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

TextClassifier

`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 来创建一个可用于序列分类的模型。TextClassifier 任务接收一个额外的 num_classes 参数，用于控制预测的输出类别数。

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 是字符串，y 是 [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，可用于加载预训练的配置和权重。

部分（但非全部）分类预设模型包含在 task.weights.h5 文件中的分类头权重。对于这些预设模型，您可以省略传递 num_classes 来恢复保存的分类头。对于所有预设模型，如果将 num_classes 作为关键字参数传递给 from_preset()，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。

预设是一个包含配置、权重和其他文件资产的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

一个内置的预设标识符，如 'bert_base_en'
一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
一个本地预设目录的路径，如 './bert_base_en'

对于任何 Task 子类，您都可以运行 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调用。一种方式是从特定任务的基类（如 keras_hub.models.CausalLM.from_preset()）调用，另一种方式是从模型类（如 keras_hub.models.BertTextClassifier.from_preset()）调用。如果从基类调用，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。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
load_weights: 布尔值。如果为 True，已保存的权重将被加载到模型架构中。如果为 False，所有权重将被随机初始化。

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，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_large_en_uncased	17.68M	24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_large_en_uncased	58.72M	24 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
albert_extra_extra_large_en_uncased	222.60M	12 层 ALBERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_tiny_en_uncased	4.39M	2 层 BERT 模型，所有输入均小写。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 骨干模型。
bert_small_en_uncased	28.76M	4 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_medium_en_uncased	41.37M	8 层 BERT 模型，所有输入均小写。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，大小写保持不变。在英文维基百科 + BooksCorpus 上训练。
bert_base_en_uncased	109.48M	12 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
bert_base_multi	177.85M	12 层 BERT 模型，大小写保持不变。在 104 种语言的维基百科上训练。
bert_large_en	333.58M	24 层 BERT 模型，大小写保持不变。在英文维基百科 + BooksCorpus 上训练。
bert_large_en_uncased	335.14M	24 层 BERT 模型，所有输入均小写。在英文维基百科 + BooksCorpus 上训练。
deberta_v3_extra_small_en	70.68M	12 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_small_en	141.30M	6 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_en	183.83M	12 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
deberta_v3_base_multi	278.22M	12 层 DeBERTaV3 模型，大小写保持不变。在 2.5TB 多语言 CC100 数据集上训练。
deberta_v3_large_en	434.01M	24 层 DeBERTaV3 模型，大小写保持不变。在英文维基百科、BookCorpus 和 OpenWebText 上训练。
distil_bert_base_en	65.19M	6 层 DistilBERT 模型，大小写保持不变。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，所有输入均小写。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，大小写保持不变。在 104 种语言的维基百科上训练。
esm2_t6_8M	7.41M	ESM-2 蛋白质语言模型的 6 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t12_35M	33.27M	ESM-2 蛋白质语言模型的 12 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t30_150M	147.73M	ESM-2 蛋白质语言模型的 30 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
esm2_t33_650M	649.40M	ESM-2 蛋白质语言模型的 33 个 Transformer 层版本，在 UniRef50 聚类蛋白质序列数据集上进行了训练。
f_net_base_en	82.86M	12 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。
f_net_large_en	236.95M	24 层 FNet 模型，大小写保持不变。在 C4 数据集上训练。
roberta_base_en	124.05M	12 层 RoBERTa 模型，大小写保持不变。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
roberta_large_en	354.31M	24 层 RoBERTa 模型，大小写保持不变。在英文维基百科、BooksCorpus、CommonCrawl 和 OpenWebText 上训练。
xlm_roberta_base_multi	277.45M	12 层 XLM-RoBERTa 模型，大小写保持不变。在 100 种语言的 CommonCrawl 上训练。
xlm_roberta_large_multi	558.84M	24 层 XLM-RoBERTa 模型，大小写保持不变。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)

为训练配置 TextClassifier 任务。

TextClassifier 任务通过为 optimizer、loss 和 metrics 设置默认值，扩展了 keras.Model.compile 的默认编译签名。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

optimizer: "auto"、优化器名称或 keras.Optimizer 实例。默认为 "auto"，它会为给定的模型和任务使用默认优化器。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"，此时将为分类任务应用 keras.losses.SparseCategoricalCrossentropy 损失。有关可能的 loss 值，请参阅 keras.Model.compile 和 keras.losses。
metrics："auto" 或在训练和测试期间由模型评估的度量列表。默认为 "auto"，此时将应用 keras.metrics.SparseCategoricalAccuracy 来跟踪模型在训练期间的准确度。有关可能的 metrics 值，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, max_shard_size=10)

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。
max_shard_size：int 或 float。每个分片文件的最大大小（以 GB 为单位）。如果为 None，则不进行分片。默认为 10。

`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

一个具有核心架构的 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

TextClassifier

TextClassifier 类

from_preset 方法

compile 方法

save_to_preset 方法

preprocessor 属性

backbone 属性

`TextClassifier` 类

`from_preset` 方法

`compile` 方法

`save_to_preset` 方法

`preprocessor` 属性

`backbone` 属性