DistilBertMaskedLM 模型
DistilBertMaskedLM 類別
keras_nlp.models.DistilBertMaskedLM(backbone, preprocessor=None, **kwargs)
用於遮罩語言建模任務的端到端 DistilBERT 模型。
此模型將在遮罩語言建模任務上訓練 DistilBERT。該模型將預測輸入數據中多個遮罩標記的標籤。如需使用具有預訓練權重的此模型，請參閱 from_preset() 建構函數。
此模型可以選擇性地配置 preprocessor 層，在這種情況下，輸入可以在 fit()、predict() 和 evaluate() 期間為原始字串特徵。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：預訓練模型按「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，並受獨立許可證約束，此處 提供。
參數
- backbone：一個
keras_nlp.models.DistilBertBackbone實例。 - preprocessor：一個
keras_nlp.models.DistilBertMaskedLMPreprocessor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預處理輸入。
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.DistilBertMaskedLM.from_preset(
"distil_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)
}
# Labels are the original masked values.
labels = [[3, 5]] * 2
masked_lm = keras_nlp.models.DistilBertMaskedLM.from_preset(
"distil_bert_base_en_uncased",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DistilBertMaskedLM.from_preset(preset, load_weights=True, **kwargs)
從模型預設值實例化 keras_nlp.models.Task。
預設值是一個包含配置、權重和其他檔案資源的目錄，用於儲存和載入預訓練模型。 preset 可以作為以下其中一項傳遞
- 內建預設值識別碼，例如
'bert_base_en' - Kaggle 模型處理常式，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 處理常式，例如
'hf://user/bert_base_en' - 指向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() 以列出類別上可用的所有內建預設值。
這個建構函數可以用兩種方式之一呼叫。可以從特定任務的基類（例如 keras_nlp.models.CausalLM.from_preset()）呼叫，也可以從模型類（例如 keras_nlp.models.BertTextClassifier.from_preset()）呼叫。如果從基類呼叫，則返回對象的子類將從預設目錄中的配置推斷。
參數
- preset：字串。內建的預設標識符、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，則會將已保存的權重載入模型架構。如果為False，則所有權重都將被隨機初始化。
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 |
|---|---|---|
| distil_bert_base_en_uncased | 66.36M | 6 層 DistilBERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上使用 BERT 作為教師模型進行訓練。 |
| distil_bert_base_en | 65.19M | 6 層 DistilBERT 模型，其中保留大小寫。在英文維基百科 + BooksCorpus 上使用 BERT 作為教師模型進行訓練。 |
| distil_bert_base_multi | 134.73M | 6 層 DistilBERT 模型，其中保留大小寫。在 104 種語言的維基百科上進行訓練 |
backbone 屬性
keras_nlp.models.DistilBertMaskedLM.backbone
具有核心架構的 keras_nlp.models.Backbone 模型。
preprocessor 屬性
keras_nlp.models.DistilBertMaskedLM.preprocessor
用於預處理輸入的 keras_nlp.models.Preprocessor 層。