XLMRobertaTextClassifier 类keras_hub.models.XLMRobertaTextClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
用于分类任务的端到端 XLM-RoBERTa 模型。
此模型将分类头连接到 keras_hub.model.XLMRobertaBackbone 实例，将主干输出映射到适合分类任务的 logits。有关此模型使用预训练权重的信息，请参阅 from_preset() 构造函数。
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。这在通过 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，不提供任何形式的担保或条件。底层模型由第三方提供，并受单独的许可协议约束，可在此处获取。
参数
keras_hub.models.XLMRobertaBackbone 实例。keras_hub.models.XLMRobertaTextClassifierPreprocessor 或 None。如果为 None，则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.", "نسيت الواجب"]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_hub.models.XLMRobertaTextClassifier.from_preset(
"xlm_roberta_base_multi",
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"),
"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.XLMRobertaTextClassifier.from_preset(
"xlm_roberta_base_multi",
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.", "نسيت الواجب"]
labels = [0, 3]
def train_sentencepiece(ds, vocab_size):
bytes_io = io.BytesIO()
sentencepiece.SentencePieceTrainer.train(
sentence_iterator=ds.as_numpy_iterator(),
model_writer=bytes_io,
vocab_size=vocab_size,
model_type="WORD",
unk_id=0,
bos_id=1,
eos_id=2,
)
return bytes_io.getvalue()
ds = tf.data.Dataset.from_tensor_slices(
["the quick brown fox", "the earth is round"]
)
proto = train_sentencepiece(ds, vocab_size=10)
tokenizer = keras_hub.models.XLMRobertaTokenizer(
proto=proto
)
preprocessor = keras_hub.models.XLMRobertaTextClassifierPreprocessor(
tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.XLMRobertaBackbone(
vocabulary_size=250002,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_sequence_length=128,
)
classifier = keras_hub.models.XLMRobertaTextClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法XLMRobertaTextClassifier.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两种方式调用。可以从任务特定的基类调用，例如 keras_hub.models.CausalLM.from_preset()，也可以从模型类调用，例如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用，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 |
|---|---|---|
| xlm_roberta_base_multi | 277.45M | 12 层 XLM-RoBERTa 模型，大小写保持不变。在 100 种语言的 CommonCrawl 上训练。 |
| xlm_roberta_large_multi | 558.84M | 24 层 XLM-RoBERTa 模型，大小写保持不变。在 100 种语言的 CommonCrawl 上训练。 |
backbone 属性keras_hub.models.XLMRobertaTextClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.XLMRobertaTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。