XLMRobertaMaskedLM 模型

[源文件]

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

• backbone: 一个 keras_hub.models.XLMRobertaBackbone 实例。
• preprocessor: 一个 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)

[源文件]

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：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 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() 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

• preset: 字符串。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: 布尔值。如果为 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,
)

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。