DebertaV3TextClassifier 模型
DebertaV3TextClassifier 類別
keras_nlp.models.DebertaV3TextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
用於分類任務的端到端 DeBERTa 模型。
此模型將分類頭附加到 keras_nlp.model.DebertaV3Backbone 模型，將主幹輸出映射到適合分類任務的 Logit 輸出。如需使用此模型搭配預先訓練的權重，請參閱 from_preset() 方法。
此模型可以選擇性地使用 preprocessor 層進行配置，在這種情況下，它會在 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。
注意：DebertaV3Backbone 在 TPU 上存在效能問題，我們建議使用其他模型進行 TPU 訓練和推論。
免責聲明：預先訓練的模型按「現狀」提供，不提供任何形式的擔保或條件。基礎模型由第三方提供，並受限於個別的授權，可在此處取得：此處。
參數
- backbone：
keras_nlp.models.DebertaV3的實例。 - num_classes：整數。要預測的類別數。
- preprocessor：
keras_nlp.models.DebertaV3TextClassifierPreprocessor或None。如果為None，則此模型將不會套用預處理，並且應在呼叫模型之前對輸入進行預處理。 - activation：可選的
str或可呼叫物件。要在模型輸出上使用的激活函數。設定activation="softmax"以返回輸出機率。預設值為None。 - hidden_dim：整數。池化層的大小。
- dropout：浮點數。套用於池化輸出的丟棄機率。對於第二個丟棄層，使用
backbone.dropout。
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.DebertaV3TextClassifier.from_preset(
"deberta_v3_base_en",
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"),
"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.DebertaV3TextClassifier.from_preset(
"deberta_v3_base_en",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自訂主幹和詞彙表。
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,
bos_id=1,
eos_id=2,
unk_id=3,
pad_piece="[PAD]",
bos_piece="[CLS]",
eos_piece="[SEP]",
unk_piece="[UNK]",
)
tokenizer = keras_nlp.models.DebertaV3Tokenizer(
proto=bytes_io.getvalue(),
)
preprocessor = keras_nlp.models.DebertaV3TextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_nlp.models.DebertaV3Backbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_nlp.models.DebertaV3TextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DebertaV3TextClassifier.from_preset(preset, load_weights=True, **kwargs)
從模型預設值實例化 keras_nlp.models.Task。
預設集是一個包含配置、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。 preset 可以傳遞為以下其中一種：
- 內建的預設集識別符號，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' - 指向本機預設集目錄的路徑，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集。
這個建構函式可以用兩種方式之一呼叫。可以從特定任務的基類呼叫，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()。如果從基類呼叫，則返回物件的子類別將從預設集目錄中的配置推斷。
參數
- preset：字串。內建的預設集識別符號、Kaggle 模型控點、Hugging Face 控點或指向本機目錄的路徑。
- load_weights：布林值。如果為
True，則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,
)
| 預設集名稱 | 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.DebertaV3TextClassifier.backbone
具有核心架構的 keras_nlp.models.Backbone 模型。
preprocessor 屬性
keras_nlp.models.DebertaV3TextClassifier.preprocessor
用於預處理輸入的 keras_nlp.models.Preprocessor 層。