► KerasHub：预训练模型 / API 文档 / 建模 API / TextClassifier

TextClassifier

[源代码]

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，以创建一个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，请传递一个包含 (x, y) 标签元组的数据集，其中 x 是一个字符串，y 是一个来自 [0, num_classes) 的整数。

所有 TextClassifier 任务都包含一个 from_preset() 构造函数，可用于加载预训练的配置和权重。

某些（但并非全部）分类预设在 task.weights.h5 文件中包含分类头权重。对于这些预设，您可以省略传递 num_classes 以恢复保存的分类头。对于所有预设，如果将 num_classes 作为关键字参数传递给 from_preset()，则分类头将被随机初始化。

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."])

[源代码]

from_preset 方法

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 可以作为以下之一传递

  1. 内置预设标识符，如 'bert_base_en'
  2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄，如 'hf://user/bert_base_en'
  4. 本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您可以运行 cls.presets.keys() 以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。可以从任务特定的基类（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。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，则保存的权重将加载到模型架构中。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,
)
预设 参数 描述
albert_base_en_uncased 11.68M 12 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased 17.68M 24 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased 58.72M 24 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased 222.60M 12 层 ALBERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased 4.39M 2 层 BERT 模型，其中所有输入均为小写。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，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased 41.37M 8 层 BERT 模型，其中所有输入均为小写。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，其中保留大小写。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased 109.48M 12 层 BERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
bert_base_multi 177.85M 12 层 BERT 模型，其中保留大小写。在 104 种语言的维基百科上训练
bert_large_en 333.58M 24 层 BERT 模型，其中保留大小写。在英文维基百科 + BooksCorpus 上训练。
bert_large_en_uncased 335.14M 24 层 BERT 模型，其中所有输入均为小写。在英文维基百科 + BooksCorpus 上训练。
deberta_v3_extra_small_en 70.68M 12 层 DeBERTaV3 模型，其中保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en 141.30M 6 层 DeBERTaV3 模型，其中保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en 183.83M 12 层 DeBERTaV3 模型，其中保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi 278.22M 12 层 DeBERTaV3 模型，其中保留大小写。在 2.5TB 多语言 CC100 数据集上训练。
deberta_v3_large_en 434.01M 24 层 DeBERTaV3 模型，其中保留大小写。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
distil_bert_base_en 65.19M 6 层 DistilBERT 模型，其中保留大小写。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，其中所有输入均为小写。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，其中保留大小写。在 104 种语言的维基百科上训练
f_net_base_en 82.86M 12 层 FNet 模型，其中保留大小写。在 C4 数据集上训练。
f_net_large_en 236.95M 24 层 FNet 模型，其中保留大小写。在 C4 数据集上训练。
roberta_base_en 124.05M 12 层 RoBERTa 模型，其中保留大小写。在英文维基百科、BooksCorpus、CommonCraw 和 OpenWebText 上训练。
roberta_large_en 354.31M 24 层 RoBERTa 模型，其中保留大小写。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，其中保留大小写。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi 558.84M 24 层 XLM-RoBERTa 模型，其中保留大小写。在 100 种语言的 CommonCrawl 上训练。

[源代码]

compile 方法

TextClassifier.compile(optimizer="auto", loss="auto", metrics="auto", **kwargs)

配置 TextClassifier 任务以进行训练。

TextClassifier 任务扩展了 keras.Model.compile 的默认编译签名，并为 optimizer、loss 和 metrics 提供了默认值。要覆盖这些默认值，请在编译期间将任何值传递给这些参数。

参数

  • optimizer："auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它使用给定模型和任务的默认优化器。有关可能的 optimizer 值的更多信息，请参阅 keras.Model.compile 和 keras.optimizers。
  • loss："auto"、损失名称或 keras.losses.Loss 实例。默认为 "auto"，其中 keras.losses.SparseCategoricalCrossentropy 损失将应用于分类任务。有关可能的 loss 值的更多信息，请参阅 keras.Model.compile 和 keras.losses。
  • metrics："auto" 或在模型训练和测试期间要评估的指标列表。默认为 "auto"，其中 keras.metrics.SparseCategoricalAccuracy 将用于跟踪模型训练期间的准确率。有关可能的 metrics 值的更多信息，请参阅 keras.Model.compile 和 keras.metrics。
  • **kwargs：有关 compile 方法支持的完整参数列表，请参阅 keras.Model.compile。

[源代码]

save_to_preset 方法

TextClassifier.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.TextClassifier.preprocessor

用于预处理输入的 keras_hub.models.Preprocessor 层。

backbone 属性

keras_hub.models.TextClassifier.backbone

具有核心架构的 keras_hub.models.Backbone 模型。

TextClassifier
TextClassifier 类
from_preset 方法
compile 方法
save_to_preset 方法
preprocessor 属性
backbone 属性