DebertaV3TextClassifier 模型
DebertaV3TextClassifier 类
keras_hub.models.DebertaV3TextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
用于分类任务的端到端 DeBERTa 模型。
此模型将分类头附加到 keras_hub.model.DebertaV3Backbone 模型，从骨干输出映射到适合分类任务的 logits 输出。有关使用此模型与预训练权重的用法，请参见 from_preset() 方法。
此模型可以选择配置一个 preprocessor 层，在这种情况下，它会在 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。
注意：DebertaV3Backbone 在 TPU 上存在性能问题，我们建议使用其他模型进行 TPU 训练和推理。
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。底层模型由第三方提供，并受单独许可的约束，可在此处获得 here。
参数
- backbone:
keras_hub.models.DebertaV3实例。 - num_classes: int。要预测的类别数。
- preprocessor:
keras_hub.models.DebertaV3TextClassifierPreprocessor或None。如果为None，此模型将不应用预处理，并且输入应在调用模型之前进行预处理。 - activation: 可选的
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。默认为None。 - hidden_dim: int。池化层的尺寸。
- dropout: float。应用于池化输出的 dropout 概率。对于第二个 dropout 层，使用
backbone.dropout。
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.DebertaV3TextClassifier.from_preset(
"deberta_v3_base_en",
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)
预处理后的整数数据。
features = {
"token_ids": np.ones(shape=(2, 12), dtype="int32"),
"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.DebertaV3TextClassifier.from_preset(
"deberta_v3_base_en",
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]
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(features)
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=10,
model_type="WORD",
pad_id=0,
bos_id=1,
eos_id=2,
unk_id=3,
pad_piece="[PAD]",
bos_piece="[CLS]",
eos_piece="[SEP]",
unk_piece="[UNK]",
)
tokenizer = keras_hub.models.DebertaV3Tokenizer(
proto=bytes_io.getvalue(),
)
preprocessor = keras_hub.models.DebertaV3TextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.DebertaV3Backbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.DebertaV3TextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DebertaV3TextClassifier.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
- 内置预设标识符，如
'bert_base_en' - Kaggle 模型句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 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() 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()）。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出来。
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，则将保存的权重加载到模型体系结构中。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,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| deberta_v3_extra_small_en | 70.68M | 12 层 DeBERTaV3 模型，其中保留了大小写。在英文维基百科、BookCorpus 和 OpenWebText 上进行训练。 |
| deberta_v3_small_en | 141.30M | 6 层 DeBERTaV3 模型，其中保留了大小写。在英文维基百科、BookCorpus 和 OpenWebText 上进行训练。 |
| deberta_v3_base_en | 183.83M | 12 层 DeBERTaV3 模型，其中保留了大小写。在英文维基百科、BookCorpus 和 OpenWebText 上进行训练。 |
| deberta_v3_large_en | 434.01M | 24 层 DeBERTaV3 模型，其中保留了大小写。在英文维基百科、BookCorpus 和 OpenWebText 上进行训练。 |
| deberta_v3_base_multi | 278.22M | 12 层 DeBERTaV3 模型，其中保留了大小写。在 2.5TB 多语言 CC100 数据集上进行训练。 |
backbone 属性
keras_hub.models.DebertaV3TextClassifier.backbone
具有核心体系结构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.DebertaV3TextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。