DebertaV3MaskedLM 类keras_hub.models.DebertaV3MaskedLM(backbone, preprocessor=None, **kwargs)
一个用于掩码语言建模任务的端到端 DeBERTaV3 模型。
此模型将在掩码语言建模任务上训练 DeBERTaV3。该模型将预测输入数据中多个掩码 token 的标签。关于如何使用带预训练权重的模型，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，输入可以是 fit()、predict() 和 evaluate() 期间的原始字符串特征。输入将在训练和评估期间被分词并动态掩码。通过 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，不附带任何类型的保证或条件。基础模型由第三方提供，并受单独许可的约束，可在此处获取：此处。
参数
keras_hub.models.DebertaV3Backbone 实例。keras_hub.models.DebertaV3MaskedLMPreprocessor 或 None。如果为 None，此模型将不应用预处理，并且应在调用模型之前对输入进行预处理。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.DebertaV3MaskedLM.from_preset(
"deberta_v3_base_en",
)
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),
}
# Labels are the original masked values.
labels = [[3, 5]] * 2
masked_lm = keras_hub.models.DebertaV3MaskedLM.from_preset(
"deberta_v3_base_en",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset 方法DebertaV3MaskedLM.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 可以以下列形式之一传入：
'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两种方式之一调用。要么从特定任务基类（如 keras_hub.models.CausalLM.from_preset()）调用，要么从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。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得出。
参数
True，保存的权重将被加载到模型架构中。如果为 False，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 | 描述 |
|---|---|---|
| deberta_v3_extra_small_en | 70.68M | 12 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_small_en | 141.30M | 6 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_en | 183.83M | 12 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
| deberta_v3_base_multi | 278.22M | 12 层 DeBERTaV3 模型，保持大小写。在 2.5TB 多语言 CC100 数据集上训练。 |
| deberta_v3_large_en | 434.01M | 24 层 DeBERTaV3 模型，保持大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
backbone 属性keras_hub.models.DebertaV3MaskedLM.backbone
一个带有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.DebertaV3MaskedLM.preprocessor
一个用于预处理输入的 keras_hub.models.Preprocessor 层。