PaliGemmaCausalLM
类keras_hub.models.PaliGemmaCausalLM(preprocessor, backbone, **kwargs)
用于因果语言建模的端到端多模态 PaliGemma 模型。
因果语言模型 (LM) 根据先前的 token 预测下一个 token。这种任务设置可用于在图像和纯文本输入上对模型进行无监督训练,或自回归地生成与训练数据相似的纯文本。
此模型具有 generate()
方法,用于根据提示生成文本。生成策略由 compile()
上的附加参数 sampler
控制。您可以使用不同的 keras_hub.samplers
对象重新编译模型来控制生成。默认情况下,将使用 "greedy"
采样。
此模型可以选择使用 preprocessor
层进行配置,在这种情况下,它将在 fit()
、predict()
、evaluate()
和 generate()
期间自动对字符串输入应用预处理。使用 from_preset()
创建模型时,默认执行此操作。
参数
keras_hub.models.PaliGemmaBackbone
实例。keras_hub.models.PaliGemmaCausalLMPreprocessor
或 None
。如果为 None
,此模型将不应用预处理,并且应在调用模型之前对输入进行预处理。示例
使用 generate()
进行文本生成。
image = np.random.rand(224, 224, 3)
pali_gemma_lm = keras_hub.models.PaliGemmaCausalLM.from_preset(
"pali_gemma_3b_mix_224"
)
pali_gemma_lm.generate(
{
"images": image,
"text": ["answer en where is the cow standing?\n"]
}
)
# Generate with batched prompts.
pali_gemma_lm.generate(
{
"images": [image, image],
"text": ["answer en where is the cow standing?\n", "caption en\n"]
}
)
在不进行预处理的情况下使用 generate()
。
image = np.random.rand(224, 224, 3)
inputs = {
"images": [image, image],
# Token ids for "<bos> Keras is".
"token_ids": np.array([[2, 214064, 603, 0, 0, 0, 0]] * 2),
# Use `"padding_mask"` to indicate values that should not be overridden.
"padding_mask": np.array([[1, 1, 1, 0, 0, 0, 0]] * 2),
}
pali_gemma_lm = keras_hub.models.PaliGemmaCausalLM.from_preset(
"pali_gemma_3b_mix_224",
preprocessor=None,
)
pali_gemma_lm.generate(inputs)
自定义 backbone 和词汇表。
tokenizer = keras_hub.models.PaliGemmaTokenizer(
proto="proto.spm",
)
preprocessor = keras_hub.models.PaliGemmaCausalLMPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.PaliGemmaBackbone()
pali_gemma_lm = keras_hub.models.PaliGemmaCausalLM(
backbone=backbone,
preprocessor=preprocessor,
)
from_preset
方法PaliGemmaCausalLM.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、权重和其他文件资产的目录。preset
可以以下列形式之一传递:
'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。
此构造函数可通过两种方式之一调用。可以从特定任务的基类(例如 keras_hub.models.CausalLM.from_preset()
)调用,也可以从模型类(例如 keras_hub.models.BertTextClassifier.from_preset()
)调用。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。
参数
True
,则会将保存的权重加载到模型架构中。如果为 False
,则所有权重都将随机初始化。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 |
---|---|---|
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 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_pt_3b_224 | 3.03B | 30亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma_2_ft_docci_3b_448 | 3.03B | 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在 DOCCI 数据集上进行微调,以改进具有精细细节的描述。 |
pali_gemma2_mix_3b_448 | 3.03B | 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_pt_3b_448 | 3.03B | 30亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_pt_3b_896 | 3.04B | 30亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 2B 语言模型包含 26 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_mix_10b_224 | 9.66B | 100亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_pt_10b_224 | 9.66B | 100亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_ft_docci_10b_448 | 9.66B | 100亿参数,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在 DOCCI 数据集上进行微调,以改进具有精细细节的描述。 |
pali_gemma2_mix_10b_448 | 9.66B | 100亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_pt_10b_448 | 9.66B | 100亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_pt_10b_896 | 9.67B | 100亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 9B 语言模型包含 42 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_mix_28b_224 | 27.65B | 280亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 27B 语言模型包含 46 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_mix_28b_448 | 27.65B | 280亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 27B 语言模型包含 46 层。此模型已在广泛的视觉-语言任务和领域上进行了微调。 |
pali_gemma2_pt_28b_224 | 27.65B | 280亿参数,图像尺寸 224,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 27B 语言模型包含 46 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_pt_28b_448 | 27.65B | 280亿参数,图像尺寸 448,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 27B 语言模型包含 46 层。此模型已在混合数据集上进行了预训练。 |
pali_gemma2_pt_28b_896 | 27.65B | 280亿参数,图像尺寸 896,SigLIP-So400m 视觉编码器包含 27 层,Gemma2 27B 语言模型包含 46 层。此模型已在混合数据集上进行了预训练。 |
generate
方法PaliGemmaCausalLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
给定提示 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通过 compile()
方法设置。
如果 inputs
是 tf.data.Dataset
,则输出将“逐批”生成并连接。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
层期望的结构(通常是原始字符串)匹配。如果未附加 preprocessor
,则输入应与 backbone
期望的结构匹配。请参阅上面的使用示例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
层期望的结构匹配。如果未附加 preprocessor
,则 inputs
应与 backbone
模型期望的结构匹配。preprocessor
中配置的最大 sequence_length
。如果 preprocessor
为 None
,则 inputs
应填充到所需的***长,并且此参数将被忽略。None
、“auto”或 token ID 元组。默认为“auto”,它使用 preprocessor.tokenizer.end_token_id
。未指定 processor 将导致错误。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 token ID 列表。请注意,token 序列中的每个 token 都将被解释为一个停止 token,不支持多 token 停止序列。backbone
属性keras_hub.models.PaliGemmaCausalLM.backbone
具有核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.PaliGemmaCausalLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。