AlbertTextClassifier 模型
AlbertTextClassifier 類別
keras_nlp.models.AlbertTextClassifier(
backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)
用於分類任務的端到端 ALBERT 模型
此模型將分類頭附加到 keras_nlp.model.AlbertBackbone 骨幹網路，將骨幹網路輸出映射到適合分類任務的對數機率輸出。如需使用預先訓練權重的此模型，請參閱 from_preset() 方法。
此模型可以選擇性地配置 preprocessor 層，在這種情況下，它將在 fit()、predict() 和 evaluate() 期間自動將預處理應用於原始輸入。使用 from_preset() 建立模型時，預設會執行此操作。
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：
keras_nlp.models.AlertBackbone的實例。 - num_classes：整數。要預測的類別數。
- preprocessor：
keras_nlp.models.AlbertTextClassifierPreprocessor或None。如果為None，則此模型將不會應用預處理，並且應在呼叫模型之前對輸入進行預處理。 - activation：可選的
str或可呼叫函數。用於模型輸出的激活函數。設定activation="softmax"以返回輸出概率。預設為None。 - dropout：浮點數。在密集層之後應用的 Dropout 概率值。
範例
原始字串資料。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_nlp.models.AlbertTextClassifier.from_preset(
"albert_base_en_uncased",
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)
預處理的整數資料。
features = {
"token_ids": np.ones(shape=(2, 12), dtype="int32"),
"segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]] * 2),
"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_nlp.models.AlbertTextClassifier.from_preset(
"albert_base_en_uncased",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自訂骨幹網路和詞彙。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(features)
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=10,
model_type="WORD",
pad_id=0,
unk_id=1,
bos_id=2,
eos_id=3,
pad_piece="<pad>",
unk_piece="<unk>",
bos_piece="[CLS]",
eos_piece="[SEP]",
user_defined_symbols="[MASK]",
)
tokenizer = keras_nlp.models.AlbertTokenizer(
proto=bytes_io.getvalue(),
)
preprocessor = keras_nlp.models.AlbertTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_nlp.models.AlbertBackbone(
vocabulary_size=tokenizer.vocabulary_size(),
num_layers=4,
num_heads=4,
hidden_dim=256,
embedding_dim=128,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_nlp.models.AlbertTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
AlbertTextClassifier.from_preset(preset, load_weights=True, **kwargs)
從模型預設設定實例化 keras_nlp.models.Task。
預設設定是配置、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。可以將 preset 傳遞為以下其中一種：
- 內建預設設定識別碼，例如
'bert_base_en' - Kaggle 模型控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，例如
'hf://user/bert_base_en' - 一個指向本地預設目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您可以執行 cls.presets.keys() 來列出類別中所有可用的內建預設。
此建構函數可以透過兩種方式呼叫。可以從特定任務的基底類別呼叫，例如 keras_nlp.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則返回物件的子類別將從預設目錄中的配置推斷。
參數
- preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點或本地目錄的路徑。
- load_weights：布林值。如果為
True，則已儲存的權重將載入模型架構中。如果為False，則所有權重都將隨機初始化。
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,
)
| 預設名稱 | 參數 | 說明 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 層的 ALBERT 模型，所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_large_en_uncased | 17.68M | 24 層的 ALBERT 模型，所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_extra_large_en_uncased | 58.72M | 24 層的 ALBERT 模型，所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 層的 ALBERT 模型，所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。 |
backbone 屬性
keras_nlp.models.AlbertTextClassifier.backbone
具有核心架構的 keras_nlp.models.Backbone 模型。
preprocessor 屬性
keras_nlp.models.AlbertTextClassifier.preprocessor
用於預處理輸入的 keras_nlp.models.Preprocessor 層。