AI 助理
备案控制台
开发者社区 人工智能 文章 正文

Transformers 4.37 中文文档（五十五）（9）

2024-07-11 26
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Transformers 4.37 中文文档（五十五）

Transformers 4.37 中文文档（五十五）（8）https://developer.aliyun.com/article/1565398


__call__

<来源>

( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: dict = None dropout_rng: PRNGKey = None train: bool = False output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None past_key_values: dict = None ) → export const metadata = 'undefined';transformers.modeling_flax_outputs.FlaxTokenClassifierOutput or tuple(torch.FloatTensor)

参数

  • input_ids（形状为(batch_size, sequence_length)的numpy.ndarray）—词汇表中输入序列标记的索引。
    可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()。
    什么是输入 ID？
  • attention_mask（形状为(batch_size, sequence_length)的numpy.ndarray，可选）—避免在填充标记索引上执行注意力的掩码。掩码值选择在[0, 1]中：
  • 对于未被masked的标记，值为 1，
  • 对于被masked的标记，值为 0。
  • 什么是注意力掩码？
  • token_type_ids（形状为(batch_size, sequence_length)的numpy.ndarray，可选）—段标记索引，指示输入的第一部分和第二部分。索引选择在[0, 1]中：
  • 0 对应于句子 A标记，
  • 1 对应于句子 B标记。
  • 什么是标记类型 ID？
  • position_ids (numpy.ndarray of shape (batch_size, sequence_length), optional) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为[0, config.max_position_embeddings - 1]。
  • head_mask (numpy.ndarray of shape (batch_size, sequence_length), optional) -- 用于使注意力模块的选定头部失效的掩码。掩码值选定在[0, 1]`：
  • 1 表示头部未被masked，
  • 0 表示头部被masked。
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

返回

transformers.modeling_flax_outputs.FlaxTokenClassifierOutput 或tuple(torch.FloatTensor)

一个 transformers.modeling_flax_outputs.FlaxTokenClassifierOutput 或一个torch.FloatTensor元组（如果传递return_dict=False或config.return_dict=False）包含根据配置(RobertaConfig)和输入的各种元素。

  • logits (jnp.ndarray of shape (batch_size, sequence_length, config.num_labels)) — 分类分数（SoftMax 之前）。
  • hidden_states (tuple(jnp.ndarray), optional, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)的jnp.ndarray元组（一个用于嵌入的输出 + 一个用于每个层的输出）。
    模型在每个层的输出以及初始嵌入输出的隐藏状态。
  • attentions (tuple(jnp.ndarray), optional, 当传递output_attentions=True或config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)的jnp.ndarray元组（每个层一个）。
    在注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

FlaxRobertaPreTrainedModel的前向方法覆盖了__call__特殊方法。

虽然前向传递的配方需要在此函数内定义，但应该在此之后调用Module实例，而不是这个，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。

示例：

>>> from transformers import AutoTokenizer, FlaxRobertaForTokenClassification
>>> tokenizer = AutoTokenizer.from_pretrained("roberta-base")
>>> model = FlaxRobertaForTokenClassification.from_pretrained("roberta-base")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="jax")
>>> outputs = model(**inputs)
>>> logits = outputs.logits

FlaxRobertaForQuestionAnswering

class transformers.FlaxRobertaForQuestionAnswering

< source >

( config: RobertaConfig input_shape: Tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )

参数

  • config (RobertaConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，只加载配置。查看 from_pretrained()方法以加载模型权重。

具有用于提取问答任务的跨度分类头部的 Roberta 模型，例如 SQuAD（在隐藏状态输出之上的线性层，用于计算span start logits和span end logits）。

此模型继承自 FlaxPreTrainedModel。检查超类文档以了解库为其所有模型实现的通用方法（例如从 PyTorch 模型下载、保存和转换权重）。

该模型还是一个 flax.linen.Module 子类。将其用作常规的 Flax linen 模块，并参考 Flax 文档以获取与一般用法和行为相关的所有事项。

最后，该模型支持 JAX 的固有特性，例如：

__call__

<来源>

( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: dict = None dropout_rng: PRNGKey = None train: bool = False output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None past_key_values: dict = None ) → export const metadata = 'undefined';transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput or tuple(torch.FloatTensor)

