DebertaV3Classifier 模型
DebertaV3Classifier 类
keras_nlp.models.DebertaV3Classifier(
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_nlp.model.DebertaV3Backbone 模型，将主干输出映射到适合分类任务的逻辑输出。有关如何将此模型与预训练权重一起使用，请参阅 from_preset() 方法。
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。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“原样”提供，不提供任何形式的保证或条件。底层模型由第三方提供，并受单独许可证的约束，请参阅此处。
参数
- backbone：一个
keras_nlp.models.DebertaV3实例。 - num_classes：整数。要预测的类别数。
- preprocessor：一个
keras_nlp.models.DebertaV3Preprocessor或None。如果为None，则此模型将不应用预处理，并且应在调用模型之前对输入进行预处理。 - activation：可选的
str或可调用对象。用于模型输出的激活函数。设置activation="softmax"以返回输出概率。默认为None。 - hidden_dim：整数。池化层的大小。
- dropout：浮点数。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_nlp.models.DebertaV3Classifier.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_nlp.models.DebertaV3Classifier.from_preset(
"deberta_v3_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 = ["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_nlp.models.DebertaV3Tokenizer(
proto=bytes_io.getvalue(),
)
preprocessor = keras_nlp.models.DebertaV3Preprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_nlp.models.DebertaV3Backbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_nlp.models.DebertaV3Classifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DebertaV3Classifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_nlp.models.Task。
预设是一个包含配置文件、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递
- 一个内置的预设标识符，例如
'bert_base_en' - 一个 Kaggle 模型句柄，例如
'kaggle://user/bert/keras/bert_base_en' - 一个 Hugging Face 句柄，例如
'hf://user/bert_base_en' - 一个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() 来列出该类可用的所有内置预设。
可以通过两种方式调用此构造函数。可以从特定于任务的基类调用，例如 keras_nlp.models.CausalLM.from_preset()，也可以从模型类调用，例如 keras_nlp.models.BertClassifier.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：字符串。一个内置的预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄或一个本地目录的路径。
- load_weights：布尔值。如果为
True，则将权重加载到模型架构中。如果为False，则将随机初始化权重。
示例
# Load a Gemma generative task.
causal_lm = keras_nlp.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_nlp.models.Classifier.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，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_small_en | 141.30M | 6 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_en | 183.83M | 12 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_large_en | 434.01M | 24 层 DeBERTaV3 模型，保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_multi | 278.22M | 12 层 DeBERTaV3 模型，保留大小写。在 2.5TB 多语言 CC100 数据集上训练。 |
backbone 属性
keras_nlp.models.DebertaV3Classifier.backbone
具有核心架构的 keras_nlp.models.Backbone 模型。
preprocessor 属性
keras_nlp.models.DebertaV3Classifier.preprocessor
用于预处理输入的 keras_nlp.models.Preprocessor 层。