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，并添加额外的融合交叉注意力层。这包括： - 词嵌入 - num_layers数量的CausalSelfAttention块 - 每fusion_interval层数添加融合交叉注意力层 - 应用于变压器输出的RMS归一化层 - 最终投影到词空间

Parameters:

• 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) – 融合层之间的层数间隔。

• num_special_tokens (int) – 为融合模型添加的特殊标记的数量。

• num_heads (int) – 查询头的数量。对于MHA来说，这也是键和值的头的数量。

• num_kv_heads (int) – 键和值头的数量。用户应确保 num_heads % num_kv_heads == 0。对于标准的MHA，设置num_kv_heads == num_heads， 对于GQA，设置num_kv_heads < num_heads，对于MQA，设置num_kv_heads == 1。

• embed_dim (int) – 自注意力的嵌入维度。

• max_seq_len (int) – 模型将运行的最大序列长度，由KVCache()使用。

• encoder_max_seq_len (int) – 编码器将运行的最大序列长度，由KVCache()使用。

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

Returns:

Llama 3.2 视觉解码器的实例化。

Return type:

TransformerDecoder