RobertaTextClassifier 模型
RobertaTextClassifier 类
keras_nlp.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。
此模型将一个分类头附加到 keras_nlp.model.RobertaBackbone 实例，将骨干输出映射到适合分类任务的对数。有关使用预训练权重的模型，请参阅 from_preset() 构造函数。
此模型可以选择使用 preprocessor 层进行配置，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“现状”提供，不附带任何形式的保证或条件。底层模型由第三方提供，并受单独许可的约束，许可证可在此处获取 此处。
参数
- backbone: 一个
keras_nlp.models.RobertaBackbone实例。 - num_classes: int。要预测的类别数。
- preprocessor: 一个
keras_nlp.models.RobertaTextClassifierPreprocessor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。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_nlp.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.RobertaTextClassifier.from_preset(
"roberta_base_en",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自定义骨干和词汇表。
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_nlp.models.RobertaTokenizer(
vocabulary=vocab,
merges=merges
)
preprocessor = keras_nlp.models.RobertaTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_nlp.models.RobertaBackbone(
vocabulary_size=20,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128
)
classifier = keras_nlp.models.RobertaTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
RobertaTextClassifier.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、权重和其他文件资产的目录，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' - 一个指向本地预设目录的路径，例如
'./bert_base_en'
对于任何 Task 子类，都可以运行 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进行调用。可以从任务特定的基类（例如 keras_nlp.models.CausalLM.from_preset()）或从模型类（例如 keras_nlp.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: string。一个内置的预设标识符、一个 Kaggle 模型句柄、一个 Hugging Face 句柄或指向本地目录的路径。
- load_weights: bool。如果为
True，将把保存的权重加载到模型架构中。如果为False，所有权重都将被随机初始化。
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 |
|---|---|---|
| roberta_base_en | 124.05M | 12 层 RoBERTa 模型，其中保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
| roberta_large_en | 354.31M | 24 层 RoBERTa 模型，其中保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
backbone 属性
keras_nlp.models.RobertaTextClassifier.backbone
一个 keras_nlp.models.Backbone 模型，具有核心架构。
preprocessor 属性
keras_nlp.models.RobertaTextClassifier.preprocessor
一个 keras_nlp.models.Preprocessor 层，用于预处理输入。