任务

[源码]

Task 类

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

所有 Task 模型的基础类。

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针对给定文本问题进行训练、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。要单独或使用自定义函数预处理输入，您可以设置 task.preprocessor = 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，该构造函数可用于加载预训练的配置和权重。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，则会在构造时使用默认参数编译模型。在训练之前，仍然可以使用新的损失函数、优化器和指标重新编译模型。

[源码]

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 可以作为以下之一传递：

1. 一个内置的预设标识符，例如 'bert_base_en'
2. 一个 Kaggle 模型句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 一个指向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。可以从特定于任务的基类（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从预设目录中的配置推断出来。

参数

• preset: 字符串。一个内置的预设标识符，一个 Kaggle 模型句柄，一个 Hugging Face 句柄，或一个指向本地目录的路径。
• load_weights: 布尔值。如果为 True，则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,
)

[源码]

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。