MaskedLM

[源代码]

MaskedLM

keras_hub.models.MaskedLM()

用于掩码语言建模任务的基类。

MaskedLM 任务封装了一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor,以创建一个可用于采用掩码语言建模损失进行无监督微调的模型。

调用 fit() 时,所有输入将被分词,并且输入序列中的随机标记将被掩码。这些掩码标记的位置将作为附加模型输入馈送,并且模型的输出会预测这些标记的原始值。

所有 MaskedLM 任务都包含一个 from_preset() 构造函数,可用于加载预训练配置和权重。

示例

# Load a Bert MaskedLM with pre-trained weights.
masked_lm = keras_hub.models.MaskedLM.from_preset(
    "bert_base_en",
)
masked_lm.fit(train_ds)

[源代码]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Task

预设是一个目录,包含用于保存和加载预训练模型的配置、权重和其他文件资产。preset 可以作为以下之一传入:

  1. 一个内置预设标识符,例如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,例如 './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。可以从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset(),也可以从模型类调用,例如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用,返回对象的子类将根据预设目录中的配置推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或本地目录的路径。
  • load_weights:布尔值。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 参数数量 描述
albert_base_en_uncased 11.68M 12 层 ALBERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
bert_tiny_en_uncased 4.39M 2 层 BERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。
bert_small_en_uncased 28.76M 4 层 BERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 8 层 BERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_zh 102.27M 12 层 BERT 模型。在 Chinese Wikipedia 上训练。
bert_base_en 108.31M 12 层 BERT 模型,保留大小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 12 层 BERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
bert_base_multi 177.85M 12 层 BERT 模型,保留大小写。在 104 种语言的维基百科上训练
bert_large_en 333.58M 24 层 BERT 模型,保留大小写。在 English Wikipedia + BooksCorpus 上训练。
bert_large_en_uncased 335.14M 24 层 BERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练。
deberta_v3_extra_small_en 70.68M 12 层 DeBERTaV3 模型,保留大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 6 层 DeBERTaV3 模型,保留大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 12 层 DeBERTaV3 模型,保留大小写。在 English Wikipedia、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。
deberta_v3_large_en 434.01M 24 层 DeBERTaV3 模型,保留大小写。在 English Wikipedia、BookCorpus 和 OpenWebText 上训练。
distil_bert_base_en 65.19M 6 层 DistilBERT 模型,保留大小写。在 English Wikipedia + BooksCorpus 上训练,使用 BERT 作为教师模型。
distil_bert_base_en_uncased 66.36M 6 层 DistilBERT 模型,所有输入都已转换为小写。在 English Wikipedia + BooksCorpus 上训练,使用 BERT 作为教师模型。
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
f_net_base_en 82.86M 12 层 FNet 模型,保留大小写。在 C4 数据集上训练。
f_net_large_en 236.95M 24 层 FNet 模型,保留大小写。在 C4 数据集上训练。
roberta_base_en 124.05M 12 层 RoBERTa 模型,保留大小写。在 English Wikipedia、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型,保留大小写。在 English Wikipedia、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型,保留大小写。在 CommonCrawl 上训练,涵盖 100 种语言。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型,保留大小写。在 CommonCrawl 上训练,涵盖 100 种语言。

[源代码]

compile 方法

MaskedLM.compile(optimizer="auto", loss="auto", weighted_metrics="auto", **kwargs)

配置 MaskedLM 任务用于训练。

MaskedLM 任务扩展了 keras.Model.compile 的默认编译签名,并为 optimizerlossweighted_metrics 设置了默认值。要覆盖这些默认值,请在编译期间将任何值传递给这些参数。

请注意,由于训练输入包含填充标记(这些标记不计入损失),因此几乎总是建议使用 weighted_metrics 而不是 metrics 进行编译。

参数

  • optimizer"auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto",它使用给定模型和任务的默认优化器。有关可能的 optimizer 值的更多信息,请参阅 keras.Model.compilekeras.optimizers
  • loss"auto"、损失函数名称或 keras.losses.Loss 实例。默认为 "auto",此时将对标记分类 MaskedLM 任务应用 keras.losses.SparseCategoricalCrossentropy 损失函数。有关可能的 loss 值的更多信息,请参阅 keras.Model.compilekeras.losses
  • weighted_metrics"auto",或在训练和测试期间由模型评估的指标列表。默认为 "auto",此时将应用 keras.metrics.SparseCategoricalAccuracy 以跟踪模型猜测掩码标记值的准确性。有关可能的 weighted_metrics 值的更多信息,请参阅 keras.Model.compilekeras.metrics
  • **kwargs:有关 compile 方法支持的参数完整列表,请参阅 keras.Model.compile

[源代码]

save_to_preset 方法

MaskedLM.save_to_preset(preset_dir)

将任务保存到预设目录。

参数

  • preset_dir:本地模型预设目录的路径。

preprocessor 属性

keras_hub.models.MaskedLM.preprocessor

一个 keras_hub.models.Preprocessor 层,用于预处理输入。


backbone 属性

keras_hub.models.MaskedLM.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。