Seq2SeqLM 类keras_hub.models.Seq2SeqLM()
序列到序列语言建模任务的基类。
Seq2SeqLM 任务封装了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以创建一个可用于生成和生成性微调的模型，其中生成是在序列到序列设置中以附加输入序列为条件的。
Seq2SeqLM 任务提供了一个额外的高级 generate() 函数，可用于逐个标记地自回归采样输出序列。Seq2SeqLM 类的 compile() 方法包含一个额外的 sampler 参数，可用于传递 keras_hub.samplers.Sampler 以控制如何对预测分布进行采样。
调用 fit() 时，每个输入应包含一个输入序列和一个输出序列。模型将使用因果掩码逐个标记地预测输出序列，类似于 keras_hub.models.CausalLM 任务。与 CausalLM 任务不同，必须传递输入序列，并且输出序列中的所有标记都可以完全关注该输入序列。
所有 Seq2SeqLM 任务都包含一个 from_preset() 构造函数，可用于加载预训练配置和权重。
示例
# Load a Bart backbone with pre-trained weights.
seq_2_seq_lm = keras_hub.models.Seq2SeqLM.from_preset(
"bart_base_en",
)
seq_2_seq_lm.compile(sampler="top_k")
# Generate conditioned on the `"The quick brown fox."` as an input sequence.
seq_2_seq_lm.generate("The quick brown fox.", max_length=30)
from_preset 方法Seq2SeqLM.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化 keras_hub.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 可以以下列形式之一传递：
'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，您可以运行 cls.presets.keys() 以列出该类上所有可用的内置预设。
该构造函数可以通过以下两种方式之一调用：要么从任务特定的基类调用，例如 keras_hub.models.CausalLM.from_preset()，要么从模型类调用，例如 keras_hub.models.BertTextClassifier.from_preset()。如果从基类调用，返回对象的子类将根据预设目录中的配置进行推断。
参数
True，则会将保存的权重加载到模型架构中。如果为 False，则所有权重都将随机初始化。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 |
|---|---|---|
| bart_base_en | 139.42M | 保持大小写的 6 层 BART 模型。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
| bart_large_en | 406.29M | 保持大小写的 12 层 BART 模型。在 BookCorpus、英文维基百科和 CommonCrawl 上训练。 |
| bart_large_en_cnn | 406.29M | 在 CNN+DM 摘要数据集上微调的 bart_large_en 主干模型。 |
compile 方法Seq2SeqLM.compile(
optimizer="auto", loss="auto", weighted_metrics="auto", sampler="top_k", **kwargs
)
配置 CausalLM 任务用于训练和生成。
CausalLM 任务扩展了 keras.Model.compile 的默认编译签名，并为 optimizer、loss 和 weighted_metrics 提供了默认值。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。
CausalLM 任务为 compile 添加了一个新的 sampler 参数，可用于控制与 generate 函数一起使用的采样策略。
请注意，由于训练输入包含填充标记，这些标记被排除在损失计算之外，因此使用 weighted_metrics 而不是 metrics 进行编译几乎总是明智的。
参数
"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。"auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，其中 keras.losses.SparseCategoricalCrossentropy 损失将应用于标记分类的 CausalLM 任务。有关可能的 loss 值的更多信息，请参阅 keras.Model.compile 和 keras.losses。"auto"，或在训练和测试期间由模型评估的评估指标列表。默认为 "auto"，其中将应用 keras.metrics.SparseCategoricalAccuracy 以跟踪模型在猜测被掩码标记值时的准确性。有关可能的 weighted_metrics 值的更多信息，请参阅 keras.Model.compile 和 keras.metrics。keras_hub.samplers.Sampler 实例。配置在调用 generate() 时使用的采样方法。有关内置采样策略的完整列表，请参阅 keras_hub.samplers。keras.Model.compile。generate 方法Seq2SeqLM.generate(
inputs, max_length=None, stop_token_ids="auto", strip_prompt=False
)
根据提示 inputs 生成文本。
此方法根据给定的 inputs 生成文本。用于生成的采样方法可以通过 compile() 方法设置。
如果 inputs 是 tf.data.Dataset，则输出将“按批次”生成并连接。否则，所有输入都将作为一个批次处理。
如果模型附加了 preprocessor，则 inputs 将在 generate() 函数内部进行预处理，并且应与 preprocessor 层期望的结构（通常是原始字符串）匹配。如果未附加 preprocessor，则输入应与 backbone 期望的结构匹配。请参阅上面的示例用法以了解每种情况的演示。
参数
tf.data.Dataset。如果模型附加了 preprocessor，则 inputs 应与 preprocessor 层期望的结构匹配。如果未附加 preprocessor，则 inputs 应与 backbone 模型期望的结构匹配。preprocessor 配置的最大 sequence_length。如果 preprocessor 为 None，则 inputs 应填充到所需的最小长度，并且此参数将被忽略。None、"auto" 或标记 ID 元组。默认为 "auto"，它使用 preprocessor.tokenizer.end_token_id。未指定处理器将产生错误。None 在生成 max_length 个标记后停止生成。您还可以指定模型应停止的标记 ID 列表。请注意，标记序列中的每个标记都将被解释为停止标记，不支持多标记停止序列。save_to_preset 方法Seq2SeqLM.save_to_preset(preset_dir)
将任务保存到预设目录。
参数
preprocessor 属性keras_hub.models.Seq2SeqLM.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。
backbone 属性keras_hub.models.Seq2SeqLM.backbone
具有核心架构的 keras_hub.models.Backbone 模型。