► Keras 3 API 文件 / KerasNLP / 預先訓練的模型 / Bert / BertMaskedLM 模型

BertMaskedLM 模型

[來源]

BertMaskedLM 類別

keras_nlp.models.BertMaskedLM(backbone, preprocessor=None, **kwargs)

用於遮罩語言建模任務的端到端 BERT 模型。

此模型將在遮罩語言建模任務上訓練 BERT。該模型將預測輸入數據中若干個遮罩標記的標籤。如需使用此模型與預先訓練的權重，請參閱 from_preset() 建構函式。

可以選擇使用 preprocessor 層配置此模型，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，不提供任何形式的擔保或條件。

參數

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.BertMaskedLM.from_preset(
    "bert_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.BertMaskedLM.from_preset(
    "bert_base_en_uncased",
    preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)

[來源]

from_preset 方法

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

從模型預設設定實例化一個 keras_nlp.models.Task。

預設設定是一個包含配置、權重和其他檔案資源的目錄，用於儲存和載入預先訓練的模型。可以將 preset 作為以下其中一種傳遞

  1. 內建的預設設定識別碼，例如 'bert_base_en'
  2. Kaggle 模型控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 控制代碼，例如 'hf://user/bert_base_en'
  4. 本地預設設定目錄的路徑，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設定。

可以使用兩種方法呼叫此建構函式。一種方法是從特定於任務的基底類別（例如 keras_nlp.models.CausalLM.from_preset()）呼叫，另一種方法是從模型類別（例如 keras_nlp.models.BertTextClassifier.from_preset()）呼叫。如果從基底類別呼叫，則會從預設目錄中的配置推斷出返回物件的子類別。

參數

  • preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點或本機目錄的路徑。
  • load_weights：布林值。如果為 True，則會將儲存的權重載入模型架構中。如果為 False，則會隨機初始化所有權重。

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,
)
預設名稱 參數 說明
bert_tiny_en_uncased 4.39M 2 層 BERT 模型，其中所有輸入都為小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_small_en_uncased 28.76M 4 層 BERT 模型，其中所有輸入都為小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_medium_en_uncased 41.37M 8 層 BERT 模型，其中所有輸入都為小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_base_en_uncased 109.48M 12 層 BERT 模型，其中所有輸入都為小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_base_en 108.31M 12 層 BERT 模型，其中會保留大小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_base_zh 102.27M 12 層 BERT 模型。使用中文維基百科進行訓練。
bert_base_multi 177.85M 12 層 BERT 模型，其中會保留大小寫。使用 104 種語言的維基百科進行訓練
bert_large_en_uncased 335.14M 24 層 BERT 模型，其中所有輸入都為小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_large_en 333.58M 24 層 BERT 模型，其中會保留大小寫。使用英文維基百科 + BooksCorpus 進行訓練。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析資料集上微調的 bert_tiny_en_uncased 骨幹模型。

backbone 屬性

keras_nlp.models.BertMaskedLM.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。

preprocessor 屬性

keras_nlp.models.BertMaskedLM.preprocessor

用於預處理輸入的 keras_nlp.models.Preprocessor 層。

BertMaskedLM 模型
BertMaskedLM 類別
from_preset 方法
backbone 屬性
preprocessor 屬性