参数

  • input_ids (numpy.ndarray of shape (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。
    可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
    什么是输入 ID？
  • attention_mask (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1] 中：
  • 1 表示未被屏蔽的标记，
  • 0 表示被屏蔽的标记。
  • 什么是注意力掩码？
  • token_type_ids (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 指示输入的第一部分和第二部分的段标记索引。索引选择在 [0, 1] 中：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。
  • 什么是标记类型 ID？
  • position_ids (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。
  • head_mask (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 用于使注意力模块的选定头部失效的掩码。掩码值选择在 [0, 1] 中：
  • 1 表示头部未被屏蔽，
  • 0 表示头部被屏蔽。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回

transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时）包含根据配置（RobertaConfig）和输入的各种元素。

  • start_logits (jnp.ndarray of shape (batch_size, sequence_length)) — Span-start scores (before SoftMax).
  • end_logits (jnp.ndarray of shape (batch_size, sequence_length)) — 跨度结束分数（SoftMax 之前）。
  • hidden_states (tuple(jnp.ndarray), 可选, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 jnp.ndarray 元组（一个用于嵌入的输出 + 一个用于每个层的输出）。
    模型在每一层输出的隐藏状态加上初始嵌入输出。
  • attentions (tuple(jnp.ndarray)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 jnp.ndarray 元组（每层一个）。
    注意力权重在注意力 softmax 之后，用于计算自注意力头中的加权平均值。

FlaxRobertaPreTrainedModel 的前向方法，覆盖了 __call__ 特殊方法。

虽然前向传递的步骤需要在这个函数内定义，但应该在之后调用 Module 实例，而不是这个，因为前者会处理运行前后的处理步骤，而后者会默默地忽略它们。

示例：

>>> from transformers import AutoTokenizer, FlaxRobertaForQuestionAnswering
>>> tokenizer = AutoTokenizer.from_pretrained("roberta-base")
>>> model = FlaxRobertaForQuestionAnswering.from_pretrained("roberta-base")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="jax")
>>> outputs = model(**inputs)
>>> start_scores = outputs.start_logits
>>> end_scores = outputs.end_logits

ization-vmap)

__call__

<来源>

( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: dict = None dropout_rng: PRNGKey = None train: bool = False output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None past_key_values: dict = None ) → export const metadata = 'undefined';transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput or tuple(torch.FloatTensor)

参数

  • input_ids (numpy.ndarray of shape (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。
    可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
    什么是输入 ID？
  • attention_mask (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1] 中：
  • 1 表示未被屏蔽的标记，
  • 0 表示被屏蔽的标记。
  • 什么是注意力掩码？
  • token_type_ids (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 指示输入的第一部分和第二部分的段标记索引。索引选择在 [0, 1] 中：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。
  • 什么是标记类型 ID？
  • position_ids (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。
  • head_mask (numpy.ndarray of shape (batch_size, sequence_length), 可选) — 用于使注意力模块的选定头部失效的掩码。掩码值选择在 [0, 1] 中：
  • 1 表示头部未被屏蔽，
  • 0 表示头部被屏蔽。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回

transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时）包含根据配置（RobertaConfig）和输入的各种元素。

  • start_logits (jnp.ndarray of shape (batch_size, sequence_length)) — Span-start scores (before SoftMax).
  • end_logits (jnp.ndarray of shape (batch_size, sequence_length)) — 跨度结束分数（SoftMax 之前）。
  • hidden_states (tuple(jnp.ndarray), 可选, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 jnp.ndarray 元组（一个用于嵌入的输出 + 一个用于每个层的输出）。
    模型在每一层输出的隐藏状态加上初始嵌入输出。
  • attentions (tuple(jnp.ndarray)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 jnp.ndarray 元组（每层一个）。
    注意力权重在注意力 softmax 之后，用于计算自注意力头中的加权平均值。

FlaxRobertaPreTrainedModel 的前向方法，覆盖了 __call__ 特殊方法。

虽然前向传递的步骤需要在这个函数内定义，但应该在之后调用 Module 实例，而不是这个，因为前者会处理运行前后的处理步骤，而后者会默默地忽略它们。

示例：

>>> from transformers import AutoTokenizer, FlaxRobertaForQuestionAnswering
>>> tokenizer = AutoTokenizer.from_pretrained("roberta-base")
>>> model = FlaxRobertaForQuestionAnswering.from_pretrained("roberta-base")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="jax")
>>> outputs = model(**inputs)
>>> start_scores = outputs.start_logits
>>> end_scores = outputs.end_logits


