KerasHub: 预训练模型 / API 文档 / 模型架构 / DistilBert / DistilBertTextClassifier 模型

DistilBertTextClassifier 模型

[源代码]

DistilBertTextClassifier

keras_hub.models.DistilBertTextClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    activation=None,
    hidden_dim=None,
    dropout=0.2,
    **kwargs
)

用于分类任务的端到端 DistilBERT 模型。

此模型将分类头附加到 keras_hub.model.DistilBertBackbone 实例,将骨干网络输出映射到适合分类任务的 logits。有关此模型与预训练权重一起使用的信息,请参阅 from_preset() 构造函数。

此模型可以选择使用 preprocessor 层进行配置,在这种情况下,它会在 fit()predict()evaluate() 期间自动对原始输入应用预处理。这在通过 from_preset() 创建模型时默认完成。

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。底层模型由第三方提供,并受单独许可证的约束,可在此处获取

参数

  • backbone:一个 keras_hub.models.DistilBert 实例。
  • num_classes:int。要预测的类别数量。
  • preprocessor:一个 keras_hub.models.DistilBertTextClassifierPreprocessorNone。如果为 None,则此模型将不应用预处理,在调用模型之前应预处理输入。
  • activation:可选的 str 或可调用对象。用于模型输出的激活函数。设置 activation="softmax" 以返回输出概率。默认为 None
  • hidden_dim:int。池化层的大小。
  • dropout:float。dropout 概率值,在第一个密集层之后应用。

示例

原始字符串数据。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]

# Use a shorter sequence length.
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor.from_preset(
    "distil_bert_base_en_uncased",
    sequence_length=128,
)
# Pretrained classifier.
classifier = keras_hub.models.DistilBertTextClassifier.from_preset(
    "distil_bert_base_en_uncased",
    num_classes=4,
    preprocessor=preprocessor,
)
classifier.fit(x=features, y=labels, 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"),
    "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.DistilBertTextClassifier.from_preset(
    "distil_bert_base_en_uncased",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义骨干和词汇表。

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.DistilBertTokenizer(
    vocabulary=vocab,
)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.DistilBertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_hub.models.DistilBertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Task

预设是一个包含配置、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. 一个内置的预设标识符,如 'bert_base_en'
  2. 一个 Kaggle Models 句柄,如 'kaggle://user/bert/keras/bert_base_en'
  3. 一个 Hugging Face 句柄,如 'hf://user/bert_base_en'
  4. 一个本地预设目录的路径,如 './bert_base_en'

对于任何 Task 子类,您都可以运行 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调用。可以从特定于任务的基类(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根据预设目录中的配置推断。

参数

  • preset:字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
  • load_weights: 布尔值。如果为 True,已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
distil_bert_base_en 65.19M 6 层 DistilBERT 模型,大小写保持不变。使用 BERT 作为教师模型,在英文维基百科 + BooksCorpus 上训练。
distil_bert_base_en_uncased 66.36M 6 层 DistilBERT 模型,所有输入均小写。使用 BERT 作为教师模型,在英文维基百科 + BooksCorpus 上训练。
distil_bert_base_multi 134.73M 6 层 DistilBERT 模型,大小写保持不变。在 104 种语言的维基百科上训练。

backbone 属性

keras_hub.models.DistilBertTextClassifier.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.DistilBertTextClassifier.preprocessor

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