AI 助理
文档备案控制台
开发者社区 人工智能 文章 正文

Transformers 4.37 中文文档（四十一）（8）

2024-07-11 92
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（四十一）

Transformers 4.37 中文文档（四十一）（7）https://developer.aliyun.com/article/1565237


LukeForTokenClassification

transformers.LukeForTokenClassification 类

<来源>

( config )

参数

  • config (LukeConfig) — 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。

LUKE 模型在顶部具有一个标记分类头（隐藏状态输出的线性层）。为了使用 LUKE 解决命名实体识别（NER）任务，比起这个类，更适合使用 LukeForEntitySpanClassification。

此模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法（如下载或保存、调整输入嵌入、修剪头等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 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

<来源>

( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None entity_ids: Optional = None entity_attention_mask: Optional = None entity_token_type_ids: Optional = None entity_position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.luke.modeling_luke.LukeTokenClassifierOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor，形状为 (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 (torch.FloatTensor，形状为 (batch_size, sequence_length)，可选) — 用于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 masked 的标记，
  • 0 表示被 masked 的标记。
  • 什么是注意力掩码？
  • token_type_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 段标记索引，用于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。
  • 令牌类型 ID 是什么？
  • position_ids（形状为(batch_size, sequence_length)的torch.LongTensor，可选）- 每个输入序列令牌在位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]中选择。
    位置 ID 是什么？
  • entity_ids（形状为(batch_size, entity_length)的torch.LongTensor）- 实体词汇中实体令牌的索引。
    可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()。
  • entity_attention_mask（形状为(batch_size, entity_length)的torch.FloatTensor，可选）- 用于避免在填充实体令牌索引上执行注意力的掩码。掩码值在[0, 1]中选择：
  • 对于未被“掩盖”的实体令牌，ID 为 1，
  • 对于被“掩盖”的实体令牌，ID 为 0。
  • entity_token_type_ids（形状为(batch_size, entity_length)的torch.LongTensor，可选）- 段令牌索引，用于指示实体令牌输入的第一部分和第二部分。索引在[0, 1]中选择：
  • 0 对应于部分 A实体令牌，
  • 1 对应于部分 B实体令牌。
  • entity_position_ids（形状为(batch_size, entity_length, max_mention_length)的torch.LongTensor，可选）- 每个输入实体在位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]中选择。
  • inputs_embeds（形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选）- 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望更多地控制如何将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。
  • head_mask（形状为(num_heads,)或(num_layers, num_heads)的torch.FloatTensor，可选）- 用于使自注意力模块的选定头部失效的掩码。掩码值在[0, 1]中选择：
  • 1 表示头部未被“掩盖”，
  • 0 表示头部被“掩盖”。
  • 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，请参见返回张量下的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，请参见返回张量下的hidden_states。
  • return_dict（bool，可选）- 是否返回一个 ModelOutput 而不是一个普通元组。
  • labels（形状为(batch_size,)的torch.LongTensor，可选）- 用于计算多项选择分类损失的标签。索引应在[0, ..., num_choices-1]中，其中num_choices是输入张量第二维的大小。（请参见上面的input_ids）

返回

transformers.models.luke.modeling_luke.LukeTokenClassifierOutput或元组(torch.FloatTensor)

一个transformers.models.luke.modeling_luke.LukeTokenClassifierOutput或一个torch.FloatTensor元组（如果传递了return_dict=False或config.return_dict=False时）包含根据配置（LukeConfig）和输入的不同元素。

  • loss（形状为(1,)的torch.FloatTensor，可选，在提供labels时返回）- 分类损失。
  • logits（形状为(batch_size, sequence_length, config.num_labels)的torch.FloatTensor）- 分类得分（SoftMax 之前）。
  • hidden_states (tuple(torch.FloatTensor), 可选的, 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，则一个用于嵌入的输出 + 一个用于每层的输出）。
    模型在每层输出的隐藏状态加上可选的初始嵌入输出。
  • entity_hidden_states (tuple(torch.FloatTensor), 可选的, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) — 形状为(batch_size, entity_length, hidden_size)的torch.FloatTensor元组（一个用于嵌入的输出 + 一个用于每层的输出）。模型在每层输出的实体隐藏状态加上初始实体嵌入输出。
  • attentions (tuple(torch.FloatTensor), 可选的, 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）。
    在自注意力头中用于计算加权平均的注意力权重在注意力 softmax 之后。

LukeForTokenClassification 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，而不是在此处调用，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, LukeForTokenClassification
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("studio-ousia/luke-base")
>>> model = LukeForTokenClassification.from_pretrained("studio-ousia/luke-base")
>>> 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

LukeForQuestionAnswering

class transformers.LukeForQuestionAnswering

<来源>

( config )

参数

  • config (LukeConfig) — 包含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()方法以加载模型权重。

LUKE 模型在顶部具有一个跨度分类头，用于提取式问答任务，如 SQuAD（在隐藏状态输出的线性层上计算span start logits和span end logits）。

