► KerasHub：预训练模型 / API 文档 / 模型架构 / Falcon / FalconBackbone 模型

FalconBackbone 模型

`FalconBackbone` 类

keras_hub.models.FalconBackbone(
    vocabulary_size,
    num_layers,
    num_attention_heads,
    hidden_dim,
    intermediate_dim,
    layer_norm_epsilon=1e-05,
    attention_dropout_rate=0,
    feedforward_dropout_rate=0,
    dtype=None,
    **kwargs
)

Falcon 核心架构。

此网络实现了一个基于 Transformer 的仅解码器网络，Falcon。

参数

vocabulary_size: int。词汇表的大小。
num_layers: int。Transformer 层的数量。
num_attention_heads: int。每个 Transformer 的注意力头数量。隐藏层大小必须能被注意力头数量整除。
hidden_dim: int。嵌入层和隐藏层状态的维度。
intermediate_dim: int。每个 Transformer 的 MLP 网络中第一个 Dense 层的输出维度。
layer_norm_epsilon: float。Transformer 解码器中层归一化层的 Epsilon 值。
attention_dropout_rate: float。注意力机制的 Dropout 概率。
feedforward_dropout_rate: float。前馈网络的 Dropout 概率。
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 精度执行。

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]]),
}

# Pretrained Falcon decoder.
# TODO: Update the preset.
model = keras_hub.models.FalconBackbone.from_preset("falcon_preset")
model(input_data)

# Randomly initialized Falcon decoder with a custom config.
model = keras_hub.models.FalconBackbone(
    vocabulary_size=10,
    num_layers=2,
    num_attention_heads=2,
    hidden_dim=32,
    intermediate_dim=32*4,
    layer_norm_epsilon=1e-5,
    attention_dropout_rate=0,
    feedforward_dropout_rate=0,
    dtype="float32",
)
model(input_data)

[源代码]

`from_preset` 方法

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

从模型预设实例化一个 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 可以以下列方式之一传递：

内置预设标识符，例如 'bert_base_en'
Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
Hugging Face 句柄，例如 'hf://user/bert_base_en'
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（例如 keras_hub.models.Backbone.from_preset()）调用，也可以从模型类（例如 keras_hub.models.GemmaBackbone.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。

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，权重将被加载到模型架构中。如果为 False，权重将被随机初始化。

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
falcon_refinedweb_1b_en	1.31B	24 层 Falcon 模型（拥有 10 亿参数的 Falcon），在 RefinedWeb 数据集的 3500 亿个 token 上训练。

`token_embedding` 属性

keras_hub.models.FalconBackbone.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。

FalconBackbone 模型

FalconBackbone 类

from_preset 方法

token_embedding 属性

FalconBackbone 模型

FalconBackbone 类

from_preset 方法

token_embedding 属性

`FalconBackbone` 类

`from_preset` 方法

`token_embedding` 属性