DistilBertTextClassifier 模型
DistilBertTextClassifier 類別
keras_hub.models.DistilBertTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.2,
**kwargs
)
用於分類任務的端到端 DistilBERT 模型。
此模型將分類頭部連接到 keras_hub.model.DistilBertBackbone 實例，將主幹輸出映射到適用於分類任務的 logits。如需使用預訓練權重的此模型，請參閱 from_preset() 建構子。
此模型可以選擇性地配置 preprocessor 層，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，不提供任何形式的保證或條件。底層模型由第三方提供，並受單獨授權條款約束，授權條款請見此處。
參數
- backbone：
keras_hub.models.DistilBert實例。 - num_classes：整數。要預測的類別數量。
- preprocessor：
keras_hub.models.DistilBertTextClassifierPreprocessor或None。如果為None，則此模型不會應用預處理，且輸入應在呼叫模型之前進行預處理。 - activation：可選的
str或可調用物件。要在模型輸出上使用的激活函數。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。dropout 機率值，應用於第一個密集層之後。
範例
原始字串資料。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Use a shorter sequence length.
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor.from_preset(
"distil_bert_base_en_uncased",
sequence_length=128,
)
# Pretrained classifier.
classifier = keras_hub.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)
預處理後的整數資料。
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_hub.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.DistilBertTokenizer(
vocabulary=vocab,
)
preprocessor = keras_hub.models.DistilBertTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.DistilBertBackbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.DistilBertTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法
DistilBertTextClassifier.from_preset(preset, load_weights=True, **kwargs)
從模型預設配置實例化 keras_hub.models.Task。
預設配置是一個目錄，其中包含用於儲存和載入預訓練模型的配置、權重和其他檔案資產。preset 可以作為以下其中之一傳遞
- 內建預設配置識別符，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 本地預設配置目錄的路徑，例如
'./bert_base_en'
對於任何 Task 子類別，您可以執行 cls.presets.keys() 以列出該類別上所有可用的內建預設配置。
此建構子可以透過兩種方式之一呼叫。可以從特定任務的基底類別（如 keras_hub.models.CausalLM.from_preset()）呼叫，也可以從模型類別（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配置目錄中的配置推斷。
參數
- preset：字串。內建預設配置識別符、Kaggle Models 句柄、Hugging Face 句柄或本地目錄的路徑。
- load_weights：布林值。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,
)
| 預設配置 | 參數 | 描述 |
|---|---|---|
| distil_bert_base_en | 65.19M | 6 層 DistilBERT 模型，其中保留大小寫。使用 BERT 作為教師模型，在英文維基百科 + BooksCorpus 上訓練。 |
| distil_bert_base_en_uncased | 66.36M | 6 層 DistilBERT 模型，其中所有輸入均為小寫。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訓練 |
backbone 屬性
keras_hub.models.DistilBertTextClassifier.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.DistilBertTextClassifier.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。