XLMRobertaMaskedLM 模型

[來源]

XLMRobertaMaskedLM 類別

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

用於遮罩語言建模任務的端到端 XLM-RoBERTa 模型。

此模型將在遮罩語言建模任務上訓練 XLM-RoBERTa。該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。

此模型可以選擇性地使用 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，不提供任何形式的擔保或條件。基礎模型由第三方提供，並受獨立授權條款約束，請參閱此處。

參數

• backbone：一個 keras_nlp.models.XLMRobertaBackbone 實例。
• preprocessor：一個 keras_nlp.models.XLMRobertaMaskedLMPreprocessor 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對輸入進行預處理。

範例

原始字串輸入和預先訓練的骨幹。

# Create a dataset with raw string features. Labels are inferred.
features = ["The quick brown fox jumped.", "I forgot my homework."]

# Pretrained language model
# on an MLM task.
masked_lm = keras_nlp.models.XLMRobertaMaskedLM.from_preset(
    "xlm_roberta_base_multi",
)
masked_lm.fit(x=features, batch_size=2)

重新編譯（例如，使用新的學習率）

.

masked_lm.compile( loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), optimizer=keras.optimizers.Adam(5e-5), jit_compile=True, ) 以程式設計方式存取骨幹（例如，更改 trainable）

.

masked_lm.backbone.trainable = False 再次擬合

.

masked_lm.fit(x=features, batch_size=2)

Preprocessed integer data.
```python
__Create a preprocessed dataset 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.XLMRobertaMaskedLM.from_preset(
    "xlm_roberta_base_multi",
    preprocessor=None,
)

masked_lm.fit(x=features, y=labels, batch_size=2)

[來源]

from_preset 方法

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

從模型預設設定建立 keras_nlp.models.Task 的實例。

預設設定是一個包含用於儲存和載入預先訓練模型的配置、權重和其他檔案資源的目錄。preset 可以傳遞為以下其中一種：

1. 內建的預設設定識別碼，例如 'bert_base_en'
2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一個指向本機預設目錄的路徑，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()，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，則會從預設目錄中的設定推斷出傳回物件的子類別。

參數

• preset：字串。內建預設值識別碼、Kaggle 模型句柄、Hugging Face 句柄或本機目錄的路徑。
• 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,
)

backbone 屬性

keras_nlp.models.XLMRobertaMaskedLM.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。

preprocessor 屬性

keras_nlp.models.XLMRobertaMaskedLM.preprocessor

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