KerasHub:预训练模型 / API 文档 / 模型架构 / XLNet / XLNetBackbone 模型

XLNetBackbone 模型

[源]

XLNetBackbone

keras_hub.models.XLNetBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.0,
    activation="gelu",
    kernel_initializer_range=0.02,
    bias_initializer="zeros",
    dtype=None,
    **kwargs
)

XLNet 编码器网络。

此类实现了 XLNet Transformer。

默认构造函数提供了一个完全可定制的、随机初始化的 XLNet 编码器,其层数、注意力头数和嵌入维度均可自定义。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,不附带任何形式的担保或条件。

属性

  • vocabulary_size:int。token 词汇表的大小。
  • num_layers:int。transformer 编码器层的数量。
  • num_heads:int,keras.layers.TwoStreamRelativeAttention 层中的注意力头数量。
  • hidden_dim:int,隐藏状态的大小。
  • intermediate_dim:int,前馈网络中的隐藏层大小。
  • dropout:float,默认为 0.0,dropout 值,由 keras.layers.TwoStreamRelativeAttention 和前馈网络共享。
  • activation:string 或 keras.activations,默认为 "gelu"。前馈网络的激活函数。
  • kernel_initializer_range:int,默认为 0.02。密集层和相对注意力层的核初始化范围。
  • bias_initializer:string 或 keras.initializers initializer,默认为 "zeros"。密集层和多头相对注意力层的偏置初始化器。
  • 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)无论 dtype 如何,都将始终以 float32 精度完成。

调用参数

  • token_ids:输入序列 token 在词汇表中的索引,形状为 [batch_size, sequence_length]
  • segment_ids:段 token 索引,用于指示输入的第一部分和第二部分,形状为 [batch_size, sequence_length]
  • padding_mask:遮罩,用于避免对填充 token 索引执行注意力操作,形状为 [batch_size, sequence_length]

示例

import numpy as np
from keras_hub.src.models import XLNetBackbone

input_data = {
    "token_ids": np.array(
        [460, 5272, 1758, 4905, 9, 4, 3], shape=(1, 7),
    ),
    "segment_ids": np.array(
        [0, 0, 0, 0, 0, 0, 2], shape=(1, 7),
    ),
    "padding_mask": np.array(
        [1, 1, 1, 1, 1, 1, 1], shape=(1, 7)
    ),
}

# Randomly initialized XLNet encoder with a custom config
model = keras_hub.models.XLNetBackbone(
    vocabulary_size=32000,
    num_layers=12,
    num_heads=12,
    hidden_dim=768,
    intermediate_dim=3072,
)
output = model(input_data)

[源]

from_preset 方法

XLNetBackbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Backbone

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入:

  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之一调用。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,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,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,
)

token_embedding 属性

keras_hub.models.XLNetBackbone.token_embedding

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

此层将整数 token ID 嵌入到模型的隐藏维度中。