llama3_2_vision_decoder

torchtune.models.llama3_2_vision.llama3_2_vision_decoder(*, vocab_size: int, num_layers: int, fusion_interval: int, num_special_tokens: int, num_heads: int, num_kv_heads: int, embed_dim: int, max_seq_len: int, encoder_max_seq_len: int, rope_base: int = 500000.0, intermediate_dim: Optional[int] = None) → TransformerDecoder

构建与 Llama3 模型相关的解码器，并增加额外的融合交叉注意力层。其中包括： - Token 嵌入 - num_layers 个 CausalSelfAttention 块 - 每隔 fusion_interval 层包含融合交叉注意力层 - 应用于 Transformer 输出的 RMS Norm 层 - 最终投射到 Token 空间

参数:

• vocab_size (int) – 词汇表中的 Token 数量。

• num_layers (int) – Transformer 解码器中的层数。

• fusion_interval (int) – 融合层之间的层间隔数。

• num_special_tokens (int) – 为融合模型添加的特殊 Token 数量。

• num_heads (int) – 查询头数量。对于 MHA，这也是 key 和 value 的头数量。

• num_kv_heads (int) – key 和 value 的头数量。用户应确保 num_heads % num_kv_heads == 0。对于标准 MHA，设置 num_kv_heads == num_heads；对于 GQA，num_kv_heads < num_heads；对于 MQA，设置 num_kv_heads == 1。

• embed_dim (int) – 自注意力机制的嵌入维度。

• max_seq_len (int) – 模型运行时的最大序列长度，由 KVCache() 使用。

• encoder_max_seq_len (int) – 编码器运行时的最大序列长度，由 KVCache() 使用。

• intermediate_dim (Optional[int]) – MLP 的中间维度。如果未指定，则使用 scale_hidden_dim_for_mlp() 计算。

返回:

Llama 3.2 vision 解码器的实例化。

返回类型:

TransformerDecoder