DistilBertTextClassifier 模型
DistilBertTextClassifier 类
keras_hub.models.DistilBertTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.2,
**kwargs
)
用于分类任务的端到端 DistilBERT 模型。
此模型将分类头附加到 keras_hub.model.DistilBertBackbone 实例，将骨干输出映射到适合分类任务的 logits。有关使用预训练权重的此模型，请参阅 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() 期间自动将预处理应用于原始输入。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，不附带任何形式的保证或条件。基础模型由第三方提供，并受单独许可，可在 这里 获取。
参数
- backbone: 一个
keras_hub.models.DistilBert实例。 - num_classes: int。要预测的类数。
- preprocessor: 一个
keras_hub.models.DistilBertTextClassifierPreprocessor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。模型输出上使用的激活函数。将activation="softmax"设置为返回输出概率。默认为None。 - hidden_dim: int。池化层的尺寸。
- dropout: float。dropout 概率值，在第一个密集层之后应用。
示例
原始字符串数据。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Use a shorter sequence length.
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor.from_preset(
"distil_bert_base_en_uncased",
sequence_length=128,
)
# Pretrained classifier.
classifier = keras_hub.models.DistilBertTextClassifier.from_preset(
"distil_bert_base_en_uncased",
num_classes=4,
preprocessor=preprocessor,
)
classifier.fit(x=features, y=labels, 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)
预处理的整型数据。
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.DistilBertTextClassifier.from_preset(
"distil_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.DistilBertTokenizer(
vocabulary=vocab,
)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.DistilBertBackbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.DistilBertTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DistilBertTextClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task。
预设是一个配置、权重和其他文件资产目录，用于保存和加载预训练模型。preset 可以作为以下之一传递
- 内置的预设标识符，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() 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，返回对象的子类将从预设目录中的配置推断出来。
参数
- preset: 字符串。内置的预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
- load_weights: bool。如果为
True，将保存的权重加载到模型架构中。如果为False，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 |
|---|---|---|
| distil_bert_base_en_uncased | 66.36M | 6 层 DistilBERT 模型，所有输入都小写。使用 BERT 作为教师模型在英文维基百科 + BooksCorpus 上进行训练。 |
| distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型，保持大小写。使用 BERT 作为教师模型在英文维基百科 + BooksCorpus 上进行训练。 |
| distil_bert_base_multi | 134.73M | 6 层 DistilBERT 模型，保持大小写。在 104 种语言的维基百科上进行训练 |
backbone 属性
keras_hub.models.DistilBertTextClassifier.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.DistilBertTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。