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。
此模型将分类头附加到 keras_hub.model.DistilBertBackbone
实例,将主干网络输出映射到适用于分类任务的 logits。要使用此模型的预训练权重,请参阅 from_preset()
构造函数。
此模型可选择配置预处理器层,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。使用 from_preset()
创建模型时,默认会执行此操作。
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,并受此处提供的单独许可证约束。此处提供该许可证。
参数
keras_hub.models.DistilBert
实例。keras_hub.models.DistilBertTextClassifierPreprocessor
或 None
。如果为 None
,此模型将不应用预处理,并且在调用模型之前应预处理输入。str
或 callable。要应用于模型输出的激活函数。将 activation="softmax"
设置为返回输出概率。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]
# 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.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、权重和其他文件资源的目录,用于保存和加载预训练模型。preset
可以以下列形式之一传递:
'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。要么从任务特定的基类(例如 keras_hub.models.CausalLM.from_preset()
)调用,要么从模型类(例如 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。
参数
True
,将加载已保存的权重到模型架构中。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 |
---|---|---|
distil_bert_base_en | 65.19M | 维持大小写的 6 层 DistilBERT 模型。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 | 所有输入都小写的 6 层 DistilBERT 模型。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 | 维持大小写的 6 层 DistilBERT 模型。在 104 种语言的维基百科上训练。 |
backbone
属性keras_hub.models.DistilBertTextClassifier.backbone
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。