此模型继承自 PreTrainedModel。查看超类文档以获取库为所有模型实现的通用方法（如下载或保存、调整输入嵌入、修剪头等）。

此模型也是 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信息。

forward

<来源>

( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None entity_ids: Optional = None entity_attention_mask: Optional = None entity_token_type_ids: Optional = None entity_position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None start_positions: Optional = None end_positions: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.luke.modeling_luke.LukeQuestionAnsweringModelOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor，形状为(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。查看 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()获取详细信息。
    什么是输入 ID？
  • attention_mask（形状为(batch_size, sequence_length)的torch.FloatTensor，可选）— 用于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 用于未被“掩盖”的标记，
  • 0 用于被“掩盖”的标记。
  • 什么是注意力掩码？
  • token_type_ids（形状为(batch_size, sequence_length)的torch.LongTensor，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（形状为(batch_size, sequence_length)的torch.LongTensor，可选）— 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]。
    什么是位置 ID？
  • entity_ids（形状为(batch_size, entity_length)的torch.LongTensor）— 实体词汇中实体标记的索引。
    可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call()。
  • entity_attention_mask（形状为(batch_size, entity_length)的torch.FloatTensor，可选）— 用于避免在填充实体标记索引上执行注意力的掩码。掩码值选择在[0, 1]中：
  • 1 用于未被“掩盖”的实体标记，
  • 0 用于被“掩盖”的实体标记。
  • entity_token_type_ids（形状为(batch_size, entity_length)的torch.LongTensor，可选）— 段标记索引，指示实体标记输入的第一部分和第二部分。索引选择在[0, 1]中：
  • 0 对应于部分 A实体标记，
  • 1 对应于部分 B实体标记。
  • entity_position_ids（形状为(batch_size, entity_length, max_mention_length)的torch.LongTensor，可选）— 每个输入实体在位置嵌入中的位置索引。选择范围为[0, config.max_position_embeddings - 1]。
  • inputs_embeds（形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可选）— 可选地，您可以选择直接传递嵌入表示，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。
  • head_mask（形状为(num_heads,)或(num_layers, num_heads)的torch.FloatTensor，可选）— 用于使自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“掩盖”，
  • 0 表示头部被“掩盖”。
  • 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，请参阅返回的张量下的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，请参阅返回的张量下的hidden_states。
  • return_dict（bool，可选）— 是否返回 ModelOutput 而不是普通元组。
  • start_positions（形状为(batch_size,)的torch.LongTensor，可选）— 用于计算标记范围开始位置的位置（索引）的标签，以计算标记分类损失。位置被夹紧到序列的长度（sequence_length）。超出序列范围的位置不会用于计算损失。
  • end_positions (torch.LongTensor形状为(batch_size,), optional) — 用于计算标记跨度结束位置的位置（索引）的标签。位置被夹紧到序列的长度(sequence_length)。序列外的位置不会被考虑在内计算损失。

返回

transformers.models.luke.modeling_luke.LukeQuestionAnsweringModelOutput或tuple(torch.FloatTensor)

一个transformers.models.luke.modeling_luke.LukeQuestionAnsweringModelOutput或一个torch.FloatTensor元组（如果传递return_dict=False或config.return_dict=False）包含各种元素，取决于配置（LukeConfig）和输入。

  • loss (torch.FloatTensor形状为(1,), optional, 当提供labels时返回) — 总跨度提取损失是起始位置和结束位置的交叉熵之和。
  • start_logits (torch.FloatTensor形状为(batch_size, sequence_length)) — 跨度起始得分（SoftMax 之前）。
  • end_logits (torch.FloatTensor形状为(batch_size, sequence_length)) — 跨度结束得分（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) — torch.FloatTensor元组（如果模型有嵌入层，则为嵌入的输出+每一层的输出）的形状为(batch_size, sequence_length, hidden_size)。
    模型在每一层输出的隐藏状态加上可选的初始嵌入输出。
  • entity_hidden_states (tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) — torch.FloatTensor元组（嵌入输出+每一层的输出）的形状为(batch_size, entity_length, hidden_size)。模型在每一层输出的实体隐藏状态加上初始实体嵌入输出。
  • attentions (tuple(torch.FloatTensor), optional, 当传递output_attentions=True或config.output_attentions=True时返回) — torch.FloatTensor元组（每层一个）的形状为(batch_size, num_heads, sequence_length, sequence_length)。
    注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

