Transformers 4.37 中文文档(二十四)(2)https://developer.aliyun.com/article/1563781
BioGptForTokenClassification
class transformers.BioGptForTokenClassification
( config )
参数
config
(~BioGptConfig)—模型的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相关的权重,只会加载配置。查看 from_pretrained()方法以加载模型权重。
在顶部带有标记分类头的 BioGPT 模型(隐藏状态输出的线性层),例如用于命名实体识别(NER)任务。
此模型是 PyTorch torch.nn.Module子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取与一般用法和行为相关的所有事项。
forward
( input_ids: Optional = None token_type_ids: Optional = None attention_mask: Optional = None head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.TokenClassifierOutput or tuple(torch.FloatTensor)
参数
input_ids
(形状为({0})
的torch.LongTensor
)—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({0})
的torch.FloatTensor
,可选)—避免在填充标记索引上执行注意力的掩码。在[0, 1]
中选择的掩码值:
- 对于未被
masked
的标记为 1, - 对于被
masked
的标记为 0。
- 什么是注意力掩码?
head_mask
(torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自注意力模块中选择的头部失效的掩码。掩码值选择在[0, 1]
之间:
- 1 表示头部未被
掩码
。 - 0 表示头部被
掩码
。
inputs_embeds
(torch.FloatTensor
,形状为({0}, hidden_size)
,可选) — 可选地,您可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制权来将input_ids索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,这将非常有用。past_key_values
(tuple(tuple(torch.FloatTensor))
,可选,当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量和 2 个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的张量。
包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码(请参见past_key_values
输入)。
如果使用了past_key_values
,用户可以选择仅输入形状为(batch_size, 1)
的最后一个decoder_input_ids
(即那些没有将其过去的键值状态提供给此模型的输入),而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
。inputs_embeds
(torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制权来将input_ids
索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,这将非常有用。use_cache
(bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并可用于加速解码(请参见past_key_values
)。output_attentions
(bool
,可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。output_hidden_states
(bool
,可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。return_dict
(bool
,可选) — 是否返回一个 ModelOutput 而不是一个普通元组。labels
(torch.LongTensor
,形状为(batch_size,)
,可选) — 用于计算序列分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
范围内。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.TokenClassifierOutput 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(BioGptConfig)和输入的不同元素。
loss
(torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 分类损失。logits
(torch.FloatTensor
,形状为(batch_size, sequence_length, config.num_labels)
) — 分类分数(SoftMax 之前)。hidden_states
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组。
模型在每一层输出的隐藏状态以及可选的初始嵌入输出。attentions
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组。
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。
BioGptForTokenClassification 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,因为前者会处理运行前后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoTokenizer, BioGptForTokenClassification >>> import torch >>> tokenizer = AutoTokenizer.from_pretrained("microsoft/biogpt") >>> model = BioGptForTokenClassification.from_pretrained("microsoft/biogpt") >>> inputs = tokenizer( ... "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt" ... ) >>> with torch.no_grad(): ... logits = model(**inputs).logits >>> predicted_token_class_ids = logits.argmax(-1) >>> # Note that tokens are classified rather then input words which means that >>> # there might be more predicted token classes than words. >>> # Multiple token classes might account for the same word >>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]] >>> labels = predicted_token_class_ids >>> loss = model(**inputs, labels=labels).loss
BioGptForSequenceClassification
class transformers.BioGptForSequenceClassification
( config: BioGptConfig )
参数
config
(~BioGptConfig) — 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相关的权重,只会加载配置。查看 from_pretrained()方法加载模型权重。
带有顶部序列分类头(线性层)的 BioGpt 模型变压器。
BioGptForSequenceClassification 使用最后一个标记进行分类,就像其他因果模型(例如 GPT-2)一样。
由于它对最后一个标记进行分类,因此需要知道最后一个标记的位置。如果在配置中定义了pad_token_id
,则会找到每行中不是填充标记的最后一个标记。如果未定义pad_token_id
,则会简单地取每行批次中的最后一个值。当传递inputs_embeds
而不是input_ids
时,无法猜测填充标记,因此会执行相同操作(取每行批次中的最后一个值)。
这个模型是 PyTorch torch.nn.Module的子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以获取与一般用法和行为相关的所有信息。
forward
( input_ids: Optional = None attention_mask: Optional = None head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.SequenceClassifierOutputWithPast or tuple(torch.FloatTensor)
参数
input_ids
(torch.LongTensor
,形状为({0})
) — 词汇表中输入序列标记的索引。
可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call
()获取详细信息。
什么是输入 ID?attention_mask
(torch.FloatTensor
,形状为({0})
,optional) — 避免在填充标记索引上执行注意力的掩码。选择的掩码值在[0, 1]
中:
- 1 代表未被
masked
的标记。 - 0 代表被
masked
的标记。
- 什么是注意力掩码?
