AlbertTextClassifier
类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()
和 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
keras_hub.models.AlertBackbone
实例。keras_hub.models.AlbertTextClassifierPreprocessor
或 None
。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。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
。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)
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:
'bert_base_en'
'kaggle://user/bert/keras/bert_base_en'
'hf://user/bert_base_en'
'./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
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。