XLMRobertaTextClassifier 模型
XLMRobertaTextClassifier 类
keras_hub.models.XLMRobertaTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
用于分类任务的端到端 XLM-RoBERTa 模型。
此模型将分类头附加到 keras_hub.model.XLMRobertaBackbone 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使用此模型的信息，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“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，并受单独许可的约束，可在 此处 获取。
参数
- backbone: 一个
keras_hub.models.XLMRobertaBackbone实例。 - num_classes: int。要预测的类数。
- preprocessor: 一个
keras_hub.models.XLMRobertaTextClassifierPreprocessor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预处理输入。 - 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。默认为None。 - hidden_dim: int。池化层的尺寸。
- 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.", "نسيت الواجب"]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_hub.models.XLMRobertaTextClassifier.from_preset(
"xlm_roberta_base_multi",
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.XLMRobertaTextClassifier.from_preset(
"xlm_roberta_base_multi",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自定义主干和词汇表。
features = ["The quick brown fox jumped.", "نسيت الواجب"]
labels = [0, 3]
def train_sentencepiece(ds, vocab_size):
bytes_io = io.BytesIO()
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=vocab_size,
model_type="WORD",
unk_id=0,
bos_id=1,
eos_id=2,
)
return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(
proto=proto
)
preprocessor = keras_hub.models.XLMRobertaTextClassifierPreprocessor(
tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.XLMRobertaBackbone(
vocabulary_size=250002,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.XLMRobertaTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
XLMRobertaTextClassifier.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，您都可以运行 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()）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，则保存的权重将被加载到模型架构中。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 |
|---|---|---|
| xlm_roberta_base_multi | 277.45M | 12 层 XLM-RoBERTa 模型，其中保留大小写。在 100 种语言的 CommonCrawl 上训练。 |
| xlm_roberta_large_multi | 558.84M | 24 层 XLM-RoBERTa 模型，其中保留大小写。在 100 种语言的 CommonCrawl 上训练。 |
backbone 属性
keras_hub.models.XLMRobertaTextClassifier.backbone
具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.XLMRobertaTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。