文章标签：
索引
算法框架/工具
PyTorch
布客飞龙
目录
相关文章
布客飞龙
|
5月前
|
自然语言处理 PyTorch 算法框架/工具
Transformers 4.37 中文文档（二十九）（5）
Transformers 4.37 中文文档（二十九）
布客飞龙
57 11
布客飞龙
|
5月前
|
PyTorch 算法框架/工具 索引
Transformers 4.37 中文文档（四十二）（6）
Transformers 4.37 中文文档（四十二）
布客飞龙
40 5
布客飞龙
|
5月前
|
PyTorch TensorFlow 算法框架/工具
Transformers 4.37 中文文档（四十二）（5）
Transformers 4.37 中文文档（四十二）
布客飞龙
45 4
布客飞龙
|
5月前
|
PyTorch TensorFlow 算法框架/工具
Transformers 4.37 中文文档（二十九）（4）
Transformers 4.37 中文文档（二十九）
布客飞龙
40 12
布客飞龙
|
5月前
|
XML 测试技术 数据格式
Transformers 4.37 中文文档（四十二）（4）
Transformers 4.37 中文文档（四十二）
布客飞龙
41 3
布客飞龙
|
5月前
|
PyTorch TensorFlow API
Transformers 4.37 中文文档（二十九）（2）
Transformers 4.37 中文文档（二十九）
布客飞龙
36 5
布客飞龙
|
5月前
|
PyTorch TensorFlow API
Transformers 4.37 中文文档（四十二）（3）
Transformers 4.37 中文文档（四十二）
布客飞龙
32 2
布客飞龙
|
5月前
|
自然语言处理 PyTorch 区块链
Transformers 4.37 中文文档（四十二）（1）
Transformers 4.37 中文文档（四十二）
布客飞龙
90 1
布客飞龙
|
5月前
|
存储 自然语言处理 PyTorch
Transformers 4.37 中文文档（四十二）（2）
Transformers 4.37 中文文档（四十二）
布客飞龙
68 1
布客飞龙
|
5月前
|
存储 自然语言处理 PyTorch
Transformers 4.37 中文文档（二十九）（1）
Transformers 4.37 中文文档（二十九）
布客飞龙
46 3

热门文章

最新文章

  • 1
    基于区块链的机器学习模型创建方案
  • 2
    性能的极致,Rust的加持,Zed-Dev编辑器快速搭建Python3.10开发环境
  • 3
    首届Global VR Hackathon完结 全球前三甲诞生
  • 4
    我的博客即将入驻“云栖社区”，诚邀技术同仁一同入驻。
  • 5
    iptables
  • 6
    DevExpress 10.2.4系列-ASPxListBox根据列值不同设置不同图标
  • 7
    jquery的load加载js页面到指定div中
  • 8
    分享平时工作中那些给力的shell命令（更新版）
  • 9
    如何在ubuntu下用SVN commit
  • 10
    hdu 1800 Flying to the Mars
  • 1
    HelloMeme：开源的面部表情与姿态迁移框架，将视频中的人物表情迁移到静态图像中生成动态视频
    103
  • 2
    VSI-Bench：李飞飞谢赛宁团队推出视觉空间智能基准测试集，旨在评估多模态大语言模型在空间认知和理解方面的能力
    32
  • 3
    CLEAR：新加坡国立大学推出线性注意力机制，使8K图像的生成速度提升6.3倍，显著减少了计算量和时间延迟
    35
  • 4
    Kheish：开源的多智能体开发框架，通过 YAML 配置工作流和多个 Agent 共同协作解决复杂任务
    41
  • 5
    Bamba-9B：基于 Mamba2 架构的仅解码语言模型，旨在提高大型语言模型在推理时的效率
    37
  • 6
    DisPose：清华北大等多所高校联合推出基于人物图像增强视频生成技术，实现对人物动画的准确控制和一致性
    43
  • 7
    InvSR：开源图像超分辨率生成模型，提升分辨率，修复老旧照片为超清图像
    41
  • 8
    Univer：开源全栈 AI 办公工具，支持 Word、Excel、PPT 等文档处理和多人实时协作
    30
  • 9
    《人工智能：驱散新材料数据噪声与填补缺失值的曙光》
    29
  • 10
    《人工智能：解锁新材料最佳掺杂元素及比例的密码》
    21

    • 相关课程

    更多
  • 深入浅出PyTorch
  • Pytorch实战
  • TensorFlow基础教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • 低代码开发师（初级）实战教程
  • 冬季实战营第三期：MySQL数据库进阶实战
  • 阿里巴巴DevOps 最佳实践手册
    • 下一篇
    DataWorks售前咨询