XLMRobertaMaskedLM
类keras_hub.models.XLMRobertaMaskedLM(backbone, preprocessor=None, **kwargs)
一个用于掩码语言建模任务的端到端 XLM-RoBERTa 模型。
此模型将在掩码语言建模任务上训练 XLM-RoBERTa。该模型将预测输入数据中多个被掩码令牌的标签。有关如何使用带有预训练权重的此模型,请参阅 from_preset()
方法。
此模型可选择配置一个 preprocessor
层,在这种情况下,输入可以在 fit()
、predict()
和 evaluate()
期间是原始字符串特征。在训练和评估期间,输入将被令牌化并动态掩码。使用 from_preset()
创建模型时,默认情况下会执行此操作。
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,并受单独许可的约束,可在此处获取:此处。
参数
keras_hub.models.XLMRobertaBackbone
实例。keras_hub.models.XLMRobertaMaskedLMPreprocessor
或 None
。如果为 None
,则此模型不会应用预处理,输入应在调用模型之前进行预处理。示例
原始字符串输入和预训练 backbone。
# Create a dataset with raw string features. Labels are inferred.
features = ["The quick brown fox jumped.", "I forgot my homework."]
# Pretrained language model
# on an MLM task.
masked_lm = keras_hub.models.XLMRobertaMaskedLM.from_preset(
"xlm_roberta_base_multi",
)
masked_lm.fit(x=features, batch_size=2)
重新编译(例如,使用新的学习率)
.
masked_lm.compile( loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), optimizer=keras.optimizers.Adam(5e-5), jit_compile=True, ) 以编程方式访问 backbone(例如,更改 trainable
)
.
masked_lm.backbone.trainable = False 再次训练
.
masked_lm.fit(x=features, batch_size=2)
Preprocessed integer data.
```python
__Create a preprocessed dataset 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.XLMRobertaMaskedLM.from_preset(
"xlm_roberta_base_multi",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset
方法XLMRobertaMaskedLM.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
可以以下列方式之一传递:
'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。可以从特定任务的基础类(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。如果从基础类调用,返回对象的子类将从预设目录中的配置推断。
参数
True
,则将保存的权重加载到模型架构中。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 |
---|---|---|
xlm_roberta_base_multi | 277.45M | 12 层 XLM-RoBERTa 模型,保留了大小写。在 CommonCrawl 上用 100 种语言进行训练。 |
xlm_roberta_large_multi | 558.84M | 24 层 XLM-RoBERTa 模型,保留了大小写。在 CommonCrawl 上用 100 种语言进行训练。 |
backbone
属性keras_hub.models.XLMRobertaMaskedLM.backbone
一个包含核心架构的 keras_hub.models.Backbone
模型。
preprocessor
属性keras_hub.models.XLMRobertaMaskedLM.preprocessor
一个用于预处理输入的 keras_hub.models.Preprocessor
层。