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
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。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:
'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()
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
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,
)
save_to_preset
方法Task.save_to_preset(preset_dir)
将任务保存到预设目录。
参数
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。