head_mask
(torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,optional) — 用于使自注意力模块的选定头部失效的掩码。掩码值选定在[0, 1]
中:
- 1 表示头部未被遮蔽,
- 0 表示头部被遮蔽。
inputs_embeds
(torch.FloatTensor
,形状为({0}, hidden_size)
,optional) — 可选地,可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制权,以便将 input_ids 索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,则这很有用。past_key_values
(tuple(tuple(torch.FloatTensor))
, optional, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)和 2 个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的张量。
包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码(参见past_key_values
输入)。
如果使用了past_key_values
,用户可以选择仅输入最后的decoder_input_ids
(这些没有将其过去的键值状态提供给此模型)的形状为(batch_size, 1)
的张量,而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。inputs_embeds
(torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,optional) — 可选地,可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制权,以便将input_ids
索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,则这很有用。use_cache
(bool
, optional) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。output_attentions
(bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量下的attentions
。output_hidden_states
(bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。return_dict
(bool
, optional) — 是否返回 ModelOutput 而不是普通元组。labels
(torch.LongTensor
,形状为(batch_size,)
,optional) — 用于计算序列分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
中。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_outputs.SequenceClassifierOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutputWithPast
或一个 torch.FloatTensor
元组(如果传递 return_dict=False
或当 config.return_dict=False
时)包含根据配置(BioGptConfig)和输入的不同元素。
loss
(torch.FloatTensor
,形状为(1,)
,optional, 当提供labels
时返回) — 分类(如果config.num_labels==1
则为回归)损失。logits
(torch.FloatTensor
,形状为(batch_size, config.num_labels)
) — 分类(如果config.num_labels==1
则为回归)得分(SoftMax 之前)。past_key_values
(tuple(tuple(torch.FloatTensor))
, optional, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)
包含预先计算的隐藏状态(自注意力块中的键和值),可以用于加速顺序解码。hidden_states
(tuple(torch.FloatTensor)
,可选,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torch.FloatTensor
元组(如果模型有嵌入层,则为嵌入的输出加上每一层的输出)。
模型在每一层输出的隐藏状态以及可选的初始嵌入输出。attentions
(tuple(torch.FloatTensor)
,可选,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torch.FloatTensor
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。
BioGptForSequenceClassification 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中定义,但应该在之后调用Module
实例,而不是这个函数,因为前者会处理运行前后处理步骤,而后者会默默地忽略它们。
单标签分类示例:
