TextClassifier
类keras_hub.models.TextClassifier(*args, compile=True, **kwargs)
所有分类任务的基类。
`TextClassifier` 任务封装了一个 keras_hub.models.Backbone
和一个 keras_hub.models.Preprocessor
,以创建可用于序列分类的模型。`TextClassifier` 任务接受一个额外的 `num_classes` 参数,用于控制预测输出类别的数量。
要使用 `fit()` 进行微调,请传递包含 `(x, y)` 标签元组的数据集,其中 `x` 是一个字符串,`y` 是一个 `[0, num_classes)` 范围内的整数。
所有 `TextClassifier` 任务都包含一个 `from_preset()` 构造函数,可用于加载预训练配置和权重。
部分(并非全部)分类预设在 `task.weights.h5` 文件中包含分类头权重。对于这些预设,你可以省略传递 `num_classes` 来恢复保存的分类头。对于所有预设,如果将 `num_classes` 作为 kwarg 传递给 `from_preset()`,则分类头将随机初始化。
示例
# Load a BERT classifier with pre-trained weights.
classifier = keras_hub.models.TextClassifier.from_preset(
"bert_base_en",
num_classes=2,
)
# Fine-tune on IMDb movie reviews (or any dataset).
imdb_train, imdb_test = tfds.load(
"imdb_reviews",
split=["train", "test"],
as_supervised=True,
batch_size=16,
)
classifier.fit(imdb_train, validation_data=imdb_test)
# Predict two new examples.
classifier.predict(["What an amazing movie!", "A total waste of my time."])
TextClassifier.from_preset(preset, load_weights=True, **kwargs)
从模型预设实例化一个 keras_hub.models.Task
。
预设是一个包含用于保存和加载预训练模型的配置、权重和其他文件资产的目录。`preset` 可以以下列方式之一传递:
对于任何 `Task` 子类,你可以运行 `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。要么从特定任务的基类(例如 `keras_hub.models.CausalLM.from_preset()`)调用,要么从模型类(例如 `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
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,
)
预设 | 参数 | 描述 |
---|---|---|
albert_base_en_uncased | 11.68M | 12 层 ALBERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
albert_large_en_uncased | 17.68M | 24 层 ALBERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
albert_extra_large_en_uncased | 58.72M | 24 层 ALBERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
albert_extra_extra_large_en_uncased | 222.60M | 12 层 ALBERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_tiny_en_uncased | 4.39M | 2 层 BERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_tiny_en_uncased_sst2 | 4.39M | 在 SST-2 情感分析数据集上微调的 bert_tiny_en_uncased 主干模型。 |
bert_small_en_uncased | 28.76M | 4 层 BERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_medium_en_uncased | 41.37M | 8 层 BERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_base_zh | 102.27M | 12 层 BERT 模型。在中文维基百科上训练。 |
bert_base_en | 108.31M | 12 层 BERT 模型,保留大小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_base_en_uncased | 109.48M | 12 层 BERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_base_multi | 177.85M | 12 层 BERT 模型,保留大小写。在 104 种语言的维基百科上训练。 |
bert_large_en | 333.58M | 24 层 BERT 模型,保留大小写。在英文维基百科 + BooksCorpus 上训练。 |
bert_large_en_uncased | 335.14M | 24 层 BERT 模型,所有输入都被小写。在英文维基百科 + BooksCorpus 上训练。 |
deberta_v3_extra_small_en | 70.68M | 12 层 DeBERTaV3 模型,保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_small_en | 141.30M | 6 层 DeBERTaV3 模型,保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_base_en | 183.83M | 12 层 DeBERTaV3 模型,保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
deberta_v3_base_multi | 278.22M | 12 层 DeBERTaV3 模型,保留大小写。在 2.5TB 多语言 CC100 数据集上训练。 |
deberta_v3_large_en | 434.01M | 24 层 DeBERTaV3 模型,保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。 |
distil_bert_base_en | 65.19M | 6 层 DistilBERT 模型,保留大小写。使用 BERT 作为教师模型,在英文维基百科 + BooksCorpus 上训练。 |
distil_bert_base_en_uncased | 66.36M | 6 层 DistilBERT 模型,所有输入都被小写。使用 BERT 作为教师模型,在英文维基百科 + BooksCorpus 上训练。 |
distil_bert_base_multi | 134.73M | 6 层 DistilBERT 模型,保留大小写。在 104 种语言的维基百科上训练。 |
f_net_base_en | 82.86M | 12 层 FNet 模型,保留大小写。在 C4 数据集上训练。 |
f_net_large_en | 236.95M | 24 层 FNet 模型,保留大小写。在 C4 数据集上训练。 |
roberta_base_en | 124.05M | 12 层 RoBERTa 模型,保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
roberta_large_en | 354.31M | 24 层 RoBERTa 模型,保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。 |
xlm_roberta_base_multi | 277.45M | 12 层 XLM-RoBERTa 模型,保留大小写。在 100 种语言的 CommonCrawl 上训练。 |
xlm_roberta_large_multi | 558.84M | 24 层 XLM-RoBERTa 模型,保留大小写。在 100 种语言的 CommonCrawl 上训练。 |
TextClassifier.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)
配置 `TextClassifier` 任务用于训练。
`TextClassifier` 任务扩展了 keras.Model.compile
的默认编译签名,并提供了 `optimizer`、`loss` 和 `metrics` 的默认值。要覆盖这些默认值,请在编译期间为这些参数传递任何值。
参数
keras.Model.compile
和 `keras.optimizers`。keras.losses.Loss
实例。默认为 `"auto"`,此时将为分类任务应用 keras.losses.SparseCategoricalCrossentropy
损失。有关可能的 `loss` 值的更多信息,请参阅 keras.Model.compile
和 `keras.losses`。keras.metrics.SparseCategoricalAccuracy
来跟踪模型在训练期间的准确率。有关可能的 `metrics` 值的更多信息,请参阅 keras.Model.compile
和 `keras.metrics`。keras.Model.compile
。TextClassifier.save_to_preset(preset_dir)
将任务保存到预设目录。
参数
keras_hub.models.TextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor
层。
keras_hub.models.TextClassifier.backbone
具有核心架构的 keras_hub.models.Backbone
模型。