任务

[源代码]

Task 类

keras_hub.models.Task(*args, compile=True, **kwargs)

所有 Task 模型的基础类。

一个 Task 封装了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以创建一个可直接用于给定文本问题的训练、微调和预测的模型。

所有 Task 模型都具有 backbone 和 preprocessor 属性。默认情况下，fit()、predict() 和 evaluate() 会自动预处理所有输入。要单独或使用自定义函数预处理输入，可以将 task.preprocessor 设置为 None，这将禁用输入的任何自动预处理。

所有 Task 类都包含一个 from_preset() 构造函数，可用于加载预训练配置和权重。在 Task 上调用 from_preset() 将自动实例化一个 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor。

参数

• compile: 布尔值，默认为 True。如果为 True，则在构造时使用默认参数编译模型。模型仍然可以在训练前用新的损失、优化器和指标重新编译。

[源代码]

from_preset 方法

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

从模型预设实例化一个 keras_hub.models.Task。

预设是用于保存和加载预训练模型的配置、权重和其他文件资源的目录。preset 可以是以下之一：

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

对于任何 Task 子类，您可以运行 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。可以从特定任务的基础类（例如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（例如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基础类调用，返回对象的子类将从预设目录中的配置推断。

参数

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

[源代码]

save_to_preset 方法

Task.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_hub.models.Task.preprocessor

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

backbone 属性

keras_hub.models.Task.backbone

具有核心架构的 keras_hub.models.Backbone 模型。