KerasHub：预训练模型
入门指南 开发者指南 API 文档 建模 API 模型架构 分词器 预处理层 建模层 采样器 度量 预训练模型列表
► KerasHub: 预训练模型 / API文档 / 模型架构 / ESM / ESMProteinClassifierPreprocessor 层

ESMProteinClassifierPreprocessor 层

[源代码]

ESMProteinClassifierPreprocessor 类

keras_hub.models.ESMProteinClassifierPreprocessor(
    tokenizer, sequence_length=512, truncate="round_robin", **kwargs
)

一个ESM预处理层，用于对输入进行分词和打包。

此预处理层将执行三件事：

  1. 使用 tokenizer 对任意数量的输入段进行分词。
  2. 使用具有适当起始、结束和填充标记的 keras_hub.layers.StartEndPacker 将输入打包在一起。
  3. 构造一个键为"token_ids"的字典，该字典可以直接传递给ESM模型。该层可以直接与 tf.data.Dataset.map 一起使用，以预处理 keras.Model.fit 使用的(x, y, sample_weight)格式的字符串数据。

参数

  • tokenizer: 一个keras_hub.models.ESMTokenizer实例。
  • sequence_length：打包输入的长度。
  • truncate：字符串。用于将一批段列表截断以适应 sequence_length 的算法。值可以是 round_robin 或 waterfall。
    • "round_robin"：可用空间以循环方式一次分配一个标记给仍需要标记的输入，直到达到限制。
    • "waterfall"：预算分配使用“瀑布”算法完成，该算法以从左到右的方式分配配额，并填充桶，直到预算用尽。它支持任意数量的段。

调用参数

  • x：一个包含单个字符串序列的张量，或者一个包含多个要打包在一起的张量序列的元组。输入可以带批次或不带批次。对于单个序列，原始 Python 输入将被转换为张量。对于多个序列，请直接传递张量。
  • y：任何标签数据。将原样传递。
  • sample_weight：任何标签权重数据。将原样传递。

示例

直接在数据上调用该层。

preprocessor = keras_hub.models.ESMProteinClassifierPreprocessor.from_preset
(
    hf://facebook/esm2_t6_8M_UR50D
)

# Tokenize and pack a single sentence.
preprocessor("The quick brown fox jumped.")

# Tokenize a batch of single sentences.
preprocessor(["The quick brown fox jumped.", "Call me Ishmael."])

# Preprocess a batch of sentence pairs.
# When handling multiple sequences, always convert to tensors first!
first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
preprocessor((first, second))

# Custom vocabulary.
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)
preprocessor("The quick brown fox jumped.")

使用 tf.data.Dataset 进行映射。

preprocessor = keras_hub.models.ESMProteinClassifierPreprocessor.from_preset
(
    hf://facebook/esm2_t6_8M_UR50D
)

first = tf.constant(["The quick brown fox jumped.", "Call me Ishmael."])
second = tf.constant(["The fox tripped.", "Oh look, a whale."])
label = tf.constant([1, 1])

# Map labeled single sentences.
ds = tf.data.Dataset.from_tensor_slices((first, label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled single sentences.
ds = tf.data.Dataset.from_tensor_slices(first)
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map labeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices(((first, second), label))
ds = ds.map(preprocessor, num_parallel_calls=tf.data.AUTOTUNE)

# Map unlabeled sentence pairs.
ds = tf.data.Dataset.from_tensor_slices((first, second))
# Watch out for tf.data's default unpacking of tuples here!
# Best to invoke the `preprocessor` directly in this case.
ds = ds.map(
    lambda first, second: preprocessor(x=(first, second)),
    num_parallel_calls=tf.data.AUTOTUNE,
)

[源代码]

from_preset 方法

ESMProteinClassifierPreprocessor.from_preset(
    preset, config_file="preprocessor.json", **kwargs
)

从模型预设实例化一个 keras_hub.models.Preprocessor。

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：

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

对于任何 Preprocessor 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。

由于一个给定模型通常有多个预处理类，因此应在特定的子类上调用此方法，例如 keras_hub.models.BertTextClassifierPreprocessor.from_preset()。

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。

示例

# Load a preprocessor for Gemma generation.
preprocessor = keras_hub.models.CausalLMPreprocessor.from_preset(
    "gemma_2b_en",
)

# Load a preprocessor for Bert classification.
preprocessor = keras_hub.models.TextClassifierPreprocessor.from_preset(
    "bert_base_en",
)
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。

tokenizer 属性

keras_hub.models.ESMProteinClassifierPreprocessor.tokenizer

用于对字符串进行分词的分词器。

ESMProteinClassifierPreprocessor 层
ESMProteinClassifierPreprocessor 类
from_preset 方法
tokenizer 属性