KerasHub:预训练模型 / API 文档 / 模型架构 / Albert / AlbertTextClassifier 模型

AlbertTextClassifier 模型

[来源]

AlbertTextClassifier

keras_hub.models.AlbertTextClassifier(
    backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)

用于分类任务的端到端 ALBERT 模型

此模型将分类头附加到 keras_hub.model.AlbertBackbone 主干网络上,将主干网络的输出映射到适用于分类任务的 logit 输出。要使用带预训练权重的此模型,请参阅 from_preset() 方法。

此模型可以选择配置一个 preprocessor 层,在这种情况下,它将在 fit()predict()evaluate() 期间自动对原始输入应用预处理。使用 from_preset() 创建模型时默认执行此操作。

免责声明:预训练模型按“原样”提供,不附带任何明示或暗示的保证或条件。

参数

  • backbone: 一个 keras_hub.models.AlertBackbone 实例。
  • num_classes: int. 要预测的类别数量。
  • preprocessor: 一个 keras_hub.models.AlbertTextClassifierPreprocessorNone。如果为 None,则此模型不会应用预处理,输入应在调用模型之前进行预处理。
  • activation: 可选的 str 或 callable。用于模型输出的激活函数。将 activation="softmax" 设置为返回输出概率。默认为 None
  • dropout: float. dropout 概率值,应用于全连接层之后。

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_hub.models.AlbertTextClassifier.from_preset(
    "albert_base_en_uncased",
    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"),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]] * 2),
    "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_hub.models.AlbertTextClassifier.from_preset(
    "albert_base_en_uncased",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义主干网络和词汇表。

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,
    unk_id=1,
    bos_id=2,
    eos_id=3,
    pad_piece="<pad>",
    unk_piece="<unk>",
    bos_piece="[CLS]",
    eos_piece="[SEP]",
    user_defined_symbols="[MASK]",
)
tokenizer = keras_hub.models.AlbertTokenizer(
    proto=bytes_io.getvalue(),
)
preprocessor = keras_hub.models.AlbertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.AlbertBackbone(
    vocabulary_size=tokenizer.vocabulary_size(),
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    embedding_dim=128,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_hub.models.AlbertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

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

从模型预设中实例化一个 keras_hub.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,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. 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,您可以运行 cls.presets.keys() 来列出该类中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,保存的权重将加载到模型架构中。如果为 False,所有权重将随机初始化。

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,所有输入均转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型,所有输入均转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型,所有输入均转换为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型,所有输入均转换为小写。在英文维基百科 + BooksCorpus 上训练。

backbone 属性

keras_hub.models.AlbertTextClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.AlbertTextClassifier.preprocessor

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