>>> import torch >>> from transformers import AutoTokenizer, BioGptForSequenceClassification >>> tokenizer = AutoTokenizer.from_pretrained("microsoft/biogpt") >>> model = BioGptForSequenceClassification.from_pretrained("microsoft/biogpt") >>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt") >>> with torch.no_grad(): ... logits = model(**inputs).logits >>> predicted_class_id = logits.argmax().item() >>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)` >>> num_labels = len(model.config.id2label) >>> model = BioGptForSequenceClassification.from_pretrained("microsoft/biogpt", num_labels=num_labels) >>> labels = torch.tensor([1]) >>> loss = model(**inputs, labels=labels).loss
多标签分类示例:
>>> import torch >>> from transformers import AutoTokenizer, BioGptForSequenceClassification >>> tokenizer = AutoTokenizer.from_pretrained("microsoft/biogpt") >>> model = BioGptForSequenceClassification.from_pretrained("microsoft/biogpt", problem_type="multi_label_classification") >>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt") >>> with torch.no_grad(): ... logits = model(**inputs).logits >>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5] >>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)` >>> num_labels = len(model.config.id2label) >>> model = BioGptForSequenceClassification.from_pretrained( ... "microsoft/biogpt", num_labels=num_labels, problem_type="multi_label_classification" ... ) >>> labels = torch.sum( ... torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1 ... ).to(torch.float) >>> loss = model(**inputs, labels=labels).loss
Blenderbot
原文链接:
huggingface.co/docs/transformers/v4.37.2/en/model_doc/blenderbot
概述
Blender 聊天机器人模型是由 Stephen Roller、Emily Dinan、Naman Goyal、Da Ju、Mary Williamson、Yinhan Liu、Jing Xu、Myle Ott、Kurt Shuster、Eric M. Smith、Y-Lan Boureau、Jason Weston 于 2020 年 4 月 30 日提出的构建开放领域聊天机器人的配方。
该论文的摘要如下:
构建开放领域的聊天机器人是机器学习研究中具有挑战性的领域。先前的工作表明,通过增加神经模型的参数数量和训练数据的规模可以获得更好的结果,但我们展示了其他因素对于高性能聊天机器人也是重要的。良好的对话需要一些技能,一个专业的交谈者可以无缝地融合在一起:提供引人入胜的话题并倾听对话伙伴,适当展示知识、同理心和个性,同时保持一致的人设。我们展示了大规模模型可以在给定适当的训练数据和生成策略的情况下学习这些技能。我们构建了 90M、2.7B 和 9.4B 参数模型的变体,并公开提供我们的模型和代码。人类评估表明,我们最好的模型在多轮对话中的吸引力和人性度量方面优于现有方法。然后我们通过分析模型的失败案例讨论了这项工作的局限性。
这个模型是由sshleifer贡献的。作者的代码可以在这里找到。
使用提示和示例
Blenderbot 是一个带有绝对位置嵌入的模型,因此通常建议在右侧而不是左侧填充输入。
一个示例:
>>> from transformers import BlenderbotTokenizer, BlenderbotForConditionalGeneration >>> mname = "facebook/blenderbot-400M-distill" >>> model = BlenderbotForConditionalGeneration.from_pretrained(mname) >>> tokenizer = BlenderbotTokenizer.from_pretrained(mname) >>> UTTERANCE = "My friends are cool but they eat too many carbs." >>> inputs = tokenizer([UTTERANCE], return_tensors="pt") >>> reply_ids = model.generate(**inputs) >>> print(tokenizer.batch_decode(reply_ids)) ["<s> That's unfortunate. Are they trying to lose weight or are they just trying to be healthier?</s>"]
