AlbertMaskedLM 模型
AlbertMaskedLM 類別
keras_nlp.models.AlbertMaskedLM(backbone, preprocessor=None, **kwargs)
用於遮罩語言建模任務的端到端 ALBERT 模型。
此模型將在遮罩語言建模任務上訓練 ALBERT。該模型將預測輸入資料中多個遮罩標記的標籤。如需使用預先訓練權重的此模型，請參閱 from_preset() 方法。
此模型可以選擇使用 preprocessor 層進行配置，在這種情況下，輸入在 fit()、predict() 和 evaluate() 期間可以是原始字串特徵。輸入將在訓練和評估期間進行標記化和動態遮罩。使用 from_preset() 建立模型時，預設情況下會執行此操作。
免責聲明：預先訓練的模型按「原樣」提供，不提供任何形式的保證或條件。
參數
- backbone：一個
keras_nlp.models.AlbertBackbone實例。 - preprocessor：一個
keras_nlp.models.AlbertMaskedLMPreprocessor或None。如果為None，則此模型將不應用預處理，並且應在呼叫模型之前對輸入進行預處理。
範例
原始字串資料。
features = ["The quick brown fox jumped.", "I forgot my homework."]
# Pretrained language model.
masked_lm = keras_nlp.models.AlbertMaskedLM.from_preset(
"albert_base_en_uncased",
)
masked_lm.fit(x=features, batch_size=2)
# Re-compile (e.g., with a new learning rate).
masked_lm.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`).
masked_lm.backbone.trainable = False
# Fit again.
masked_lm.fit(x=features, batch_size=2)
預處理的整數資料。
# Create preprocessed batch 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),
"segment_ids": np.array([[0, 0, 0, 0, 0, 0, 0, 0]] * 2),
}
# Labels are the original masked values.
labels = [[3, 5]] * 2
masked_lm = keras_nlp.models.AlbertMaskedLM.from_preset(
"albert_base_en_uncased",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset 方法
AlbertMaskedLM.from_preset(preset, load_weights=True, **kwargs)
從模型預設值實例化一個 keras_nlp.models.Task。
預設值是一個包含配置、權重和其他檔案資產的目錄，用於儲存和載入預先訓練的模型。 preset 可以作為以下其中之一傳遞
- 內建預設值識別碼，例如
'bert_base_en' - Kaggle 模型控點，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控點，例如
'hf://user/bert_base_en' - 本機預設值目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您可以執行 cls.presets.keys() 來列出該類別上可用的所有內建預設值。
這個建構函式可以通过以下两种方式之一调用。可以从特定于任务的基类调用，例如 keras_nlp.models.CausalLM.from_preset()，也可以从模型类调用，例如 keras_nlp.models.BertTextClassifier.from_preset()。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。
參數
- preset：字串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
- load_weights：布林值。如果为
True，则会将保存的权重加载到模型架构中。如果为False，则会随机初始化所有权重。
範例
# Load a Gemma generative task.
causal_lm = keras_nlp.models.CausalLM.from_preset(
"gemma_2b_en",
)
# Load a Bert classification task.
model = keras_nlp.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
| 预设名称 | 参数 | 描述 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 层 ALBERT 模型，所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_large_en_uncased | 17.68M | 24 层 ALBERT 模型，所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_large_en_uncased | 58.72M | 24 层 ALBERT 模型，所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 层 ALBERT 模型，所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。 |
backbone 属性
keras_nlp.models.AlbertMaskedLM.backbone
具有核心架构的 keras_nlp.models.Backbone 模型。
preprocessor 属性
keras_nlp.models.AlbertMaskedLM.preprocessor
用于预处理输入的 keras_nlp.models.Preprocessor 层。