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[源代码]¶
构建与 Llama3 模型关联的解码器，并添加融合的交叉注意力层。这包括： - 词汇嵌入 - num_layers 个 CausalSelfAttention 块 - 每隔 fusion_interval 个层添加一个融合的交叉注意力层 - 应用于 Transformer 输出的 RMS Norm 层 - 最终投影到词汇空间
- 参数：
vocab_size (int) – 词汇表中的标记数量。
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标记数量。
num_heads (int) – 查询头的数量。对于 MHA，这也是键和值的头部数量。
num_kv_heads (int) – 键和值的头部数量。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) – 自注意力嵌入维度。
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。
- 返回值：
Llama 3.2 视觉解码器的实例化。
- 返回类型：
