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

BertTextClassifier 模型

[来源]

BertTextClassifier 类

keras_hub.models.BertTextClassifier(
    backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)

用于分类任务的端到端 BERT 模型。

此模型将分类头附加到 keras_hub.model.BertBackbone 实例，将骨干输出映射到适合分类任务的 logits。要将此模型与预训练权重一起使用，请使用 from_preset() 构造函数。

此模型可以选择配置 preprocessor 层，在这种情况下，它将在 fit()、predict() 和 evaluate() 期间自动对原始输入应用预处理。在使用 from_preset() 创建模型时，默认情况下会执行此操作。

免责声明：预训练模型按“现状”提供，不提供任何形式的担保或条件。

参数

  • backbone: keras_hub.models.BertBackbone 实例。
  • num_classes: int。要预测的类别数。
  • preprocessor: keras_hub.models.BertTextClassifierPreprocessor 或 None。如果为 None，则此模型不会应用预处理，并且应在调用模型之前对输入进行预处理。
  • activation: 可选 str 或可调用对象。要对模型输出使用的激活函数。设置 activation="softmax" 以返回输出概率。默认值为 None。
  • dropout: float。密集层之后应用的 dropout 概率值。

示例

原始字符串数据。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]

# Pretrained classifier.
classifier = keras_hub.models.BertTextClassifier.from_preset(
    "bert_base_en_uncased",
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
classifier.predict(x=features, batch_size=2)

# Re-compile (e.g., with a new learning rate).
classifier.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`).
classifier.backbone.trainable = False
# Fit again.
classifier.fit(x=features, y=labels, batch_size=2)

预处理的整数数据。

features = {
    "token_ids": np.ones(shape=(2, 12), dtype="int32"),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]] * 2),
    "padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]] * 2),
}
labels = [0, 3]

# Pretrained classifier without preprocessing.
classifier = keras_hub.models.BertTextClassifier.from_preset(
    "bert_base_en_uncased",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义骨干和词汇表。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]

vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(
    vocabulary=vocab,
)
preprocessor = keras_hub.models.BertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.BertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_hub.models.BertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

BertTextClassifier.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，都可以运行 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。从任务特定的基类调用，如 keras_hub.models.CausalLM.from_preset()，或从模型类调用，如 keras_hub.models.BertTextClassifier.from_preset()。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: string。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: bool。如果为 True，则保存的权重将加载到模型体系结构中。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 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 骨干模型。

backbone 属性

keras_hub.models.BertTextClassifier.backbone

具有核心体系结构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.BertTextClassifier.preprocessor

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

BertTextClassifier 模型
BertTextClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性