实现说明
- Blenderbot 使用了标准的seq2seq 模型变压器架构。
- 可用的检查点可以在model hub中找到。
- 这是默认的 Blenderbot 模型类。然而,一些较小的检查点,如
facebook/blenderbot_small_90M
,具有不同的架构,因此应该与 BlenderbotSmall 一起使用。
资源
- 因果语言建模任务指南
- 翻译任务指南
- 摘要任务指南
BlenderbotConfig
class transformers.BlenderbotConfig
( vocab_size = 8008 max_position_embeddings = 128 encoder_layers = 2 encoder_ffn_dim = 10240 encoder_attention_heads = 32 decoder_layers = 24 decoder_ffn_dim = 10240 decoder_attention_heads = 32 encoder_layerdrop = 0.0 decoder_layerdrop = 0.0 use_cache = True is_encoder_decoder = True activation_function = 'gelu' d_model = 2560 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 decoder_start_token_id = 1 scale_embedding = False pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 encoder_no_repeat_ngram_size = 3 forced_eos_token_id = 2 **kwargs )
参数
vocab_size
(int
,可选,默认为 50265)— Blenderbot 模型的词汇量。定义了在调用 BlenderbotModel 或 TFBlenderbotModel 时可以由inputs_ids
表示的不同标记的数量。d_model
(int
,可选,默认为 1024)— 层和池化层的维度。encoder_layers
(int
,可选,默认为 12)— 编码器层的数量。decoder_layers
(int
,可选,默认为 12)— 解码器层的数量。encoder_attention_heads
(int
,可选,默认为 16)— 变压器编码器中每个注意力层的注意力头数。decoder_attention_heads
(int
,可选,默认为 16)— 变压器解码器中每个注意力层的注意力头数。decoder_ffn_dim
(int
,可选,默认为 4096)— 解码器中“中间”(通常称为前馈)层的维度。encoder_ffn_dim
(int
,可选,默认为 4096) — 解码器中“中间”(通常称为前馈)层的维度。activation_function
(str
或function
,可选,默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果是字符串,支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。dropout
(float
,可选,默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。attention_dropout
(float
,可选,默认为 0.0) — 注意力概率的丢弃比例。activation_dropout
(float
,可选,默认为 0.0) — 全连接层内部激活的丢弃比例。max_position_embeddings
(int
,可选,默认为 128) — 此模型可能使用的最大序列长度。通常设置为较大的值以防万一(例如 512、1024 或 2048)。init_std
(float
,可选,默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。encoder_layerdrop
(float
,可选,默认为 0.0) — 编码器的 LayerDrop 概率。查看 LayerDrop paper)获取更多详细信息。decoder_layerdrop
(float
,可选,默认为 0.0) — 解码器的 LayerDrop 概率。查看 LayerDrop paper)获取更多详细信息。scale_embedding
(bool
,可选,默认为False
) — 通过将 d_model 开方来缩放嵌入。use_cache
(bool
,可选,默认为True
) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。forced_eos_token_id
(int
,可选,默认为 2) — 当达到max_length
时强制作为最后生成的标记的标记 id。通常设置为eos_token_id
。
这是用于存储 BlenderbotModel 配置的配置类。它用于根据指定的参数实例化 Blenderbot 模型,定义模型架构。使用默认值实例化配置将产生类似于 Blenderbot facebook/blenderbot-3B架构的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例:
>>> from transformers import BlenderbotConfig, BlenderbotModel >>> # Initializing a Blenderbot facebook/blenderbot-3B style configuration >>> configuration = BlenderbotConfig() >>> # Initializing a model (with random weights) from the facebook/blenderbot-3B style configuration >>> model = BlenderbotModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config
