► Keras 3 API 文档 / KerasNLP / 预训练模型 / DistilBert / DistilBert文本分类模型

DistilBert文本分类模型

[源代码]

DistilBertTextClassifier 类

keras_nlp.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_nlp.model.DistilBertBackbone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的用法，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。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，不附带任何形式的保证或条件。基础模型由第三方提供，并受单独许可的约束，可在此处获得。

参数

  • backbone: keras_nlp.models.DistilBert 实例。
  • num_classes: int。要预测的类别数。
  • preprocessor: keras_nlp.models.DistilBertTextClassifierPreprocessor 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对输入进行预处理。
  • activation: 可选的str或可调用对象。要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: int。池化层的尺寸。
  • dropout: float。dropout概率值，应用于第一个密集层之后。

示例

原始字符串数据。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]

# Use a shorter sequence length.
preprocessor = keras_nlp.models.DistilBertTextClassifierPreprocessor.from_preset(
    "distil_bert_base_en_uncased",
    sequence_length=128,
)
# Pretrained classifier.
classifier = keras_nlp.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_nlp.models.DistilBertTextClassifier.from_preset(
    "distil_bert_base_en_uncased",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义主干和词汇表。

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_nlp.models.DistilBertTokenizer(
    vocabulary=vocab,
)
preprocessor = keras_nlp.models.DistilBertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_nlp.models.DistilBertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_nlp.models.DistilBertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[源代码]

from_preset 方法

DistilBertTextClassifier.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化一个keras_nlp.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. 内置预设标识符，如'bert_base_en'
  2. Kaggle Models 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，您都可以运行cls.presets.keys()来列出该类上所有可用的内置预设。

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_nlp.models.CausalLM.from_preset()）或从模型类（如keras_nlp.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。

参数

  • preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
  • load_weights: bool。如果为True，则保存的权重将加载到模型架构中。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_nlp.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_nlp.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，所有输入都转换为小写。使用BERT作为教师模型，在英文维基百科+BooksCorpus上训练。
distil_bert_base_en 65.19M 6层DistilBERT模型，保留大小写。使用BERT作为教师模型，在英文维基百科+BooksCorpus上训练。
distil_bert_base_multi 134.73M 6层DistilBERT模型，保留大小写。在104种语言的维基百科上训练

backbone 属性

keras_nlp.models.DistilBertTextClassifier.backbone

具有核心架构的keras_nlp.models.Backbone 模型。

preprocessor 属性

keras_nlp.models.DistilBertTextClassifier.preprocessor

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

DistilBert文本分类模型
DistilBertTextClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性