KerasHub:预训练模型 / API 文档 / 模型架构 / FNet / FNetTextClassifier 模型

FNetTextClassifier 模型

[源代码]

FNetTextClassifier

keras_hub.models.FNetTextClassifier(
    backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)

用于分类任务的端到端 FNet 模型。

该模型将分类头连接到 keras_hub.model.FNetBackbone 实例,将骨干网络输出映射到适合分类任务的 logits。要使用此模型的预训练权重,请使用 from_preset() 构造函数。

此模型可以选择配置 preprocessor 层,在这种情况下,它会在 fit()predict()evaluate() 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。

免责声明:预训练模型按“原样”提供,不附带任何形式的担保或条件。

参数

  • backbone:一个 keras_hub.models.FNetBackbone 实例。
  • num_classes:int。要预测的类别数量。
  • preprocessor:一个 keras_hub.models.FNetTextClassifierPreprocessorNone。如果为 None,此模型将不应用预处理,并且应在调用模型之前对输入进行预处理。
  • activation:可选的 str 或 callable。用于模型输出的激活函数。设置为 activation="softmax" 可返回输出概率。默认为 None
  • hidden_dim:int。池化层的大小。
  • dropout:float。dropout 概率值,应用于密集层之后。

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.FNetTextClassifier.from_preset(
    "f_net_base_en",
    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)

预处理后的整数数据。

features = {
    "token_ids": np.ones(shape=(2, 12), dtype="int32"),
    "segment_ids": np.array([[0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0]] * 2),
}
labels = [0, 3]

# Pretrained classifier without preprocessing.
classifier = keras_hub.models.FNetTextClassifier.from_preset(
    "f_net_base_en",
    num_classes=4,
    preprocessor=None,
)
classifier.fit(x=features, y=labels, batch_size=2)

[源代码]

from_preset 方法

FNetTextClassifier.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 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,例如 'bert_base_en'
  2. Kaggle Models 句柄,例如 'kaggle://user/bert/keras/bert_base_en'
  3. Hugging Face 句柄,例如 'hf://user/bert_base_en'
  4. 本地预设目录的路径,例如 './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之一调用。要么从任务特定的基类(如 keras_hub.models.CausalLM.from_preset())调用,要么从模型类(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:string。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:bool。如果为 True,则会将保存的权重加载到模型架构中。如果为 False,则所有权重将随机初始化。

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
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。

backbone 属性

keras_hub.models.FNetTextClassifier.backbone

一个具有核心架构的 keras_hub.models.Backbone 模型。


preprocessor 属性

keras_hub.models.FNetTextClassifier.preprocessor

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