FNet文本分类器模型
FNetTextClassifier 类
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 f_net 模型。
此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用于分类任务的 logits。要使用预训练权重使用此模型，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，它将在 fit()、predict() 和 evaluate() 期间自动对原始输入应用预处理。默认情况下，当使用 from_preset() 创建模型时会这样做。
免责声明：预训练模型按“原样”提供，不提供任何形式的保证或条件。
参数
- backbone:
keras_hub.models.FNetBackbone实例。 - num_classes: int。要预测的类别数量。
- preprocessor:
keras_hub.models.FNetTextClassifierPreprocessor或None。如果为None，则此模型将不应用预处理，并且输入应在调用模型之前进行预处理。 - activation: 可选
str或 callable。要在模型输出上使用的激活函数。设置activation="softmax"以返回输出概率。默认为None。 - hidden_dim: int。池化层的大小。
- dropout: float。dropout 概率值，在密集层之后应用。
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)
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
- 内置预设标识符，如
'bert_base_en' - Kaggle Models 句柄，如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，如
'hf://user/bert_base_en' - 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: bool。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，其中保留了大小写。在 C4 数据集上训练。 |
| f_net_large_en | 236.95M | 24 层 FNet 模型，其中保留了大小写。在 C4 数据集上训练。 |
backbone 属性
keras_hub.models.FNetTextClassifier.backbone
keras_hub.models.Backbone 模型，具有核心架构。
preprocessor 属性
keras_hub.models.FNetTextClassifier.preprocessor
用于预处理输入的 keras_hub.models.Preprocessor 层。