AlbertTextClassifier 类keras_hub.models.AlbertTextClassifier(
backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)
用于分类任务的端到端 ALBERT 模型
此模型将分类头附加到 keras_hub.model.AlbertBackbone 主干，将主干输出映射到适用于分类任务的对数输出。有关此模型与预训练权重一起使用的信息，请参阅 from_preset() 方法。
此模型可以选择配置 preprocessor 层，在这种情况下，它将在 fit()、predict() 和 evaluate() 期间自动对原始输入应用预处理。这在使用 from_preset() 创建模型时默认完成。
免责声明：预训练模型按“原样”提供，不附带任何明示或暗示的保证或条件。
参数
keras_hub.models.AlertBackbone 实例。keras_hub.models.AlbertTextClassifierPreprocessor 或 None。如果为 None，此模型将不应用预处理，并且在调用模型之前应预处理输入。str 或可调用对象。用于模型输出的激活函数。设置 activation="softmax" 以返回输出概率。默认为 None。示例
原始字符串数据。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_hub.models.AlbertTextClassifier.from_preset(
"albert_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)
预处理的整数数据。
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.AlbertTextClassifier.from_preset(
"albert_base_en_uncased",
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自定义骨干和词汇表。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
bytes_io = io.BytesIO()
ds = tf.data.Dataset.from_tensor_slices(features)
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=10,
model_type="WORD",
pad_id=0,
unk_id=1,
bos_id=2,
eos_id=3,
pad_piece="<pad>",
unk_piece="<unk>",
bos_piece="[CLS]",
eos_piece="[SEP]",
user_defined_symbols="[MASK]",
)
tokenizer = keras_hub.models.AlbertTokenizer(
proto=bytes_io.getvalue(),
)
preprocessor = keras_hub.models.AlbertTextClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.AlbertBackbone(
vocabulary_size=tokenizer.vocabulary_size(),
num_layers=4,
num_heads=4,
hidden_dim=256,
embedding_dim=128,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.AlbertTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法AlbertTextClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task。
预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./bert_base_en'对于任何 Task 子类，您都可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。
此构造函数可以通过以下两种方式之一调用：从任务特定的基类（如 keras_hub.models.CausalLM.from_preset()）调用，或者从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将从预设目录中的配置推断。
参数
True，已保存的权重将被加载到模型架构中。如果为 False，所有权重将被随机初始化。示例
# 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,
)
| 预设 | 参数 | 描述 |
|---|---|---|
| albert_base_en_uncased | 11.68M | 12 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_large_en_uncased | 17.68M | 24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_large_en_uncased | 58.72M | 24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。 |
| albert_extra_extra_large_en_uncased | 222.60M | 12 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。 |
backbone 属性keras_hub.models.AlbertTextClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.AlbertTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。