ESMProteinClassifier 类keras_hub.models.ESMProteinClassifier(
backbone,
num_classes,
preprocessor=None,
activation=None,
hidden_dim=None,
dropout=0.0,
**kwargs
)
一个端到端的 ESM 模型，用于分类任务。
此模型将一个分类头连接到 keras_hub.models.ESMBackbone，将骨干网络的输出映射到适合分类任务的 logits。要使用此模型及其预训练权重，请使用 from_preset() 构造函数。
此模型可以选择性地配置一个 preprocessor 层，在这种情况下，它将在 fit()、predict() 和 evaluate() 调用期间自动对原始输入应用预处理。使用 from_preset() 创建模型时，默认会执行此操作。
参数
keras_hub.models.ESMBackbone 实例。keras_hub.models.ESMProteinClassifierPreprocessor 实例或 None。如果为 None，此模型将不应用预处理，输入应在调用模型之前进行预处理。str 或可调用对象。用于模型输出的激活函数。设置 activation="softmax" 以返回输出概率。默认为 None。示例
原始字符串数据。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_hub.models.ESMProteinClassifier.from_preset(
hf://facebook/esm2_t6_8M_UR50D,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
classifier.predict(x=features, batch_size=2)
# Re-compile (e.g., with a new learning rate).
classifier.compile(
loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=keras.optimizers.Adam(5e-5),
jit_compile=True,
)
# Access backbone programmatically (e.g., to change `trainable`).
classifier.backbone.trainable = False
# Fit again.
classifier.fit(x=features, y=labels, batch_size=2)
预处理的整数数据。
features = {
"token_ids": np.ones(shape=(2, 12), dtype="int32"),
}
labels = [0, 3]
# Pretrained classifier without preprocessing.
classifier = keras_hub.models.ESMProteinClassifier.from_preset(
hf://facebook/esm2_t6_8M_UR50D,
num_classes=4,
preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)
自定义骨干和词汇表。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
vocab = ["[UNK]", "[CLS]", "[SEP]", "[PAD]", "[MASK]"]
vocab += ["The", "quick", "brown", "fox", "jumped", "."]
tokenizer = keras_hub.models.ESMTokenizer(
vocabulary=vocab,
)
preprocessor = keras_hub.models.ESMProteinClassifierPreprocessor(
tokenizer=tokenizer,
sequence_length=128,
)
backbone = keras_hub.models.ESMBackbone(
vocabulary_size=30552,
num_layers=4,
num_heads=4,
hidden_dim=256,
intermediate_dim=512,
max_wavelength=128,
num_head=4,
)
classifier = keras_hub.models.ESMProteinClassifier(
backbone=backbone,
preprocessor=preprocessor,
num_classes=4,
)
classifier.fit(x=features, y=labels, batch_size=2)
from_preset 方法ESMProteinClassifier.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：
'bert_base_en''kaggle://user/bert/keras/bert_base_en''hf://user/bert_base_en''./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
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 |
|---|---|---|
| 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。 |
backbone 属性keras_hub.models.ESMProteinClassifier.backbone
一个具有核心架构的 keras_hub.models.Backbone 模型。
preprocessor 属性keras_hub.models.ESMProteinClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。