► Keras 3 API 文件 / KerasNLP / 預訓練模型 / DistilBert / DistilBertTextClassifier 模型

DistilBertTextClassifier 模型

[來源]

DistilBertTextClassifier 類別

keras_nlp.models.DistilBertTextClassifier(
    backbone,
    num_classes,
    preprocessor=None,
    activation=None,
    hidden_dim=None,
    dropout=0.2,
    **kwargs
)

一種用於分類任務的端到端 DistilBERT 模型。

此模型將分類頭附加到 keras_nlp.model.DistilBertBackbone 實例，將骨幹網路輸出映射到適用於分類任務的對數機率。如需使用預先訓練權重的此模型，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。

免責聲明：預先訓練的模型是「依現狀」提供的，不提供任何形式的明示或暗示的擔保或條件。基礎模型由第三方提供，並受限於個別的授權條款，請參閱此處。

參數

  • backbone：一個 keras_nlp.models.DistilBert 實例。
  • num_classes：整數。要預測的類別數。
  • preprocessor：一個 keras_nlp.models.DistilBertTextClassifierPreprocessor 或 None。如果為 None，則此模型不會套用預處理，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。用於模型輸出的激活函數。設定 activation="softmax" 以傳回輸出機率。預設為 None。
  • hidden_dim：整數。池化層的大小。
  • dropout：浮點數。在第一個密集層之後套用的 dropout 機率值。

範例

原始字串資料。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]

# Use a shorter sequence length.
preprocessor = keras_nlp.models.DistilBertTextClassifierPreprocessor.from_preset(
    "distil_bert_base_en_uncased",
    sequence_length=128,
)
# Pretrained classifier.
classifier = keras_nlp.models.DistilBertTextClassifier.from_preset(
    "distil_bert_base_en_uncased",
    num_classes=4,
    preprocessor=preprocessor,
)
classifier.fit(x=features, y=labels, 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.DistilBertTextClassifier.from_preset(
    "distil_bert_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表。

features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_nlp.models.DistilBertTokenizer(
    vocabulary=vocab,
)
preprocessor = keras_nlp.models.DistilBertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_nlp.models.DistilBertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_nlp.models.DistilBertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[來源]

from_preset 方法

DistilBertTextClassifier.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 可以作為以下其中一項傳遞：

  1. 內建的預設集識別碼，例如 'bert_base_en'
  2. Kaggle 模型處理常式，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 處理常式，例如 'hf://user/bert_base_en'
  4. 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。

這個建構函數可以透過兩種方式之一來呼叫。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集目錄中的配置推斷出來。

參數

  • preset：字串。內建的預設集識別碼、Kaggle 模型處理常式、Hugging Face 處理常式或指向本機目錄的路徑。
  • 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，則會將所有權重隨機初始化。

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
distil_bert_base_en_uncased 66.36M 6 層 DistilBERT 模型，所有輸入均為小寫。使用 BERT 作為教師模型，在英文維基百科 + BooksCorpus 上進行訓練。
distil_bert_base_en 65.19M 6 層 DistilBERT 模型，保留大小寫。使用 BERT 作為教師模型，在英文維基百科 + BooksCorpus 上進行訓練。
distil_bert_base_multi 134.73M 6 層 DistilBERT 模型，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.DistilBertTextClassifier.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。

preprocessor 屬性

keras_nlp.models.DistilBertTextClassifier.preprocessor

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

DistilBertTextClassifier 模型
DistilBertTextClassifier 類別
from_preset 方法
backbone 屬性
preprocessor 屬性