► KerasHub：预训练模型 / API 文档 / 模型架构 / XLMRoberta / XLMRobertaTextClassifier 模型

XLMRobertaTextClassifier 模型

[来源]

XLMRobertaTextClassifier 类

keras_hub.models.XLMRobertaTextClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    activation=None,
    hidden_dim=None,
    dropout=0.0,
    **kwargs
)

用于分类任务的端到端 XLM-RoBERTa 模型。

此模型将分类头附加到 keras_hub.model.XLMRobertaBackbone 实例，从 backbone 输出映射到适用于分类任务的 logits。 有关将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。

此模型可以选择配置 preprocessor 层，在这种情况下，它将在 fit()、predict() 和 evaluate() 期间自动将预处理应用于原始输入。 默认情况下，使用 from_preset() 创建模型时会执行此操作。

免责声明：预训练模型按“原样”提供，不提供任何形式的保证或条件。 基础模型由第三方提供，并受单独的许可协议约束，许可协议请见此处。

参数

  • backbone: keras_hub.models.XLMRobertaBackbone 实例。
  • num_classes: int。 要预测的类别数。
  • preprocessor: keras_hub.models.XLMRobertaTextClassifierPreprocessor 或 None。 如果为 None，则此模型将不应用预处理，并且应在调用模型之前预处理输入。
  • 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，应用于池化输出以及第一个密集层之后。

示例

原始字符串数据。

features = ["The quick brown fox jumped.", "نسيت الواجب"]
labels = [0, 3]

# Pretrained classifier.
classifier = keras_hub.models.XLMRobertaTextClassifier.from_preset(
    "xlm_roberta_base_multi",
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
classifier.predict(x=features, 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.XLMRobertaTextClassifier.from_preset(
    "xlm_roberta_base_multi",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

自定义 backbone 和词汇表。

features = ["The quick brown fox jumped.", "نسيت الواجب"]
labels = [0, 3]

def train_sentencepiece(ds, vocab_size):
    bytes_io = io.BytesIO()
    sentencepiece.SentencePieceTrainer.train(
        sentence_iterator=ds.as_numpy_iterator(),
        model_writer=bytes_io,
        vocab_size=vocab_size,
        model_type="WORD",
        unk_id=0,
        bos_id=1,
        eos_id=2,
    )
    return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
    ["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(
    proto=proto
)
preprocessor = keras_hub.models.XLMRobertaTextClassifierPreprocessor(
    tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.XLMRobertaBackbone(
    vocabulary_size=250002,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_hub.models.XLMRobertaTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[来源]

from_preset 方法

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

从模型预设实例化 keras_hub.models.Task。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。 preset 可以作为以下项之一传递

  1. 内置预设标识符，如 'bert_base_en'
  2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以列出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。 从任务特定的基类（如 keras_hub.models.CausalLM.from_preset()）调用，或从模型类（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推断出来。

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，则保存的权重将加载到模型架构中。 如果为 False，则所有权重都将随机初始化。

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，其中保留了大小写。 在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，其中保留了大小写。 在 100 种语言的 CommonCrawl 上训练。

backbone 属性

keras_hub.models.XLMRobertaTextClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.XLMRobertaTextClassifier.preprocessor

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

XLMRobertaTextClassifier 模型
XLMRobertaTextClassifier 类
from_preset 方法
backbone 属性
preprocessor 属性