文本分类器

[源代码]

TextClassifier 类

keras_nlp.models.TextClassifier()

所有分类任务的基类。

TextClassifier 任务封装了 keras_nlp.models.Backbone 和 keras_nlp.models.Preprocessor，以创建一个可用于序列分类的模型。TextClassifier 任务接受一个额外的 num_classes 参数，控制预测输出类的数量。

要使用 fit() 进行微调，请传递一个包含 (x, y) 标签元组的数据集，其中 x 是一个字符串，y 是 [0, num_classes) 中的一个整数。

所有 TextClassifier 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和权重。

一些（但并非所有）分类预设在 task.weights.h5 文件中包含分类头权重。对于这些预设，您可以省略传递 num_classes 以恢复保存的分类头。对于所有预设，如果将 num_classes 作为关键字参数传递给 from_preset()，则分类头将被随机初始化。

示例

# Load a BERT classifier with pre-trained weights.
classifier = keras_nlp.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)
# Fine-tune on IMDb movie reviews (or any dataset).
imdb_train, imdb_test = tfds.load(
    "imdb_reviews",
    split=["train", "test"],
    as_supervised=True,
    batch_size=16,
)
classifier.fit(imdb_train, validation_data=imdb_test)
# Predict two new examples.
classifier.predict(["What an amazing movie!", "A total waste of my time."])

[源代码]

from_preset 方法

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

从模型预设实例化 keras_nlp.models.Task。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：

1. 内置预设标识符，如 'bert_base_en'
2. Kaggle 模型句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以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。从任务特定的基类（如 keras_nlp.models.CausalLM.from_preset()）或从模型类（如 keras_nlp.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得出。

参数

• preset：字符串。内置预设标识符、Kaggle 模型句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：布尔值。如果为 True，则保存的权重将加载到模型架构中。如果为 False，则所有权重都将被随机初始化。

示例

# Load a Gemma generative task.
causal_lm = keras_nlp.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_nlp.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

[源代码]

compile 方法

TextClassifier.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)

配置 TextClassifier 任务以进行训练。

TextClassifier 任务扩展了 keras.Model.compile 的默认编译签名，其中包含 optimizer、loss 和 metrics 的默认值。要覆盖这些默认值，请在编译期间将任何值传递给这些参数。

参数

• optimizer："auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它使用给定模型和任务的默认优化器。有关可能的 optimizer 值的更多信息，请参阅 keras.Model.compile 和 keras.optimizers。
• loss："auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，其中将应用 keras.losses.SparseCategoricalCrossentropy 损失以进行分类任务。有关可能的 loss 值的更多信息，请参阅 keras.Model.compile 和 keras.losses。
• metrics："auto" 或模型在训练和测试期间要评估的指标列表。默认为 "auto"，其中将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪训练期间模型的准确率。有关可能的 metrics 值的更多信息，请参阅 keras.Model.compile 和 keras.metrics。
• **kwargs：有关编译方法支持的所有参数的完整列表，请参阅 keras.Model.compile。

[源代码]

save_to_preset 方法

TextClassifier.save_to_preset(preset_dir)

将任务保存到预设目录。

参数

• preset_dir：本地模型预设目录的路径。

preprocessor 属性

keras_nlp.models.TextClassifier.preprocessor

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

backbone 属性

keras_nlp.models.TextClassifier.backbone

具有核心架构的 keras_nlp.models.Backbone 模型。