► Keras 3 API 文档 / KerasHub / 预训练模型 / DebertaV3 / DebertaV3MaskedLM 模型

DebertaV3MaskedLM 模型

[来源]

DebertaV3MaskedLM 类

keras_hub.models.DebertaV3MaskedLM(backbone, preprocessor=None, **kwargs)

一个用于掩码语言建模任务的端到端 DeBERTaV3 模型。

此模型将在掩码语言建模任务上训练 DeBERTaV3。该模型将预测输入数据中多个掩码标记的标签。有关使用预训练权重的此模型的用法，请参阅 from_preset() 方法。

此模型可以选择性地配置 preprocessor 层，在这种情况下，输入可以在 fit()、predict() 和 evaluate() 期间是原始字符串特征。输入将在训练和评估期间被标记化并动态掩码。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，不提供任何形式的担保或条件。基础模型由第三方提供，并受单独许可的约束，可在此处获得 此处。

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.DebertaV3MaskedLM.from_preset(
    "deberta_v3_base_en",
)
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),
}
# Labels are the original masked values.
labels = [[3, 5]] * 2

masked_lm = keras_hub.models.DebertaV3MaskedLM.from_preset(
    "deberta_v3_base_en",
    preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

DebertaV3MaskedLM.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个 keras_hub.models.Task。

预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。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（例如 keras_hub.models.CausalLM.from_preset()）或从模型类（例如 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，则将保存的权重加载到模型架构中。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
deberta_v3_extra_small_en 70.68M 12 层 DeBERTaV3 模型，保持大小写。在英语维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 6 层 DeBERTaV3 模型，保持大小写。在英语维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 12 层 DeBERTaV3 模型，保持大小写。在英语维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_large_en 434.01M 24 层 DeBERTaV3 模型，保持大小写。在英语维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi 278.22M 12 层 DeBERTaV3 模型，保持大小写。在 2.5TB 多语言 CC100 数据集上训练。

backbone 属性

keras_hub.models.DebertaV3MaskedLM.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.DebertaV3MaskedLM.preprocessor

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

DebertaV3MaskedLM 模型
DebertaV3MaskedLM 类
from_preset 方法
backbone 属性
preprocessor 属性