任務

[原始碼]

Task 類別

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

所有 Task 模型的基本類別。

Task 包裹一個 keras_hub.models.Backbone 和一個 keras_hub.models.Preprocessor，以創建一個可以直接用於訓練、微調和針對特定文字問題進行預測的模型。

所有 Task 模型都具有 backbone 和 preprocessor 屬性。預設情況下，fit()、predict() 和 evaluate() 會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，這會停用對輸入的任何自動預處理。

所有 Task 類別都包含一個 from_preset() 建構函式，可用於載入預訓練的組態和權重。在 task 上呼叫 from_preset() 會自動實例化一個 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor。

參數

• compile：布林值，預設為 True。如果為 True，則會在建構時使用預設參數編譯模型。模型仍然可以在訓練之前使用新的損失函數、最佳化器和指標重新編譯。

[原始碼]

from_preset 方法

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

從模型預設實例化一個 keras_hub.models.Task。

預設是一個組態、權重和其他用於儲存和載入預訓練模型的檔案資產的目錄。preset 可以作為以下其中之一傳遞：

1. 一個內建的預設識別碼，例如 'bert_base_en'
2. 一個 Kaggle 模型處理程式，例如 'kaggle://user/bert/keras/bert_base_en'
3. 一個 Hugging Face 處理程式，例如 'hf://user/bert_base_en'
4. 一個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() 來列出類別上所有可用的內建預設。

這個建構函式可以透過兩種方式之一呼叫。可以從特定任務的基本類別呼叫，例如 keras_hub.models.CausalLM.from_preset()，也可以從模型類別呼叫，例如 keras_hub.models.BertTextClassifier.from_preset()。如果從基本類別呼叫，則會從預設目錄中的組態推斷傳回物件的子類別。

參數

• preset：字串。一個內建的預設識別碼、一個 Kaggle 模型處理程式、一個 Hugging Face 處理程式，或是一個本機目錄的路徑。
• load_weights：布林值。如果為 True，儲存的權重會被載入到模型架構中。如果為 False，則所有權重都會隨機初始化。

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,
)

[原始碼]

save_to_preset 方法

Task.save_to_preset(preset_dir)

將任務儲存到預設目錄。

參數

• preset_dir：本機模型預設目錄的路徑。

preprocessor 屬性

keras_hub.models.Task.preprocessor

一個 keras_hub.models.Preprocessor 層，用於預處理輸入。

backbone 屬性

keras_hub.models.Task.backbone

一個具有核心架構的 keras_hub.models.Backbone 模型。