MaskedLMHead 层

[来源]

MaskedLMHead 类

keras_hub.layers.MaskedLMHead(
    vocabulary_size=None,
    token_embedding=None,
    intermediate_activation="relu",
    activation=None,
    layer_norm_epsilon=1e-05,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    **kwargs
)

掩码语言模型 (MaskedLM) 头部。

此层接收两个输入

• inputs：应为形状为 (batch_size, sequence_length, hidden_dim) 的编码令牌张量。
• mask_positions：应为形状为 (batch_size, masks_per_sequence) 的整数位置张量，用于预测。

令牌编码通常应为编码器模型的最后一个输出，而掩码位置应为您想要预测 MaskedLM 任务的整数位置。

该层将首先收集掩码位置处的令牌编码。这些收集的令牌将通过与编码维度相同大小的密集层，然后转换为与输入词汇表大小相同的预测。此层将生成形状为 (batch_size, masks_per_sequence, vocabulary_size) 的单个输出，可用于计算 MaskedLM 损失函数。

此层通常与 keras_hub.layers.MaskedLMMaskGenerator 配合使用，这将有助于为 MaskedLM 任务准备输入。

参数

• vocabulary_size：预测的词汇表总大小。
• token_embedding：可选。一个 keras_hub.layers.ReversibleEmbedding 实例。如果传递，该层将用于从模型的 hidden_dim 投影到输出 vocabulary_size。
• intermediate_activation：中间密集层的激活函数。
• activation：该层输出的激活函数。通常为 None（返回 logits）或 "softmax"（返回概率）。
• layer_norm_epsilon：浮点数。层归一化组件中的 epsilon 值。默认为 1e-5。
• kernel_initializer：字符串或 keras.initializers 初始化器。密集层和多头注意力层的内核初始化器。默认为 "glorot_uniform"。
• bias_initializer：字符串或 keras.initializers 初始化器。密集层和多头注意力层的偏差初始化器。默认为 "zeros"。
• **kwargs：传递给 keras.layers.Layer 的其他关键字参数，包括 name、trainable、dtype 等。

示例

batch_size = 16
vocab_size = 100
hidden_dim = 32
seq_length = 50

# Generate random inputs.
token_ids = np.random.randint(vocab_size, size=(batch_size, seq_length))
# Choose random positions as the masked inputs.
mask_positions = np.random.randint(seq_length, size=(batch_size, 5))

# Embed tokens in a `hidden_dim` feature space.
token_embedding = keras_hub.layers.ReversibleEmbedding(
    vocab_size,
    hidden_dim,
)
hidden_states = token_embedding(token_ids)

preds = keras_hub.layers.MaskedLMHead(
    vocabulary_size=vocab_size,
    token_embedding=token_embedding,
    activation="softmax",
)(hidden_states, mask_positions)

参考文献

• Press 和 Wolf，2016 年