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 包裝了 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor，以建立可用於針對給定的文字問題直接進行訓練、微調和預測的模型。

所有 Task 模型都具有 backbone 和 preprocessor 屬性。預設情況下，fit()、predict() 和 evaluate() 將自動預處理所有輸入。若要分別預處理輸入或使用自訂函式，您可以將 task.preprocessor = None 設定為停用對輸入進行任何自動預處理。

所有 Task 類別都包含 from_preset() 建構子，可用於載入預訓練的組態和權重。在任務上呼叫 from_preset() 將自動實例化 keras_hub.models.Backbone 和 keras_hub.models.Preprocessor。

引數

• compile：布林值，預設為 True。若為 True，將在建構時使用預設參數編譯模型。模型仍然可以在訓練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 keras_hub.models.Task。

預設是組態、權重和其他檔案資產的目錄，用於儲存和載入預訓練模型。preset 可以作為下列其中一項傳遞

1. 內建預設識別碼，例如 'bert_base_en'
2. Kaggle Models 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() 以列出類別上可用的所有內建預設。

此建構子可以透過兩種方式之一呼叫。可以從任務特定的基本類別（例如 keras_hub.models.CausalLM.from_preset()）呼叫，也可以從模型類別（例如 keras_hub.models.BertTextClassifier.from_preset()）呼叫。如果從基本類別呼叫，則傳回物件的子類別將從預設目錄中的組態推斷。

引數

• preset：字串。內建預設識別碼、Kaggle Models 控制代碼、Hugging Face 控制代碼或本機目錄的路徑。
• load_weights：布林值。若為 True，儲存的權重將載入到模型架構中。若為 False，所有權重都將隨機初始化。

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。

引數

• preset_dir：本機模型預設目錄的路徑。

preprocessor 屬性

keras_hub.models.Task.preprocessor

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

backbone 屬性

keras_hub.models.Task.backbone

具有核心架構的 keras_hub.models.Backbone 模型。