding

一个用于嵌入 token ID 的 keras.layers.Embedding 实例。

此层将整数 token ID 嵌入到模型的隐藏维度中。