T5Backbone 模型

[源代码]

T5Backbone 类

keras_hub.models.T5Backbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    key_value_dim=None,
    dropout=0.1,
    activation="relu",
    use_gated_activation=True,
    layer_norm_epsilon=1e-06,
    tie_embedding_weights=True,
    dtype=None,
    **kwargs
)

T5 编码器-解码器骨干模型。

T5 是一个大型语言模型 (LLM)，在无监督和监督任务的混合数据集上进行预训练，其中每个任务都转换为序列到序列的格式。通过在输入序列前添加各种前缀，T5 可以开箱即用地在各种任务上表现良好，例如，对于翻译："translate English to German: ..."，对于摘要："summarize: ..."。

T5 在 Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer 中被介绍。

默认构造函数提供了一个完全可自定义的、随机初始化的 T5 模型，可以设置任意数量的层、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" 基础提供，不提供任何形式的保证或条件。

参数

• vocabulary_size: 整数。词汇表的大小。
• num_layers: 整数。Transformer 层的数量。
• num_heads: 整数。每个 Transformer 的注意力头的数量。隐藏层维度必须能被注意力头的数量整除。
• hidden_dim: 整数。Transformer 层的隐藏层维度。
• intermediate_dim: 整数。每个 Transformer 层的两层前馈网络中第一个 Dense 层的输出维度。
• key_value_dim: 整数。多头注意力层中键/值投影的每个头的维度。默认为 hidden_dim / num_heads。
• dropout: 浮点数。Transformer 层的 Dropout 概率。
• activation: 字符串。Transformer 层的密集块中使用的激活函数。
• use_gated_activation: 布尔值。是否在 Transformer 层的内部密集块中使用门控激活。当与 GELU 激活函数一起使用时，这被称为来自 https://arxiv.org/pdf/2002.05202 的 GEGLU（门控 GLU）。原始 T5 架构没有使用门控，但更新的版本使用了。默认为 True。
• layer_norm_epsilon: 浮点数。在 Transformer 层的层归一化层中使用的 epsilon 因子。
• tie_embedding_weights: 布尔值。如果为 True，则将 token 嵌入的权重与从 hidden_dim 投影语言模型输出的权重绑定。
• dtype: 字符串或 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 精度完成，而与 dtype 无关。

[源代码]

from_preset 方法

T5Backbone.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. 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() 来列出该类上所有可用的内置预设。

参数

• preset: 字符串。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: 布尔值。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.T5Backbone.token_embedding

用于嵌入 token id 的 keras.layers.Embedding 实例。

此层将整数 token id 嵌入到模型的隐藏层维度中。