KerasHub: 预训练模型 / API 文档 / 模型架构 / T5 / T5Backbone 模型

T5Backbone 模型

[来源]

T5Backbone

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),在无监督和有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。T5 通过在输入序列前添加各种前缀(例如,翻译任务:“translate English to German: ...”,摘要任务:“summarize: ...”)可以开箱即用地在各种任务上表现良好。

T5 是在 探索迁移学习的极限与统一的文本到文本 Transformer 模型 (Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer) 中提出的

默认构造函数提供了一个完全可定制、随机初始化的 T5 模型,可以有任意数量的层、注意力头和嵌入维度。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。

参数

  • vocabulary_size: int。词汇表大小。
  • num_layers: int。Transformer 层的数量。
  • num_heads: int。每个 Transformer 的注意力头数量。隐藏维度 (hidden size) 必须能被注意力头数量整除。
  • hidden_dim: int。Transformer 层的隐藏维度。
  • intermediate_dim: int。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: int。多头注意力层中键/值投影的每个注意力头的维度。默认为 hidden_dim / num_heads。
  • dropout: float。Transformer 层的 Dropout 概率。
  • activation: string。Transformer 层的密集块中使用的激活函数。
  • use_gated_activation: boolean。是否在 Transformer 层的内部密集块中使用激活门控。当与 GELU 激活函数一起使用时,这被称为 GEGLU(门控 GLU),来自 https://arxiv.org/pdf/2002.05202。原始 T5 架构没有使用门控,但更新版本使用了。默认为 True
  • layer_norm_epsilon: float。Transformer 层的层归一化层中使用的 epsilon 因子。
  • tie_embedding_weights: boolean。如果为 True,则词元嵌入的权重与将语言模型输出从 hidden_dim 投影的权重绑定。
  • dtype: string 或 keras.mixed_precision.DTypePolicy。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 精度进行,无论 dtype 如何。

[来源]

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 可以作为以下之一传递:

  1. 内置预设标识符,如 'bert_base_en'
  2. Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 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调用。既可以从基类调用,如 keras_hub.models.Backbone.from_preset(),也可以从模型类调用,如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用,则返回对象的子类将从预设目录中的配置推断。

对于任何 Backbone 子类,您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

参数

  • preset: 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,则会将权重加载到模型架构中。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,
)
预设 参数 描述
t5_small_multi 0 8 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
t5_base_multi 0 12 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
t5_large_multi 0 24 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
flan_small_multi 0 8 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
flan_base_multi 0 12 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
flan_large_multi 0 24 层 T5 模型。在 Colossal Clean Crawled Corpus (C4) 数据集上训练。
t5_1.1_small 60.51M
t5_1.1_base 247.58M
t5_1.1_large 750.25M
t5_1.1_xl 2.85B
t5_1.1_xxl 11.14B

token_embedding 属性

keras_hub.models.T5Backbone.token_embedding

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

此层将整数词元 ID 嵌入到模型的隐藏维度中。