GPTNeoXBackbone 模型

[源代码]

GPTNeoXBackbone 类

keras_hub.models.GPTNeoXBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    dropout=0.0,
    rotary_percentage=0.25,
    rotary_max_wavelength=10000,
    layer_norm_epsilon=1e-05,
    max_sequence_length=512,
    dtype=None,
    **kwargs
)

具有超参数的 GPT-NeoX 核心网络。

此网络实现了基于 Transformer 的解码器网络，生成式预训练 Transformer-Neo-X (GPTNeoX)，如 “GPT-NeoX-20B：一个开源自回归语言模型” 中所述。它包括嵌入查找和 Transformer 层。

默认构造函数提供了一个完全可定制、随机初始化的 GPT-NeoX 模型，具有任意数量的层、头和嵌入维度。

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：整数。词元词汇表的大小。
• num_layers：整数。Transformer 层的数量。
• num_heads: int。每个 Transformer 的注意力头数。隐藏层维度必须能被注意力头数整除。
• hidden_dim: int。Transformer 编码和池化层的大小。
• intermediate_dim：整数。每个 Transformer 的双层前馈网络中第一个 Dense 层的输出维度。
• dropout：浮点数。Transformer 编码器的 dropout 概率。
• layer_norm_epsilon：浮点数。添加到分母以提高数值稳定性的值。
• rotary_max_wavelength：整数。正弦/余弦曲线的最大角波长，用于旋转嵌入。
• rotary_percentage：浮点数。查询、键、值矩阵的旋转百分比
• max_sequence_length：整数。此编码器可消耗的最大序列长度。如果为 None，则 max_sequence_length 使用序列长度的值。这决定了位置嵌入的变量形状。
• 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，例如 softmax 和层归一化，无论 dtype 如何，都将始终以 float32 精度完成。

[源代码]

from_preset 方法

GPTNeoXBackbone.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. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个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。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根据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：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。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,
)

token_embedding 属性

keras_hub.models.GPTNeoXBackbone.token_embedding

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

该层将整数词元 ID 嵌入到模型的隐藏维度。

[源代码]

enable_lora 方法

GPTNeoXBackbone.enable_lora(rank, target_names=None)

在骨干网络上启用 LoRA。

调用此方法将冻结骨干网络上的所有权重，同时在注意力层的查询和值 EinsumDense 层上启用 LoRA。