BlenderbotTokenizer
class transformers.BlenderbotTokenizer
( vocab_file merges_file errors = 'replace' bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' add_prefix_space = False **kwargs )
参数
vocab_file
(str
) — 词汇文件的路径。merges_file
(str
) — 合并文件的路径。errors
(str
,可选,默认为"replace"
) — 解码字节为 UTF-8 时要遵循的范例。查看bytes.decode获取更多信息。bos_token
(str
,可选,默认为"
") — 在预训练期间使用的序列开始标记。可用作序列分类器标记。
在构建使用特殊标记的序列时,这不是用于序列开头的标记。使用的标记是cls_token
。eos_token
(str
,可选,默认为"
"
) — 序列结束标记。
在构建使用特殊标记的序列时,这不是用于序列结束的标记。使用的标记是sep_token
。sep_token
(str
,可选,默认为""
)—分隔符标记,用于从多个序列构建序列,例如用于序列分类的两个序列或用于文本和问题的问题回答。它还用作使用特殊标记构建的序列的最后一个标记。cls_token
(str
,可选,默认为"
")—在进行序列分类(对整个序列而不是每个标记进行分类)时使用的分类器标记。在使用特殊标记构建时,它是序列的第一个标记。unk_token
(str
,可选,默认为""
)—未知标记。词汇表中没有的标记无法转换为 ID,而是设置为此标记。pad_token
(str
,可选,默认为""
)—用于填充的标记,例如在批处理不同长度的序列时。mask_token
(str
,可选,默认为""
)—用于屏蔽值的标记。这是在使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。add_prefix_space
(bool
,可选,默认为False
)—是否在输入前添加一个初始空格。这允许将前导单词视为任何其他单词。(Blenderbot 分词器通过前面的空格检测单词的开头)。
构建一个 Blenderbot 分词器,从 GPT-2 分词器派生,使用字节级字节对编码。
此分词器已经训练成将空格视为标记的一部分(有点像 sentencepiece),因此一个单词将
无论是在句子开头(没有空格)还是其他位置,都可以以不同方式编码:
>>> from transformers import BlenderbotTokenizer >>> tokenizer = BlenderbotTokenizer.from_pretrained("facebook/blenderbot-3B") >>> tokenizer.add_prefix_space = False >>> tokenizer("Hello world")["input_ids"] [47, 921, 86, 1085, 2] >>> tokenizer(" Hello world")["input_ids"] [6950, 1085, 2]
您可以通过在实例化此分词器时或在对某些文本调用它时传递add_prefix_space=True
来避免这种行为,但由于模型不是以这种方式进行预训练的,可能会导致性能下降。
当与is_split_into_words=True
一起使用时,此分词器将在每个单词之前添加一个空格(甚至是第一个单词)。
此分词器继承自 PreTrainedTokenizer,其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
build_inputs_with_special_tokens
( token_ids_0: List token_ids_1: Optional = None ) → export const metadata = 'undefined';List[int]
参数
token_ids_0
(List[int]
)—要添加特殊标记的 ID 列表token_ids_1
(List[int]
,可选)—将被忽略
返回
List[int]
具有适当特殊标记的输入 ID 列表。
通过连接和添加特殊标记,从序列或序列对构建用于序列分类任务的模型输入。Blenderbot 序列的格式如下:
单个序列:X
BlenderbotTokenizerFast
class transformers.BlenderbotTokenizerFast
( vocab_file = None merges_file = None tokenizer_file = None errors = 'replace' bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' add_prefix_space = False trim_offsets = True **kwargs )
参数
vocab_file
(str
)—词汇文件的路径。merges_file
(str
)—合并文件的路径。errors
(str
,可选,默认为"replace"
)—解码字节为 UTF-8 时要遵循的范例。有关更多信息,请参阅bytes.decode。bos_token
(str
,可选,默认为"
")—在预训练期间使用的序列开始标记。可以用作序列分类器标记。
在使用特殊标记构建序列时,不是用于序列开头的标记。使用的标记是cls_token
。eos_token
(str
,可选,默认为"
"
)—序列结束标记。
在使用特殊标记构建序列时,这不是用于序列结尾的标记。使用的标记是sep_token
