► KerasHub：預訓練模型 / API 文件 / 模型架構 / Bert / BertTextClassifier 模型

BertTextClassifier 模型

[來源]

BertTextClassifier 類別

keras_hub.models.BertTextClassifier(
    backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)

用於分類任務的端對端 BERT 模型。

此模型將分類頭附加到 keras_hub.model.BertBackbone 實例，從主幹輸出映射到適用於分類任務的 logits。若要搭配預訓練權重使用此模型，請使用 from_preset() 建構函式。

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。預設情況下，使用 from_preset() 建立模型時會執行此操作。

免責聲明：預訓練模型以「現狀」基礎提供，不提供任何擔保或條件。

引數

  • backbone：keras_hub.models.BertBackbone 實例。
  • num_classes：int。要預測的類別數量。
  • preprocessor：keras_hub.models.BertTextClassifierPreprocessor 或 None。如果為 None，則此模型不會應用預處理，並且應在呼叫模型之前預處理輸入。
  • activation：選用的 str 或可呼叫物件。要在模型輸出上使用的啟動函數。設定 activation="softmax" 以傳回輸出機率。預設為 None。
  • dropout：float。dropout 機率值，在密集層之後應用。

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_hub.models.BertTextClassifier.from_preset(
    "bert_base_en_uncased",
    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)

預處理後的整數資料。

features = {
    "token_ids": np.ones(shape=(2, 12), dtype="int32"),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]] * 2),
    "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_hub.models.BertTextClassifier.from_preset(
    "bert_base_en_uncased",
    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]

vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.BertTokenizer(
    vocabulary=vocab,
)
preprocessor = keras_hub.models.BertTextClassifierPreprocessor(
    tokenizer=tokenizer,
    sequence_length=128,
)
backbone = keras_hub.models.BertBackbone(
    vocabulary_size=30552,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_sequence_length=128,
)
classifier = keras_hub.models.BertTextClassifier(
    backbone=backbone,
    preprocessor=preprocessor,
    num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)

[來源]

from_preset 方法

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

從模型預設實例化 keras_hub.models.Task。

預設是配置、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為以下其中之一傳遞

  1. 內建預設識別碼，例如 'bert_base_en'
  2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
  4. 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() 以列出類別上可用的所有內建預設。

此建構函式可以透過兩種方式之一呼叫。從任務特定的基底類別（例如 keras_hub.models.CausalLM.from_preset()）呼叫，或從模型類別（例如 keras_hub.models.BertTextClassifier.from_preset()）呼叫。如果從基底類別呼叫，則傳回物件的子類別將從預設目錄中的配置推斷出來。

引數

  • preset：字串。內建預設識別碼、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
  • load_weights：bool。如果為 True，則儲存的權重將載入到模型架構中。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_hub.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_hub.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
預設 參數 描述
bert_tiny_en_uncased 4.39M 2 層 BERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_tiny_en_uncased_sst2 4.39M 在 SST-2 情感分析資料集上微調的 bert_tiny_en_uncased 主幹模型。
bert_small_en_uncased 28.76M 4 層 BERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_medium_en_uncased 41.37M 8 層 BERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_zh 102.27M 12 層 BERT 模型。在中文維基百科上訓練。
bert_base_en 108.31M 12 層 BERT 模型，其中保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_en_uncased 109.48M 12 層 BERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_base_multi 177.85M 12 層 BERT 模型，其中保留大小寫。在 104 種語言的維基百科上訓練
bert_large_en 333.58M 24 層 BERT 模型，其中保留大小寫。在英文維基百科 + BooksCorpus 上訓練。
bert_large_en_uncased 335.14M 24 層 BERT 模型，其中所有輸入都小寫。在英文維基百科 + BooksCorpus 上訓練。

backbone 屬性

keras_hub.models.BertTextClassifier.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.BertTextClassifier.preprocessor

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

BertTextClassifier 模型
BertTextClassifier 類別
from_preset 方法
backbone 屬性
preprocessor 屬性