PaliGemmaBackbone 模型

[来源]

PaliGemmaBackbone 类

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
)

带有超参数的 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、一个文本标记嵌入层，以及一个后端无关的连接操作，用于构建混合类型嵌入（视觉和文本）的表示序列。然后，连接后的序列将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标记的概率值。

有关更高级别的文本生成对象，请参阅 keras_hub.models.PaliGemmaCausalLM。

默认构造函数提供了一个完全可自定义的、随机初始化的 PaliGemma 模型，该模型具有任意数量的 vit 层、头、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。 标记词汇表的大小。
• 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数。
• num_key_value_heads: int。 混合解码器注意力层中键和值投影的头数。
• 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的大小。
• vit_patch_size: int。 输入图像中每个正方形补丁的大小。
• vit_num_heads: int。 视觉（图像）Transformer 编码器的注意力头数。
• 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_pooling: None 或 string。 编码的视觉嵌入使用指定的池化设置进行池化。接受的值为 "map"、"gap"、"0" 或 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，则在注意力之前使用 head_dim 归一化查询。如果为 False，则使用 hidden_dim / num_query_heads 归一化查询。默认为 True。
• use_post_ffw_norm: boolean。 是否在前馈块之后进行归一化。默认为 False。
• use_post_attention_norm: boolean。 是否在注意力块之后进行归一化。默认为 False。
• attention_logit_soft_cap: None 或 int。 注意力 logits 的软上限。默认为 None。
• final_logit_soft_cap: None 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 块中每个层归一化使用的 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。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"),
    "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。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递

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()，也可以从模型类调用，例如 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，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.PaliGemmaBackbone.token_embedding

用于嵌入标记 ID 的 keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的隐藏维度中。