。sep_token
(str
,可选,默认为""
)—分隔符标记,在构建来自多个序列的序列时使用,例如,用于序列分类的两个序列或用于问题回答的文本和问题。它还用作使用特殊标记构建的序列的最后一个标记。cls_token
(str
,可选,默认为"
")—分类器标记,用于进行序列分类(对整个序列进行分类,而不是对每个标记进行分类)。当使用特殊标记构建序列时,它是序列的第一个标记。unk_token
(str
,可选,默认为""
)—未知标记。词汇表中没有的标记无法转换为 ID,而是设置为此标记。pad_token
(str
,可选,默认为""
)—用于填充的标记,例如,当批处理不同长度的序列时使用。mask_token
(str
,可选,默认为""
)—用于屏蔽值的标记。这是在使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。add_prefix_space
(bool
,可选,默认为False
)—是否将初始空格添加到输入。这允许将前导单词视为任何其他单词。(Blenderbot 标记器通过前面的空格检测单词的开头)。trim_offsets
(bool
,可选,默认为True
)—后处理步骤是否应修剪偏移量以避免包含空格。
构建一个“快速”Blenderbot 标记器(由 HuggingFace 的tokenizers库支持),派生自 GPT-2 标记器,使用字节级字节对编码。
此标记器已经训练过,将空格视为标记的一部分(有点像 sentencepiece),因此一个词将
在句子开头(无空格)或不在句子开头时,将以不同方式编码:
>>> from transformers import BlenderbotTokenizerFast >>> tokenizer = BlenderbotTokenizerFast.from_pretrained("facebook/blenderbot-3B") >>> tokenizer("Hello world")["input_ids"] [6950, 1085, 2] >>> tokenizer(" Hello world")["input_ids"] [6950, 1085, 2]
您可以通过在实例化此标记器时或在对某些文本调用它时传递add_prefix_space=True
来避免这种行为,但由于模型不是以这种方式进行预训练的,因此可能会导致性能下降。
当与is_split_into_words=True
一起使用时,此标记器需要使用add_prefix_space=True
进行实例化。
此标记器继承自 PreTrainedTokenizerFast,其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
build_inputs_with_special_tokens
( token_ids_0: List token_ids_1: Optional = None ) → export const metadata = 'undefined';List[int]
参数
token_ids_0
(List[int]
)—要添加特殊标记的 ID 列表token_ids_1
(List[int]
,可选)—将被忽略
返回
List[int]
包含适当特殊标记的 input IDs 列表。
通过连接和添加特殊标记来从序列或序列对构建模型输入,用于序列分类任务。Blenderbot 序列的格式如下:
单个序列:X
Pytorch 隐藏了 Pytorch 内容
BlenderbotModel
有关forward和generate的参数,请参阅 BartModel
class transformers.BlenderbotModel
( config: BlenderbotConfig )
参数
config
(BlenderbotConfig) — 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相关的权重,只加载配置。查看 from_pretrained() 方法以加载模型权重。
裸的 Blenderbot 模型输出原始隐藏状态,没有特定的头部。此模型继承自 PreTrainedModel。查看超类文档以获取库为其所有模型实现的通用方法(如下载或保存、调整输入嵌入、修剪头部等)。
此模型还是一个 PyTorch torch.nn.Module 子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有相关信息。
forward
( input_ids: Optional = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Union = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.Seq2SeqModelOutput or tuple(torch.FloatTensor)
参数
input_ids
(torch.LongTensor
of shape(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。默认情况下将忽略填充。
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
(torch.Tensor
of shape(batch_size, sequence_length)
, optional) — 避免对填充标记索引执行注意力的掩码。掩码值选定在[0, 1]
范围内:
- 对于未被
掩码
的标记为 1, - 对于被
掩码
的标记为 0。
- 什么是注意力掩码?
decoder_input_ids
(torch.LongTensor
of shape(batch_size, target_sequence_length)
, optional) — 词汇表中解码器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
()。
什么是解码器输入 ID?
