PaliGemmaBackbone 模型

[源代码]

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
)

具有超参数的PaliGemma核心网络。

此骨干网络实现了混合模态的PaliGemma架构。它包含一个视觉Transformer网络，以及一个文本Token嵌入层，然后通过一个与后端无关的连接操作来构建混合类型嵌入（视觉和文本）的表示序列。之后，连接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代表输出Token的概率值。

有关用于文本生成的更高级别对象，请参阅 keras_hub.models.PaliGemmaCausalLM。

默认构造函数可提供完全可定制的、随机初始化的PaliGemma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：整数。词元词汇表的大小。
• 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隐藏状态的大小。
• intermediate_dim: int. 每个Transformer解码器块的双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尺寸。
• vit_patch_size: int. 输入图像中每个正方形块的大小。
• 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隐藏状态的大小。
• vit_num_layers: int. 视觉Transformer层的数量。
• vit_intermediate_dim: int. 视觉Transformer的双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。 使用指定的池化设置对编码的视觉嵌入进行池化。可接受的值为"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，则在注意力中使用head_dim进行归一化。如果为False，则使用hidden_dim / num_query_heads进行归一化。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logit的软上限。默认为None。
• final_logit_soft_cap: None或int. 最终logit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. 在所有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（如softmax和层归一化）将始终以float32精度进行，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)

[源代码]

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。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个 ModelScope 句柄，例如 'modelscope://user/bert_base_en'。
5. 一个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。要么从基类调用，如 keras_hub.models.Backbone.from_preset()，要么从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将根据预设目录中的配置进行推断。

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：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

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

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

该层将整数词元 ID 嵌入到模型的隐藏维度。