XLMRobertaMaskedLM 模型

[源代码]

XLMRobertaMaskedLM 类

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

用于掩码语言建模任务的端到端 XLM-RoBERTa 模型。

此模型将在掩码语言建模任务上训练 XLM-RoBERTa。该模型将预测输入数据中多个被掩码的标记的标签。有关此模型与预训练权重一起使用的用法，请参阅 from_preset() 方法。

此模型可选择配置一个 preprocessor 层，在这种情况下，在 fit()、predict() 和 evaluate() 期间，输入可以是原始字符串特征。输入将在训练和评估期间进行标记化和动态掩码。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，不附带任何形式的保证或条件。底层模型由第三方提供，并受单独许可的约束，可在此处获取：此处。

参数

• backbone：一个 keras_hub.models.XLMRobertaBackbone 实例。
• preprocessor：一个 keras_hub.models.XLMRobertaMaskedLMPreprocessor 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。

示例

原始字符串输入和预训练主干。

# 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)

重新编译（例如，使用新的学习率）

.

masked_lm.compile( loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True), optimizer=keras.optimizers.Adam(5e-5), jit_compile=True, ) 通过编程方式访问主干（例如，更改 trainable）

.

masked_lm.backbone.trainable = False 再次拟合

.

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)

[源代码]

from_preset 方法

XLMRobertaMaskedLM.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：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './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两种方式之一调用。要么通过任务特定的基类，如 keras_hub.models.CausalLM.from_preset()，要么通过模型类，如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用，返回对象的子类将根据预设目录中的配置推断出来。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights: 布尔值。如果为 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,
)

backbone 属性

keras_hub.models.XLMRobertaMaskedLM.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。

preprocessor 属性

keras_hub.models.XLMRobertaMaskedLM.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。