Blenderbot 使用bos_token_id
作为decoder_input_ids
生成的起始标记。如果使用past_key_values
,可选择只输入最后的decoder_input_ids
(参见past_key_values
)。decoder_attention_mask
(torch.LongTensor
of shape(batch_size, target_sequence_length)
, optional) — 默认行为:生成一个张量,忽略decoder_input_ids
中的填充标记。因果掩码也将默认使用。head_mask
(torch.Tensor
of shape(encoder_layers, encoder_attention_heads)
, optional) — 用于将编码器中注意力模块的选定头部置零的掩码。掩码值选定在[0, 1]
范围内:
- 1 表示头部未被
掩码
, - 0 表示头部被
掩码
。
decoder_head_mask
(torch.Tensor
of shape(decoder_layers, decoder_attention_heads)
, optional) — 用于将解码器中注意力模块的选定头部置零的掩码。掩码值选定在[0, 1]
范围内:
- 1 表示头部未被
掩码
, - 0 表示头部被
掩码
。
cross_attn_head_mask
(torch.Tensor
,形状为(decoder_layers, decoder_attention_heads)
,optional) — 用于在解码器中的交叉注意力模块中使选定头部失效的掩码。掩码值选定在[0, 1]
:
- 1 表示头部未被遮蔽,
- 0 表示头部被遮蔽。
encoder_outputs
(tuple(tuple(torch.FloatTensor)
, optional) — 元组由 (last_hidden_state
, optional:hidden_states
, optional:attentions
) 组成,last_hidden_state
的形状为(batch_size, sequence_length, hidden_size)
,optional) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。past_key_values
(tuple(tuple(torch.FloatTensor))
, optional, 当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量和 2 个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的张量。
包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码(参见past_key_values
输入)。
如果使用了past_key_values
,用户可以选择仅输入最后一个形状为(batch_size, 1)
的decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的)而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
。inputs_embeds
(torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,optional) — 可选地,可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制如何将input_ids
索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,则这很有用。decoder_inputs_embeds
(torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,optional) — 可选地,可以直接传递嵌入表示,而不是传递decoder_input_ids
。如果使用了past_key_values
,则只需输入最后的decoder_inputs_embeds
(参见past_key_values
)。如果您想要更多控制如何将decoder_input_ids
索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,则这很有用。
如果decoder_input_ids
和decoder_inputs_embeds
都未设置,则decoder_inputs_embeds
取inputs_embeds
的值。use_cache
(bool
,optional) — 如果设置为True
,则返回past_key_values
键值状态,并可用于加速解码(参见past_key_values
)。output_attentions
(bool
,optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量中的attentions
。output_hidden_states
(bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量中的hidden_states
。return_dict
(bool
, optional) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqModelOutput 或一个 torch.FloatTensor
元组(如果传递 return_dict=False
或当 config.return_dict=False
时)包含根据配置(BlenderbotConfig)和输入的不同元素。
last_hidden_state
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层的隐藏状态序列。
如果使用past_key_values
,则只输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。past_key_values
(tuple(tuple(torch.FloatTensor))
, optional, 当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量和 2 个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的张量。
包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码(参见past_key_values
输入)。decoder_hidden_states
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组(如果模型有嵌入层,则为嵌入输出的一个 + 每层的输出一个)。
每层解码器的隐藏状态以及可选的初始嵌入输出。decoder_attentions
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组(每层一个)。
解码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均值。cross_attentions
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组(每层一个)。
解码器的交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均值。encoder_last_hidden_state
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 模型编码器最后一层的隐藏状态序列。encoder_hidden_states
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组(如果模型有嵌入层,则为嵌入输出的一个 + 每层的输出一个)。
每层编码器的隐藏状态以及可选的初始嵌入输出。encoder_attentions
(tuple(torch.FloatTensor)
, 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torch.FloatTensor
元组(每层一个)。
编码器的注意力权重,在注意力 softmax 之后,用于计算自注意力头中的加权平均值。
BlenderbotModel 的前向方法重写了 __call__
特殊方法。
虽然前向传递的方法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,因为前者会处理运行前后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoTokenizer, BlenderbotModel >>> model = BlenderbotModel.from_pretrained("facebook/blenderbot-400M-distill") >>> tokenizer = AutoTokenizer.from_pretrained("facebook/blenderbot-400M-distill") >>> inputs = tokenizer("Studies have been shown that owning a dog is good for you", return_tensors="pt") >>> decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids # Batch size 1 >>> outputs = model(input_ids=inputs.input_ids, decoder_input_ids=decoder_input_ids) >>> last_hidden_states = outputs.last_hidden_state >>> list(last_hidden_states.shape) [1, 6, 1280]
Transformers 4.37 中文文档(二十四)(4)https://developer.aliyun.com/article/1563784