MaskedLM

[源代码]

MaskedLM 类

keras_hub.models.MaskedLM()

掩码语言建模任务的基类。

MaskedLM 任务封装了一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor，以创建一个模型，该模型可用于使用掩码语言建模损失进行无监督微调。

调用 fit() 时，所有输入都将被分词，并且输入序列中的随机标记将被掩码。这些掩码标记的位置将作为额外的模型输入提供，并且模型输出预测标记的原始值。

所有 MaskedLM 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和权重。

示例

# Load a Bert MaskedLM with pre-trained weights.
masked_lm = keras_hub.models.MaskedLM.from_preset(
    "bert_base_en",
)
masked_lm.fit(train_ds)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Task。

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 可以作为以下之一传递：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle 模型句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './bert_base_en'

对于任何 Task 子类，您都可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。

此构造函数可以通过两种方式之一调用。从任务特定的基类（如 keras_hub.models.CausalLM.from_preset()）或从模型类（如 keras_hub.models.BertTextClassifier.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得出。

参数

• preset：字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：布尔值。如果为 True，则保存的权重将加载到模型架构中。如果为 False，则所有权重都将随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

[源代码]

compile 方法

MaskedLM.compile(optimizer="auto", loss="auto", weighted_metrics="auto", **kwargs)

配置 MaskedLM 任务以进行训练。

MaskedLM 任务扩展了 keras.Model.compile 的默认编译签名，其中包含 optimizer、loss 和 weighted_metrics 的默认值。要覆盖这些默认值，请在编译期间将任何值传递给这些参数。

请注意，由于训练输入包括从损失中排除的填充标记，因此几乎始终建议使用 weighted_metrics 而非 metrics 进行编译。

参数

• optimizer："auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它使用给定模型和任务的默认优化器。有关可能的 optimizer 值的更多信息，请参阅 keras.Model.compile 和 keras.optimizers。
• loss："auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，其中将为标记分类 MaskedLM 任务应用 keras.losses.SparseCategoricalCrossentropy 损失。有关可能的 loss 值的更多信息，请参阅 keras.Model.compile 和 keras.losses。
• weighted_metrics："auto" 或模型在训练和测试期间要评估的指标列表。默认为 "auto"，其中将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪模型在猜测掩码标记值时的准确性。有关可能的 weighted_metrics 值的更多信息，请参阅 keras.Model.compile 和 keras.metrics。
• **kwargs：有关编译方法支持的参数的完整列表，请参阅 keras.Model.compile。

[源代码]

save_to_preset 方法

MaskedLM.save_to_preset(preset_dir)

将任务保存到预设目录。

参数

• preset_dir：本地模型预设目录的路径。

preprocessor 属性

keras_hub.models.MaskedLM.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。

backbone 属性

keras_hub.models.MaskedLM.backbone

具有核心架构的 keras_hub.models.Backbone 模型。