任務

[來源]

Task 類別

keras_nlp.models.Task(*args, compile=True, **kwargs)

所有任務模型的基底類別。

Task 封裝了一個 keras_nlp.models.Backbone 和一個 keras_nlp.models.Preprocessor，以建立一個可以直接用於特定文字問題的訓練、微調和預測的模型。

所有 Task 模型都具有 backbone 和 preprocessor 屬性。 默認情況下，fit()、predict() 和 evaluate() 將自動預處理所有輸入。 若要單獨或使用自訂函數預處理輸入，您可以設定 task.preprocessor = None，這將停用輸入上的任何自動預處理。

所有 Task 類別都包含一個 from_preset() 建構函數，可用於載入預先訓練的配置和權重。 在任務上呼叫 from_preset() 將自動實例化一個 keras_nlp.models.Backbone 和 keras_nlp.models.Preprocessor。

參數

• compile：布林值，默認為 True。 如果為 True，將在建構時使用默認參數編譯模型。 模型在訓練之前仍然可以使用新的損失函數、優化器和指標重新編譯。

[來源]

from_preset 方法

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

從模型預設值實例化一個 keras_nlp.models.Task。

預設值是一個包含配置、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 模型控制代碼，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 控制代碼，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() 來列出類別上所有可用的內建預設集。

這個建構函式可以用兩種方式呼叫。可以從特定任務的基底類別呼叫，例如 keras_nlp.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_nlp.models.BertTextClassifier.from_preset()。如果從基底類別呼叫，則會從預設集目錄中的配置推斷出返回物件的子類別。

參數

• preset：字串。內建預設集識別碼、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，則會將已儲存的權重載入模型架構。如果為 False，則會隨機初始化所有權重。

範例

# Load a Gemma generative task.
causal_lm = keras_nlp.models.CausalLM.from_preset(
    "gemma_2b_en",
)

# Load a Bert classification task.
model = keras_nlp.models.TextClassifier.from_preset(
    "bert_base_en",
    num_classes=2,
)

[來源]

save_to_preset 方法

Task.save_to_preset(preset_dir)

將任務儲存到預設集目錄。

參數

• preset_dir：本機模型預設集目錄的路徑。

preprocessor 屬性

keras_nlp.models.Task.preprocessor

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

backbone 屬性

keras_nlp.models.Task.backbone

具有核心架構的 keras_nlp.models.Backbone 模型。