► Keras 3 API 文档 / KerasHub / 预训练模型 / Bert / BertMaskedLM 模型

BertMaskedLM 模型

[来源]

BertMaskedLM 类

keras_hub.models.BertMaskedLM(backbone, preprocessor=None, **kwargs)

用于遮蔽语言建模任务的端到端 BERT 模型。

此模型将在遮蔽语言建模任务上训练 BERT。该模型将预测输入数据中多个遮蔽标记的标签。有关将此模型与预训练权重一起使用的信息，请参见 from_preset() 构造函数。

此模型可以选择配置 preprocessor 层，在这种情况下，输入可以在 fit()、predict() 和 evaluate() 期间为原始字符串特征。输入将在训练和评估期间进行标记化和动态遮蔽。这在使用 from_preset() 创建模型时默认执行。

免责声明：预训练模型按“现状”提供，不附带任何形式的担保或条件。

参数

示例

原始字符串数据。

features = ["The quick brown fox jumped.", "I forgot my homework."]

# Pretrained language model.
masked_lm = keras_hub.models.BertMaskedLM.from_preset(
    "bert_base_en_uncased",
)
masked_lm.fit(x=features, batch_size=2)

# Re-compile (e.g., with a new learning rate).
masked_lm.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=keras.optimizers.Adam(5e-5),
    jit_compile=True,
)
# Access backbone programmatically (e.g., to change `trainable`).
masked_lm.backbone.trainable = False
# Fit again.
masked_lm.fit(x=features, batch_size=2)

预处理的整数数据。

# Create preprocessed batch where 0 is the mask token.
features = {
    "token_ids": np.array([[1, 2, 0, 4, 0, 6, 7, 8]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1]] * 2),
    "mask_positions": np.array([[2, 4]] * 2),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 0, 0, 0]] * 2)
}
# Labels are the original masked values.
labels = [[3, 5]] * 2

masked_lm = keras_hub.models.BertMaskedLM.from_preset(
    "bert_base_en_uncased",
    preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

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

从模型预设实例化 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，如 'bert_base_en'
  2. Kaggle 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 来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。

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，则所有权重将被随机初始化。

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,
)
预设名称 参数 描述
bert_tiny_en_uncased 4.39M 所有输入都小写化的 2 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_small_en_uncased 28.76M 所有输入都小写化的 4 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 所有输入都小写化的 8 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 所有输入都小写化的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_en 108.31M 保持大小写的 12 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_base_zh 102.27M 12 层 BERT 模型。在中文维基百科上训练。
bert_base_multi 177.85M 保持大小写的 12 层 BERT 模型。在 104 种语言的维基百科上训练。
bert_large_en_uncased 335.14M 所有输入都小写化的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_large_en 333.58M 保持大小写的 24 层 BERT 模型。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased_sst2 4.39M bert_tiny_en_uncased 主干模型，在 SST-2 情感分析数据集上微调。

backbone 属性

keras_hub.models.BertMaskedLM.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.BertMaskedLM.preprocessor

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

BertMaskedLM 模型
BertMaskedLM 类
from_preset 方法
backbone 属性
preprocessor 属性