如何通过ktrain文本分类器使用另一个预训练的BERT模型？

如何解决如何通过ktrain文本分类器使用另一个预训练的BERT模型？

如何为ktrain库中的文本分类器使用其他预训练模型？使用时：

model = text.text_classifier（'bert'，（x_train，y_train）， preproc = preproc）

This uses the multilangual pretrained model

但是，我也想尝试一种单语模型。即荷兰语：“ wietsedv / bert-base-dutch-cased”，也用于其他k列实现for example。

但是，当尝试在文本分类器中使用此命令时，它不起作用：

model = text.text_classifier('bert',(x_train,y_train),> preproc=preproc,bert_model='wietsedv/bert-base-dutch-cased')

或

model = text.text_classifier('wietsedv/bert-base-dutch-cased',preproc=preproc)

有人可以这样做吗？谢谢！

解决方法

ktrain 中有两个文本分类API。第一个是text_classifier API，可用于选择数量的变压器模型和非变压器模型。第二个是Transformer API，可与任何transformers模型一起使用，包括您列出的模型。

后者在this tutorial notebook和this medium article中有详细说明。

例如，您可以在以下示例中将MODEL_NAME替换为所需的任何模型：

示例：

# load text data
categories = ['alt.atheism','soc.religion.christian','comp.graphics','sci.med']
from sklearn.datasets import fetch_20newsgroups
train_b = fetch_20newsgroups(subset='train',categories=categories,shuffle=True)
test_b = fetch_20newsgroups(subset='test',shuffle=True)
(x_train,y_train) = (train_b.data,train_b.target)
(x_test,y_test) = (test_b.data,test_b.target)

# build,train,and validate model (Transformer is wrapper around transformers library)
import ktrain
from ktrain import text
MODEL_NAME = 'distilbert-base-uncased'  # replace this with model of choice
t = text.Transformer(MODEL_NAME,maxlen=500,class_names=train_b.target_names)
trn = t.preprocess_train(x_train,y_train)
val = t.preprocess_test(x_test,y_test)
model = t.get_classifier()
learner = ktrain.get_learner(model,train_data=trn,val_data=val,batch_size=6)
learner.fit_onecycle(5e-5,4)
learner.validate(class_names=t.get_classes()) # class_names must be string values

# Output from learner.validate()
#                        precision    recall  f1-score   support
#
#           alt.atheism       0.92      0.93      0.93       319
#         comp.graphics       0.97      0.97      0.97       389
#               sci.med       0.97      0.95      0.96       396
#soc.religion.christian       0.96      0.96      0.96       398
#
#              accuracy                           0.96      1502
#             macro avg       0.95      0.96      0.95      1502
#          weighted avg       0.96      0.96      0.96      1502