► KerasHub: Pretrained Models / API 文档 / 模型架构 / Bert / BertTextClassifier 模型

BertTextClassifier 模型

[源代码]

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。

此模型将分类头连接到 keras_hub.model.BertBackbone 实例，将骨干网络输出映射到适用于分类任务的 logits。 要使用预训练权重使用此模型，请使用 from_preset() 构造函数。

此模型可以选择配置 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。 默认情况下，使用 from_preset() 创建模型时会这样做。

免责声明： 预训练模型按“原样”提供，不提供任何形式的保证或条件。

参数

  • backbone: keras_hub.models.BertBackbone 实例。
  • num_classes: int. 要预测的类别数。
  • preprocessor: keras_hub.models.BertTextClassifierPreprocessor 或 None。 如果为 None，则此模型将不应用预处理，并且应在调用模型之前预处理输入。
  • activation: 可选的 str 或可调用对象。 要在模型输出上使用的激活函数。 设置 activation="softmax" 以返回输出概率。 默认为 None。
  • dropout: float. dropout 概率值，在密集层之后应用。

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)

自定义骨干网络和词汇表。

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)

[源代码]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Task。

预设是配置、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. 内置预设标识符，如 'bert_base_en'
  2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以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。 可以从任务特定的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（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中推断出来。

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，则保存的权重将加载到模型架构中。 如果为 False，则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，其中所有输入均为小写。 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 骨干网络模型。
bert_small_en_uncased 28.76M 4 层 BERT 模型，其中所有输入均为小写。 在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 8 层 BERT 模型，其中所有输入均为小写。 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，其中保留大小写。 在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 12 层 BERT 模型，其中所有输入均为小写。 在英文维基百科 + BooksCorpus 上训练。
bert_base_multi 177.85M 12 层 BERT 模型，其中保留大小写。 在 104 种语言的维基百科上训练。
bert_large_en 333.58M 24 层 BERT 模型，其中保留大小写。 在英文维基百科 + BooksCorpus 上训练。
bert_large_en_uncased 335.14M 24 层 BERT 模型，其中所有输入均为小写。 在英文维基百科 + BooksCorpus 上训练。

backbone 属性

keras_hub.models.BertTextClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.BertTextClassifier.preprocessor

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

BertTextClassifier 模型
BertTextClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性