KerasHub: 预训练模型 / API 文档 / 模型架构 / Roberta / RobertaBackbone 模型

RobertaBackbone 模型

[源]

RobertaBackbone

keras_hub.models.RobertaBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.1,
    max_sequence_length=512,
    dtype=None,
    **kwargs
)

RoBERTa 编码器网络。

该网络实现了双向 Transformer 编码器,如 "RoBERTa: A Robustly Optimized BERT Pretraining Approach" 中所述。它包含嵌入查找和 Transformer 层,但不包含预训练期间使用的掩码语言模型头。

默认构造函数提供了一个完全可定制、随机初始化的 RoBERTa 编码器,可包含任意数量的层、头和嵌入维度。要加载预设架构和权重,请使用 from_preset() 构造函数。

免责声明:预训练模型按“原样”提供,不附带任何形式的保证或条件。底层模型由第三方提供,并受单独许可的约束,可在此处获取。

参数

  • vocabulary_size: int. 词汇表大小。
  • num_layers: int. Transformer 层数。
  • num_heads: int. 每个 Transformer 的注意力头数量。隐藏层维度必须能被注意力头数量整除。
  • hidden_dim: int. Transformer 编码层的大小。
  • intermediate_dim: int. 每个 Transformer 中两层前馈网络中第一层 Dense 层的输出维度。
  • dropout: float. Transformer 编码器的 Dropout 概率。
  • max_sequence_length: int. 此编码器可接受的最大序列长度。输入的序列长度必须小于 max_sequence_length 的默认值。这决定了位置嵌入的变量形状。
  • 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,无论 dtype 如何。

示例

input_data = {
    "token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "padding_mask": np.array(
        [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0], shape=(1, 12)),
}

# Pretrained RoBERTa encoder
model = keras_hub.models.RobertaBackbone.from_preset("roberta_base_en")
model(input_data)

# Randomly initialized RoBERTa model with custom config
model = keras_hub.models.RobertaBackbone(
    vocabulary_size=50265,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
model(input_data)

[源]

from_preset 方法

RobertaBackbone.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、权重和其他文件资产的目录,用于保存和加载预训练模型。preset 可以以下列方式之一传递:

  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'

此构造函数可通过以下两种方式之一调用。从基类调用,例如 keras_hub.models.Backbone.from_preset(),或从模型类调用,例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用,返回对象的子类将根据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
roberta_base_en 124.05M 12 层 RoBERTa 模型,保持大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型,保持大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型,保持大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型,保持大小写。在 100 种语言的 CommonCrawl 上训练。

token_embedding 属性

keras_hub.models.RobertaBackbone.token_embedding

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

此层将整数 token ID 嵌入到模型的隐藏维度。