DistilBertTextClassifier 模型
DistilBertTextClassifier 类
keras_hub.models.DistilBertTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.2,
**kwargs
)
一个用于分类任务的端到端 DistilBERT 模型。
此模型将一个分类头连接到 keras_hub.model.DistilBertBackbone 实例，将骨干网络的输出映射到适用于分类任务的 logits。要使用预训练权重，请参阅 from_preset() 构造函数。
此模型可以选择配置一个 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，并受单独许可协议约束，请访问 此处 查看。
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.DistilBertTextClassifierPreprocessor或None。如果为None，则此模型将不应用预处理，并且输入应在调用模型之前进行预处理。 - 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。 - hidden_dim：int。池化层的大小。
- dropout：float。dropout 概率值，应用于第一个密集层之后。
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)
预处理后的整数数据。
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.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)
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
- 内置预设标识符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地预设目录的路径，例如
'./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 |
|---|---|---|
| distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型，保留大小写。使用 BERT 作为教师模型，在英文维基百科 + BooksCorpus 上训练。 |
| distil_bert_base_en_uncased | 66.36M | 6 层 DistilBERT 模型，所有输入都转换为小写。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，保留大小写。在 104 种语言的维基百科上训练 |
backbone 属性
keras_hub.models.DistilBertTextClassifier.backbone
一个带有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性
keras_hub.models.DistilBertTextClassifier.preprocessor
一个用于预处理输入的 keras_hub.models.Preprocessor 层。