FNetMaskedLM 模型
FNetMaskedLM 類別
keras_hub.models.FNetMaskedLM(backbone, preprocessor=None, **kwargs)
用於遮罩語言模型任務的端對端 FNet 模型。
此模型將在遮罩語言模型任務上訓練 FNet。模型將預測輸入資料中多個遮罩符號的標籤。如需搭配預訓練權重使用此模型，請參閱 from_preset() 建構函式。
此模型可以選擇性地配置 preprocessor 層，在這種情況下，輸入可以是 fit()、predict() 和 evaluate() 期間的原始字串特徵。輸入將在訓練和評估期間進行符號化和動態遮罩。當使用 from_preset() 建立模型時，預設會執行此操作。
免責聲明：預訓練模型以「現狀」為基礎提供，不提供任何形式的擔保或條件。
引數
- backbone：
keras_hub.models.FNetBackbone實例。 - preprocessor：
keras_hub.models.FNetMaskedLMPreprocessor或None。如果為None，則此模型將不套用預處理，並且輸入應在呼叫模型之前進行預處理。
範例
原始字串資料。
features = ["The quick brown fox jumped.", "I forgot my homework."]
# Pretrained language model.
masked_lm = keras_hub.models.FNetMaskedLM.from_preset(
"f_net_base_en",
)
masked_lm.fit(x=features, batch_size=2)
# Re-compile (e.g., with a new learning rate).
masked_lm.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`).
masked_lm.backbone.trainable = False
# Fit again.
masked_lm.fit(x=features, batch_size=2)
預處理後的整數資料。
# Create a preprocessed dataset where 0 is the mask token.
features = {
"token_ids": np.array([[1, 2, 0, 4, 0, 6, 7, 8]] * 2),
"segment_ids": np.array([[0, 0, 0, 1, 1, 1, 0, 0]] * 2),
"mask_positions": np.array([[2, 4]] * 2)
}
# Labels are the original masked values.
labels = [[3, 5]] * 2
masked_lm = keras_hub.models.FNetMaskedLM.from_preset(
"f_net_base_en",
preprocessor=None,
)
masked_lm.fit(x=features, y=labels, batch_size=2)
from_preset 方法
FNetMaskedLM.from_preset(preset, load_weights=True, **kwargs)
從模型預設實例化 keras_hub.models.Task。
預設是一個組態、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
- 內建預設識別碼，例如
'bert_base_en' - Kaggle Models 控制代碼，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 控制代碼，例如
'hf://user/bert_base_en' - 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() 以列出該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。可以從任務特定的基底類別（例如 keras_hub.models.CausalLM.from_preset()）呼叫，也可以從模型類別（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組態推斷。
引數
- preset：字串。內建預設識別碼、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
- 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 |
|---|---|---|
| f_net_base_en | 82.86M | 12 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。 |
| f_net_large_en | 236.95M | 24 層 FNet 模型，其中保留大小寫。在 C4 資料集上訓練。 |
backbone 屬性
keras_hub.models.FNetMaskedLM.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.FNetMaskedLM.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。