任务

[源代码]

Task 类

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

所有任务模型的基类。

一个 Task 封装了一个 keras_hub.models.Backbone 和一个 keras_hub.models.Preprocessor，以创建一个可以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() 将自动预处理所有输入。要单独预处理输入或使用自定义函数，可以将 task.preprocessor 设置为 None，这将禁用对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。在任务上调用 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，将在构建时使用默认参数编译模型。在训练之前，模型仍然可以使用新的损失、优化器和指标进行重新编译。

[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：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './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。可以从特定任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，也可以从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，则返回对象的子类将根据预设目录中的配置推断。

参数

• preset：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights: 布尔值。如果为 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,
)

[源代码]

save_to_preset 方法

Task.save_to_preset(preset_dir, max_shard_size=10)

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。
• max_shard_size：int 或 float。每个分片文件的最大大小（以 GB 为单位）。如果为 None，则不进行分片。默认为 10。

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

一个具有核心架构的 keras_hub.models.Backbone 模型。