RobertaTextClassifier 模型
RobertaTextClassifier 類別
keras_nlp.models.RobertaTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
用於分類任務的端到端 RoBERTa 模型。
此模型將分類頭附加到 keras_nlp.model.RobertaBackbone 實例，將主幹輸出映射到適合分類任務的對數。如需搭配預先訓練的權重使用此模型，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「按原樣」提供，不提供任何形式的保證或條件。基礎模型由第三方提供，並受限於單獨的許可證，此處提供。
參數
- backbone：
keras_nlp.models.RobertaBackbone實例。 - num_classes：int。要預測的類別數量。
- preprocessor：
keras_nlp.models.RobertaTextClassifierPreprocessor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"以返回輸出概率。預設為None。 - hidden_dim：int。池化層的大小。
- dropout：float。捨棄概率值，應用於池化輸出和第一個密集層之後。
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.RobertaTextClassifier.from_preset(
"roberta_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.RobertaTextClassifier.from_preset(
"roberta_base_en",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自訂主幹和詞彙。
features = ["a quick fox", "a fox quick"]
labels = [0, 3]
vocab = {"<s>": 0, "<pad>": 1, "</s>": 2, "<mask>": 3}
vocab = {**vocab, "a": 4, "Ġquick": 5, "Ġfox": 6}
merges = ["Ġ q", "u i", "c k", "ui ck", "Ġq uick"]
merges += ["Ġ f", "o x", "Ġf ox"]
tokenizer = keras_nlp.models.RobertaTokenizer(
vocabulary=vocab,
merges=merges
)
preprocessor = keras_nlp.models.RobertaTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_nlp.models.RobertaBackbone(
vocabulary_size=20,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128
)
classifier = keras_nlp.models.RobertaTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
RobertaTextClassifier.from_preset(preset, load_weights=True, **kwargs)
從模型預設值實例化 keras_nlp.models.Task。
預設集是包含預先訓練模型的配置、權重和其他檔案資源的目錄。您可以將 preset 傳遞為下列其中一項：
- 內建的預設集識別碼，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' - 本機預設集目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您都可以執行 cls.presets.keys() 來列出類別中所有可用的內建預設集。
這個建構函式可以使用兩種方式呼叫。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，則會從預設集目錄中的配置推斷出回傳物件的子類別。
參數
- preset：字串。內建的預設集識別碼、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。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,
)
| 預設集名稱 | 參數 | 說明 |
|---|---|---|
| roberta_base_en | 124.05M | 12 層的 RoBERTa 模型，保留大小寫。使用英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 進行訓練。 |
| roberta_large_en | 354.31M | 24 層的 RoBERTa 模型，保留大小寫。使用英文維基百科、BooksCorpus、CommonCraw 和 OpenWebText 進行訓練。 |
backbone 屬性
keras_nlp.models.RobertaTextClassifier.backbone
具有核心架構的 keras_nlp.models.Backbone 模型。
preprocessor 屬性
keras_nlp.models.RobertaTextClassifier.preprocessor
用於預先處理輸入的 keras_nlp.models.Preprocessor 層。