KerasHub：预训练模型
入门 开发者指南 API 文档 模型 API 模型架构 分词器 预处理层 模型层 采样器 指标 预训练模型列表
► KerasHub：预训练模型 / API 文档 / 建模 API / MaskedLM

MaskedLM

[源代码]

MaskedLM 类

keras_hub.models.MaskedLM()

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，以创建一个可用于无监督微调（具有掩码语言建模损失）的模型。

调用 fit() 时，所有输入都将被分词，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的模型输入，而模型输出的标记的原始值将被预测。

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

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)

从模型预设实例化一个 keras_hub.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：

  1. 一个内置的预设标识符，如 'bert_base_en'
  2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 一个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调用。一种方式是从特定任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，另一种方式是从模型类（如 keras_hub.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：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights: 布尔值。如果为 True，已保存的权重将被加载到模型架构中。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 描述
albert_base_en_uncased 11.68M 12 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased 4.39M 2 层 BERT 模型，所有输入均小写。在英文维基百科 + 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 骨干模型。
bert_small_en_uncased 28.76M 4 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 8 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_base_zh 102.27M 12 层 BERT 模型。在中文维基百科上训练。
bert_base_en 108.31M 12 层 BERT 模型，大小写保持不变。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 12 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_base_multi 177.85M 12 层 BERT 模型，大小写保持不变。在 104 种语言的维基百科上训练。
bert_large_en 333.58M 24 层 BERT 模型，大小写保持不变。在英文维基百科 + BooksCorpus 上训练。
bert_large_en_uncased 335.14M 24 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
deberta_v3_extra_small_en 70.68M 12 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 6 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 12 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi 278.22M 12 层 DeBERTaV3 模型，大小写保持不变。在 2.5TB 多语言 CC100 数据集上训练。
deberta_v3_large_en 434.01M 24 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
distil_bert_base_en 65.19M 6 层 DistilBERT 模型，大小写保持不变。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。
distil_bert_base_en_uncased 66.36M 6 层 DistilBERT 模型，所有输入均小写。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，大小写保持不变。在 104 种语言的维基百科上训练。
esm2_t6_8M 7.41M ESM-2 蛋白质语言模型的 6 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t12_35M 33.27M ESM-2 蛋白质语言模型的 12 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t30_150M 147.73M ESM-2 蛋白质语言模型的 30 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t33_650M 649.40M ESM-2 蛋白质语言模型的 33 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
f_net_base_en 82.86M 12 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。
f_net_large_en 236.95M 24 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。
roberta_base_en 124.05M 12 层 RoBERTa 模型，大小写保持不变。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型，大小写保持不变。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
xlm_roberta_base_multi 277.45M 12 层 XLM-RoBERTa 模型，大小写保持不变。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，大小写保持不变。在 100 种语言的 CommonCrawl 上训练。

[源代码]

compile 方法

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

配置 MaskedLM 任务以进行训练。

MaskedLM 任务通过为 optimizer、loss 和 weighted_metrics 提供默认值，扩展了 keras.Model.compile 的默认编译签名。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，由于训练输入包含从损失中排除的填充标记，因此使用 weighted_metrics 而不是 metrics 进行编译几乎总是一个好主意。

参数

  • optimizer: "auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它会为给定的模型和任务使用默认优化器。有关可能的 optimizer 值的更多信息，请参阅 keras.Model.compile 和 keras.optimizers。
  • loss："auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，对于标记分类 MaskedLM 任务，将应用 keras.losses.SparseCategoricalCrossentropy 损失。有关可能的 loss 值，请参阅 keras.Model.compile 和 keras.losses。
  • weighted_metrics："auto" 或要在训练和测试期间由模型评估的指标列表。默认为 "auto"，将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪模型在猜测掩码标记值方面的准确性。有关可能的 weighted_metrics 值，请参阅 keras.Model.compile 和 keras.metrics。
  • **kwargs：有关 compile 方法支持的完整参数列表，请参阅 keras.Model.compile。

[源代码]

save_to_preset 方法

MaskedLM.save_to_preset(preset_dir, max_shard_size=10)

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。
  • max_shard_size：int 或 float。每个分片文件的最大大小（以 GB 为单位）。如果为 None，则不进行分片。默认为 10。

preprocessor 属性

keras_hub.models.MaskedLM.preprocessor

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

backbone 属性

keras_hub.models.MaskedLM.backbone

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

MaskedLM
MaskedLM 类
from_preset 方法
compile 方法
save_to_preset 方法
preprocessor 属性
backbone 属性