FNetTextClassifier 模型
FNetTextClassifier 類別
keras_hub.models.FNetTextClassifier(
backbone, num_classes, preprocessor=None, activation=None, dropout=0.1, **kwargs
)
用於分類任務的端到端 f_net 模型。
此模型將分類頭連接到 keras_hub.model.FNetBackbone 實例，從骨幹網路輸出映射到適用於分類任務的 logits。若要搭配預訓練權重使用此模型，請使用 from_preset() 建構子。
此模型可以選擇性地配置 preprocessor 層，在這種情況下，它會在 fit()、predict() 和 evaluate() 期間自動將預處理應用於原始輸入。預設情況下，使用 from_preset() 建立模型時會執行此操作。
免責聲明：預訓練模型以「現狀」為基礎提供，不提供任何形式的保證或條件。
引數
- backbone：
keras_hub.models.FNetBackbone實例。 - num_classes：int。要預測的類別數量。
- preprocessor：
keras_hub.models.FNetTextClassifierPreprocessor或None。如果為None，則此模型不會應用預處理，輸入應在呼叫模型之前進行預處理。 - activation：選用的
str或可呼叫物件。要在模型輸出上使用的啟動函數。設定activation="softmax"以傳回輸出機率。預設為None。 - hidden_dim：int。池化層的大小。
- dropout：float。dropout 機率值，在密集層之後應用。
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_hub.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)
預處理後的整數資料。
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_hub.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 可以作為以下其中一項傳遞
- 內建預設識別碼，例如
'bert_base_en' - Kaggle Models 句柄，例如
'kaggle://user/bert/keras/bert_base_en' - Hugging Face 句柄，例如
'hf://user/bert_base_en' - 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底類別（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。如果從基底類別呼叫，則傳回物件的子類別將從預設目錄中的組態推斷出來。
引數
- preset：字串。內建預設識別碼、Kaggle Models 句柄、Hugging Face 句柄或本機目錄的路徑。
- load_weights：bool。如果為
True，儲存的權重將載入到模型架構中。如果為False，所有權重將隨機初始化。
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,
)
| 預設 | 參數 | 描述 |
|---|---|---|
| f_net_base_en | 82.86M | 12 層 FNet 模型，其中保留了大小寫。在 C4 資料集上訓練。 |
| f_net_large_en | 236.95M | 24 層 FNet 模型，其中保留了大小寫。在 C4 資料集上訓練。 |
backbone 屬性
keras_hub.models.FNetTextClassifier.backbone
具有核心架構的 keras_hub.models.Backbone 模型。
preprocessor 屬性
keras_hub.models.FNetTextClassifier.preprocessor
用於預處理輸入的 keras_hub.models.Preprocessor 層。