FNetTextClassifier 模型
FNetTextClassifier 類別
keras_nlp.models.FNetTextClassifier(
backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)
一種用於分類任務的端到端 f_net 模型。
此模型將分類頭附加到 keras_nlp.model.FNetBackbone 實例，將骨幹網路輸出映射到適合分類任務的對數機率。如需使用此模型搭配預先訓練的權重，請使用 from_preset() 建構函數。
此模型可以選擇性地使用 preprocessor 層進行配置，在這種情況下，它將在 fit()、predict() 和 evaluate() 期間自動對原始輸入應用預處理。使用 from_preset() 建立模型時，預設會執行此操作。
免責聲明：預先訓練的模型按「現狀」提供，不提供任何形式的擔保或條件。
參數
- backbone：一個
keras_nlp.models.FNetBackbone實例。 - num_classes：整數。要預測的類別數。
- preprocessor：一個
keras_nlp.models.FNetTextClassifierPreprocessor或None。如果為None，則此模型將不應用預處理，並且應在呼叫模型之前對輸入進行預處理。 - activation：可選的
str或可呼叫的函數。要在模型輸出上使用的激活函數。設定activation="softmax"以返回輸出機率。預設為None。 - hidden_dim：整數。池化層的大小。
- dropout：浮點數。在密集層之後應用的 dropout 機率值。
範例
原始字串資料。
features = ["The quick brown fox jumped.", "I forgot my homework."]
labels = [0, 3]
# Pretrained classifier.
classifier = keras_nlp.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)
預處理的整數資料。
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_nlp.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)
從模型預設集實例化一個 keras_nlp.models.Task。
預設集是一個包含設定、權重和其他檔案資源的目錄，用於儲存和載入預先訓練的模型。preset 可以傳遞為以下其中一項：
- 內建預設集識別碼，例如
'bert_base_en' - Kaggle 模型控點，例如
'kaggle://user/bert/keras/bert_base_en' - 一個類似
'hf://user/bert_base_en'的 Hugging Face 控制代碼 - 一個指向本機預設目錄的路徑，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集。
這個建構函式可以用兩種方式之一來呼叫。可以從特定任務的基類呼叫，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()。如果從基類呼叫，則返回物件的子類別將從預設目錄中的設定推斷出來。
參數
- preset：字串。一個內建的預設識別碼、一個 Kaggle 模型控制代碼、一個 Hugging Face 控制代碼，或是一個指向本機目錄的路徑。
- load_weights：布林值。如果為
True，則儲存的權重將被載入模型架構中。如果為False，則所有權重都將被隨機初始化。
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,
)
| 預設集名稱 | 參數 | 描述 |
|---|---|---|
| f_net_base_en | 82.86M | 12 層的 FNet 模型，保留大小寫。在 C4 資料集上訓練。 |
| f_net_large_en | 236.95M | 24 層的 FNet 模型，保留大小寫。在 C4 資料集上訓練。 |
backbone 屬性
keras_nlp.models.FNetTextClassifier.backbone
一個具有核心架構的 keras_nlp.models.Backbone 模型。
preprocessor 屬性
keras_nlp.models.FNetTextClassifier.preprocessor
一個用於預處理輸入的 keras_nlp.models.Preprocessor 層。