Seq2SeqLM

[來源]

Seq2SeqLM 類別

keras_hub.models.Seq2SeqLM()

用於序列到序列語言建模任務的基底類別。

Seq2SeqLM 任務包裝了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以建立可用於生成和生成微調的模型，當生成以序列到序列設定中的其他輸入序列為條件時。

Seq2SeqLM 任務提供了一個額外的、高階的 generate() 函數，可用於逐個標記地自動遞迴地對輸出序列進行採樣。Seq2SeqLM 類別的 compile() 方法包含一個額外的 sampler 參數，可用於傳遞 keras_hub.samplers.Sampler 以控制如何對預測分布進行採樣。

呼叫 fit() 時，每個輸入應包含一個輸入和輸出序列。模型將被訓練為使用因果遮罩逐個標記地預測輸出序列，類似於 keras_hub.models.CausalLM 任務。與 CausalLM 任務不同，必須傳遞一個輸入序列，並且輸出序列中的所有標記都可以完全關注它。

所有 Seq2SeqLM 任務都包含一個 from_preset() 建構函數，可用於載入預先訓練的配置和權重。

範例

# Load a Bart backbone with pre-trained weights.
seq_2_seq_lm = keras_hub.models.Seq2SeqLM.from_preset(
    "bart_base_en",
)
seq_2_seq_lm.compile(sampler="top_k")
# Generate conditioned on the `"The quick brown fox."` as an input sequence.
seq_2_seq_lm.generate("The quick brown fox.", max_length=30)

[來源]

from_preset 方法

Seq2SeqLM.from_preset(preset, load_weights=True, **kwargs)

從模型預設值實例化 keras_hub.models.Task。

預設值是配置、權重和其他檔案資產的目錄，用於儲存和載入預先訓練的模型。preset 可以作為以下其中之一傳遞

1. 內建預設值識別碼，例如 'bert_base_en'
2. Kaggle 模型控點，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控點，例如 'hf://user/bert_base_en'
4. 本機預設值目錄的路徑，例如 './bert_base_en'

對於任何 Task 子類別，您可以執行 cls.presets.keys() 來列出類別上可用的所有內建預設值。

可以透過兩種方式呼叫此建構函式。一種是從特定於任務的基底類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，另一種是從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則會從預設目錄中的設定推斷出傳回物件的子類別。

引數

• preset：字串。內建的預設識別碼、Kaggle 模型控點、Hugging Face 控點或本機目錄的路徑。
• load_weights：布林值。如果為 True，則會將儲存的權重載入模型架構中。如果為 False，則會將所有權重隨機初始化。

範例

# 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,
)

[來源]

compile 方法

Seq2SeqLM.compile(
    optimizer="auto", loss="auto", weighted_metrics="auto", sampler="top_k", **kwargs
)

設定 CausalLM 任務以進行訓練和產生。

CausalLM 任務擴充了 keras.Model.compile 的預設編譯簽章，並為 optimizer、loss 和 weighted_metrics 提供預設值。若要覆寫這些預設值，請在編譯期間將任何值傳遞給這些引數。

CausalLM 任務會將新的 sampler 新增至 compile，可用於控制 generate 函式所使用的取樣策略。

請注意，因為訓練輸入包含從損失中排除的填補權杖，因此使用 weighted_metrics 而不是 metrics 進行編譯幾乎總是一個好主意。

引數

• optimizer："auto"、優化器名稱或 keras.Optimizer 執行個體。預設為 "auto"，它會使用給定模型和任務的預設優化器。如需可能的 optimizer 值的詳細資訊，請參閱 keras.Model.compile 和 keras.optimizers。
• loss："auto"、損失函式名稱或 keras.losses.Loss 執行個體。預設為 "auto"，其中會將 keras.losses.SparseCategoricalCrossentropy 損失函式套用至權杖分類 CausalLM 任務。如需可能的 loss 值的詳細資訊，請參閱 keras.Model.compile 和 keras.losses。
• weighted_metrics："auto" 或模型在訓練和測試期間要評估的指標清單。預設為 "auto"，其中會套用 keras.metrics.SparseCategoricalAccuracy 來追蹤模型在猜測遮罩權杖值時的準確性。如需可能的 weighted_metrics 值的詳細資訊，請參閱 keras.Model.compile 和 keras.metrics。
• sampler：取樣器名稱或 keras_hub.samplers.Sampler 執行個體。設定在 generate() 呼叫期間使用的取樣方法。如需內建取樣策略的完整清單，請參閱 keras_hub.samplers。
• **kwargs：如需 compile 方法支援的完整引數清單，請參閱 keras.Model.compile。

[來源]

generate 方法

Seq2SeqLM.generate(inputs, max_length=None, stop_token_ids="auto")

根據提示 inputs 產生文字。

此方法會根據給定的 inputs 產生文字。用於產生的取樣方法可以透過 compile() 方法設定。

如果 inputs 是 tf.data.Dataset，則會「逐批」產生輸出並串聯起來。否則，所有輸入都將作為單一批次處理。

如果 preprocessor 附加到模型，則會在 generate() 函式內部對 inputs 進行預處理，並且應該符合 preprocessor 層預期的結構（通常是原始字串）。如果沒有附加 preprocessor，則輸入應符合 backbone 預期的結構。如需每個範例的示範，請參閱上面的範例用法。

引數

• 輸入值 (inputs)：Python 資料、張量資料或 tf.data.Dataset。如果模型附加了 preprocessor，則 inputs 應與 preprocessor 層預期的結構相符。如果未附加 preprocessor，則 inputs 應與 backbone 模型預期的結構相符。
• 最大長度 (max_length)：選用。整數。產生的序列的最大長度。預設為 preprocessor 所設定的最大 sequence_length。如果 preprocessor 為 None，則應將 inputs 填補至所需的最大長度，並且會忽略此參數。
• 停止詞彙 ID (stop_token_ids)：選用。None、「自動」或詞彙 ID 的元組。預設為「自動」，它會使用 preprocessor.tokenizer.end_token_id。未指定處理器將會產生錯誤。None 表示在產生 max_length 個詞彙後停止產生。您也可以指定模型應該停止的一組詞彙 ID 清單。請注意，詞彙序列中的每個詞彙都會被視為停止詞彙，不支援多詞彙停止序列。

[來源]

save_to_preset 方法

Seq2SeqLM.save_to_preset(preset_dir)

將任務儲存至預設目錄。

引數

• 預設目錄 (preset_dir)：本機模型預設目錄的路徑。

preprocessor 屬性

keras_hub.models.Seq2SeqLM.preprocessor

用於預處理輸入的 keras_hub.models.Preprocessor 層。

backbone 屬性

keras_hub.models.Seq2SeqLM.backbone

具有核心架構的 keras_hub.models.Backbone 模型。