XLMRobertaMaskedLM 模型

[原始碼]

XLMRobertaMaskedLM 類別

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

用於遮罩語言模型任務的端到端 XLM-RoBERTa 模型。

這個模型將在遮罩語言模型任務上訓練 XLM-RoBERTa。該模型將預測輸入資料中一些遮罩 tokens 的標籤。若要使用具有預訓練權重的此模型，請參閱 from_preset() 方法。

這個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被 token 化並動態遮罩。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」為基礎提供，不提供任何形式的保證或條件。底層模型由第三方提供，並受個別授權條款約束，詳情請參閱此處。

參數

• backbone：keras_hub.models.XLMRobertaBackbone 實例。
• preprocessor：keras_hub.models.XLMRobertaMaskedLMPreprocessor 或 `None`。如果為 `None`，則此模型將不套用預處理，且輸入應在呼叫模型之前預處理。

範例

原始字串輸入和預訓練 backbone。

# 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_hub.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 backbone（例如，變更 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_hub.models.XLMRobertaMaskedLM.from_preset(
    "xlm_roberta_base_multi",
    preprocessor=None,
)

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

[原始碼]

from_preset 方法

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

從模型預設項實例化 keras_hub.models.Task。

預設項是一個包含配置、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` 可以作為以下其中一項傳遞

1. 內建預設項識別符，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. 本機預設項目錄的路徑，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項。

此建構子可以透過兩種方式之一呼叫。可以從任務特定的基底類別（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項目錄中的配置推斷而得。

參數

• preset：字串。內建預設項識別符、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
• 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,
)

backbone 屬性

keras_hub.models.XLMRobertaMaskedLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。

preprocessor 屬性

keras_hub.models.XLMRobertaMaskedLM.preprocessor

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