► Keras 3 API 文档 / KerasHub / 预训练模型 / Roberta / RobertaTextClassifier 模型

RobertaTextClassifier 模型

[来源]

RobertaTextClassifier 类

keras_hub.models.RobertaTextClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    activation=None,
    hidden_dim=None,
    dropout=0.0,
    **kwargs
)

用于分类任务的端到端 RoBERTa 模型。

此模型将分类头附加到 keras_hub.model.RobertaBackbone 实例，将主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，请参见 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。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“原样”提供，没有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 此处 获得。

参数

  • backbone: keras_hub.models.RobertaBackbone 实例。
  • num_classes: int。要预测的类别数量。
  • preprocessor: keras_hub.models.RobertaTextClassifierPreprocessor 或 None。如果为 None，此模型不会应用预处理，并且应在调用模型之前预处理输入。
  • activation: 可选的 str 或可调用对象。要在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。池化层的大小。
  • dropout: float。dropout 概率值，应用于池化输出，以及第一个密集层之后。

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.RobertaTextClassifier.from_preset(
    "roberta_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.RobertaTextClassifier.from_preset(
    "roberta_base_en",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义主干和词汇表。

features = ["a quick fox", "a fox quick"]
labels = [0, 3]

vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_hub.models.RobertaTokenizer(
    vocabulary=vocab,
    merges=merges
)
preprocessor = keras_hub.models.RobertaTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.RobertaBackbone(
    vocabulary_size=20,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128
)
classifier = keras_hub.models.RobertaTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

RobertaTextClassifier.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. 内置的预设标识符，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。从特定于任务的基类（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，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，保存的权重将加载到模型架构中。如果为 False，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
roberta_base_en 124.05M 12 层 RoBERTa 模型，保持大小写。在英语维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型，保持大小写。在英语维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型，保持大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，保持大小写。在 100 种语言的 CommonCrawl 上训练。

backbone 属性

keras_hub.models.RobertaTextClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.RobertaTextClassifier.preprocessor

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

RobertaTextClassifier 模型
RobertaTextClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性