BertMaskedLM 类keras_hub.models.BertMaskedLM(backbone, preprocessor=None, **kwargs)
一个用于掩码语言建模任务的端到端 BERT 模型。
该模型将训练 BERT 执行掩码语言建模任务。模型将预测输入数据中多个被掩码标记的标签。要使用带预训练权重的此模型，请参阅 from_preset() 构造函数。
该模型可以可选地配置一个 preprocessor 层，在这种情况下，输入在 fit()、predict() 和 evaluate() 期间可以是原始字符串特征。输入将在训练和评估期间被标记化并动态掩码。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“原样”提供，不附带任何形式的保证或条件。
参数
keras_hub.models.BertBackbone 实例。keras_hub.models.BertMaskedLMPreprocessor 或 None。如果为 None，则此模型不会应用预处理，并且输入应在调用模型之前进行预处理。示例
原始字符串数据。
features = ["The quick brown fox jumped.", "I forgot my homework."]
# Pretrained language model.
masked_lm = keras_hub.models.BertMaskedLM.from_preset(
"bert_base_en_uncased",
)
masked_lm.fit(x=features, batch_size=2)
# Re-compile (e.g., with a new learning rate).
masked_lm.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`).
masked_lm.backbone.trainable = False
# Fit again.
masked_lm.fit(x=features, batch_size=2)
预处理后的整数数据。
# Create preprocessed batch where 0 is the mask token.
features = {
"token_ids": np.array([[1, 2, 0, 4, 0, 6, 7, 8]] * 2),
"padding_mask": np.array([[1, 1, 1, 1, 1, 1, 1, 1]] * 2),
"mask_positions": np.array([[2, 4]] * 2),
"segment_ids": np.array([[0, 0, 0, 0, 0, 0, 0, 0]] * 2)
}
# Labels are the original masked values.
labels = [[3, 5]] * 2
masked_lm = keras_hub.models.BertMaskedLM.from_preset(
"bert_base_en_uncased",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset 方法BertMaskedLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 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 可以作为以下选项之一传递：
'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。要么从任务特定的基类（例如 keras_hub.models.CausalLM.from_preset()）调用，要么从模型类（例如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。
参数
True，则会将保存的权重加载到模型架构中。如果为 False，则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 | 参数量 | 描述 |
|---|---|---|
| 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过的 bert_tiny_en_uncased 主干模型。 |
| 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，保留大小写。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，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。 |
backbone 属性keras_hub.models.BertMaskedLM.backbone
一个 keras_hub.models.Backbone 模型，具有核心架构。
preprocessor 属性keras_hub.models.BertMaskedLM.preprocessor
一个 keras_hub.models.Preprocessor 层，用于预处理输入。