BertTextClassifier
类keras_hub.models.BertTextClassifier(
backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)
用于分类任务的端到端 BERT 模型。
此模型将一个分类头附加到 keras_hub.model.BertBackbone
实例,将主干网络输出映射到适用于分类任务的 logits。要使用带预训练权重的此模型,请使用 from_preset()
构造函数。
此模型可以可选地配置一个 preprocessor
层,在这种情况下,它会在 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,这是默认行为。
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.BertBackbone
实例。keras_hub.models.BertTextClassifierPreprocessor
或 None
。如果为 None
,此模型将不会应用预处理,并且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。设置为 activation="softmax"
可返回输出概率。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.BertTextClassifier.from_preset(
"bert_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.BertTextClassifier.from_preset(
"bert_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]
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(
vocabulary=vocab,
)
preprocessor = keras_hub.models.BertTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.BertBackbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.BertTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset
方法BertTextClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task
。
预设是一个目录,包含用于保存和加载预训练模型的配置、权重及其他文件资产。preset
可以以下列方式之一传入:
'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以下两种方式之一调用。要么从任务特定的基类调用,例如 keras_hub.models.CausalLM.from_preset()
,要么从模型类调用,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出来。
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 |
---|---|---|
bert_tiny_en_uncased | 4.39M | 2 层 BERT 模型,所有输入均为小写。在英语维基百科 + 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 主干网络模型。 |
bert_small_en_uncased | 28.76M | 4 层 BERT 模型,所有输入均为小写。在英语维基百科 + BooksCorpus 上训练。 |
bert_medium_en_uncased | 41.37M | 8 层 BERT 模型,所有输入均为小写。在英语维基百科 + 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。在英语维基百科 + BooksCorpus 上训练。 |
bert_base_en_uncased | 109.48M | 12 层 BERT 模型,所有输入均为小写。在英语维基百科 + 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。在英语维基百科 + BooksCorpus 上训练。 |
bert_large_en_uncased | 335.14M | 24 层 BERT 模型,所有输入均为小写。在英语维基百科 + BooksCorpus 上训练。 |
backbone
属性keras_hub.models.BertTextClassifier.backbone
一个 keras_hub.models.Backbone
模型,包含核心架构。
preprocessor
属性keras_hub.models.BertTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。