► Keras 3 API 文件 / KerasNLP / 預先訓練的模型 / DebertaV3 / DebertaV3MaskedLM 模型

DebertaV3MaskedLM 模型

[來源]

DebertaV3MaskedLM 類別

keras_nlp.models.DebertaV3MaskedLM(backbone, preprocessor=None, **kwargs)

用於遮罩語言建模任務的端到端 DeBERTaV3 模型。

此模型將在遮罩語言建模任務上訓練 DeBERTaV3。模型將預測輸入資料中多個遮罩標記的標籤。如需使用此模型搭配預先訓練的權重，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。底層模型由第三方提供，並受獨立授權協議約束，請參閱 此處。

引數

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.DebertaV3MaskedLM.from_preset(
    "deberta_v3_base_en",
)
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),
}
# Labels are the original masked values.
labels = [[3, 5]] * 2

masked_lm = keras_nlp.models.DebertaV3MaskedLM.from_preset(
    "deberta_v3_base_en",
    preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)

[來源]

from_preset 方法

DebertaV3MaskedLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設設定實例化 keras_nlp.models.Task。

預設設定是設定檔、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 可以作為以下其中一項傳遞

  1. 內建的預設設定識別碼，例如 'bert_base_en'
  2. Kaggle 模型的處理方式，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 的處理方式，例如 'hf://user/bert_base_en'
  4. 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() 來列出類別上可用的所有內建預設值。

可以透過兩種方式呼叫此建構函式。可以從特定任務的基底類別呼叫，例如 keras_nlp.models.CausalLM.from_preset()，或從模型類別呼叫，例如 keras_nlp.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則會從預設目錄中的設定推斷出返回物件的子類別。

引數

  • preset：字串。內建預設識別碼、Kaggle 模型處理方式、Hugging Face 處理方式或本地目錄的路徑。
  • 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
deberta_v3_extra_small_en 70.68M 12 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_small_en 141.30M 6 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_base_en 183.83M 12 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_large_en 434.01M 24 層 DeBERTaV3 模型，保留大小寫。使用英文維基百科、BookCorpus 和 OpenWebText 進行訓練。
deberta_v3_base_multi 278.22M 12 層 DeBERTaV3 模型，保留大小寫。使用 2.5TB 多語言 CC100 資料集進行訓練。

backbone 屬性

keras_nlp.models.DebertaV3MaskedLM.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。

preprocessor 屬性

keras_nlp.models.DebertaV3MaskedLM.preprocessor

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

DebertaV3MaskedLM 模型
DebertaV3MaskedLM 類別
from_preset 方法
backbone 屬性
preprocessor 屬性