LukeForQuestionAnswering 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，而不是在此处调用，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, LukeForQuestionAnswering
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("studio-ousia/luke-base")
>>> model = LukeForQuestionAnswering.from_pretrained("studio-ousia/luke-base")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
...     outputs = model(**inputs)
>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])
>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
文章标签：
索引
算法框架/工具
PyTorch
自然语言处理
布客飞龙
目录
相关文章
1556331752797846
|
SQL 数据采集 数据可视化
需求：公司需要做数据迁移同步，以下是几种常见的ETL工具选型对比
需求：公司需要做数据迁移同步，以下是几种常见的ETL工具选型对比
1556331752797846
726 0
布客飞龙
|
IDE 程序员 开发工具
Python 进阶指南（编程轻松进阶）：三、使用 Black 工具来格式化代码
Python 进阶指南（编程轻松进阶）：三、使用 Black 工具来格式化代码
布客飞龙
323 0
游客7wkr3y7oxyt7a
|
4月前
|
存储 数据可视化 数据挖掘
终于有人把数据仓库讲明白了！
在企业数据分析中，数据仓库作为核心枢纽，通过整合财务、销售、生产等多系统数据，解决指标不一致、历史数据缺失等问题。它具备面向主题、集成、历史、时变和稳定五大特性，区别于传统数据库，专为复杂分析和决策支持设计，助力企业实现数据驱动。
游客7wkr3y7oxyt7a
839 0
终于有人把数据仓库讲明白了！
壹佰、
|
机器学习/深度学习 自然语言处理
自然语言处理Transformer模型最详细讲解（图解版）
自然语言处理Transformer模型最详细讲解（图解版）
壹佰、
11814 1
自然语言处理Transformer模型最详细讲解（图解版）
布客飞龙
|
小程序 iOS开发 MacOS
Python 小型项目大全 71~75
Python 小型项目大全 71~75
布客飞龙
89 0
游客7wkr3y7oxyt7a
|
6月前
|
数据采集 NoSQL 关系型数据库
试了一圈 ETL 工具后，这几款真心够用了！
ETL（数据抽取、转换、加载）是整合企业分散数据的关键技术。本文介绍了四种常用ETL工具：FineDataLink（功能全面、可视化操作）、Kettle（开源免费、灵活易用）、DataX（高效同步、适合大数据搬运）、Airflow（流程调度、任务管理），并分析了各自适用场景，助力企业根据自身需求选择合适工具，提升数据处理效率。
游客7wkr3y7oxyt7a
1643 0
运营研究坊
|
12月前
|
SQL Java 数据库连接
如何用 Java 校验 SQL 语句的合法性？
本文介绍了五种校验 SQL 语句合法性的方案：1) 使用 JDBC API 的 `execute()` 方法，通过捕获异常判断合法性；2) 使用 JSqlParser 库解析 SQL 语句为 Java 对象；3) 使用正则表达式检查 SQL 语句格式；4) 使用 ANTLR 生成 SQL 解析器；5) 使用 Apache Calcite 解析 SQL。每种方法各有优劣，具体选择取决于需求和个人偏好。需要注意的是，这些方法仅能校验语法合法性，无法保证语义正确性，仍需防范 SQL 注入攻击。
运营研究坊
545 6
小周sir
|
机器学习/深度学习 自然语言处理 语音技术
探索深度学习中的Transformer模型及其在自然语言处理中的应用
探索深度学习中的Transformer模型及其在自然语言处理中的应用
小周sir
635 5
猫头虎
|
Go 虚拟化 云计算
Docker 基础知识解析：容器与传统虚拟化对比：资源利用、启动时间、隔离性和部署效率
Docker 基础知识解析：容器与传统虚拟化对比：资源利用、启动时间、隔离性和部署效率
猫头虎
1014 0
穿过生命散发芬芳
|
算法 搜索推荐 数据挖掘
如何搭建数据指标体系
【2月更文挑战第21天】
穿过生命散发芬芳
500 1

热门文章

最新文章

  • 1
    Redis 6.0 新特性详解
  • 2
    Java 开发者必备：JDK 版本详解与选择策略(含安装与验证)
  • 3
    HIVE的安装配置、mysql的安装、hive创建表、创建分区、修改表等内容、hive beeline使用、HIVE的四种数据导入方式、使用Java代码执行hive的sql命令
  • 4
    通过Web安全工具Burp suite找出网站中的XSS漏洞实战(二)
  • 5
    SpringBoot+Docker+Git+Jenkins实现简易的持续集成和持续部署
  • 6
    阿里云开源 AI 应用开发框架：Spring AI Alibaba
  • 7
    5月教程月|ECS服务器挂载云盘（非普通云盘）图文教程
  • 8
    Ubuntu 20.04 编译 Opencv 4.11，详细步骤（带图）及报错解决，我的踩坑之旅~
  • 9
    Datrium公司以几近疯狂的方式提升速度表现
  • 10
    轻轻一触 即刻安全
  • 1
    《Python复杂结构静态分析秘籍：递归类型注解的深度实践指南》
    28
  • 2
    《PyPy超越CPython的核心技术架构解析》
    28
  • 3
    LLM-as-a-judge有30%评测偏差？这篇论文给出修复方案
    34
  • 4
    SpringBoot
    58
  • 5
    不泄露任何机密！OmniPact ZK-SNARKs技术如何重构Web3商业信任？
    37
  • 6
    区块链 + AI：一个负责“信任”，一个负责“聪明”，能不能真结婚？
    46
  • 7
    别再把端到端加密当护身符了：多租户系统里，合规比加密更难
    53
  • 8
    别再被 Exactly-Once 忽悠了：端到端一致性到底是怎么落地的？
    37
  • 9
    阿里云服务器8核16G、8核32G、8核64G最新实例收费标准与活动价格参考
    62

    • 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
    【DataEase】零代码数据可视化分析工具的安装部署保姆级教程