任务

[源代码]

Task

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.Backbonekeras_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 backbonepreprocessor 属性。默认情况下,fit()predict()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.Backbonekeras_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。