Transformers 文档
BARThez
并获得增强的文档体验
开始使用
BARThez
概述
BARThez 模型由 Moussa Kamal Eddine、Antoine J.-P. Tixier、Michalis Vazirgiannis 在 2020 年 10 月 23 日发表的论文 BARThez: a Skilled Pretrained French Sequence-to-Sequence Model 中提出。
论文摘要:
自监督学习驱动的归纳式迁移学习已经席卷了整个自然语言处理(NLP)领域,像 BERT 和 BART 这样的模型在无数自然语言理解任务上创造了新的技术水平。尽管有一些显著的例外,但现有的大多数模型和研究都是针对英语的。在这项工作中,我们介绍了 BARThez,这是(据我们所知)第一个针对法语的 BART 模型。BARThez 是在一个非常大的法语单语语料库上预训练的,该语料库来自我们调整过的以往研究,以适应 BART 的扰动方案。与现有的基于 BERT 的法语模型(如 CamemBERT 和 FlauBERT)不同,BARThez 特别适合生成式任务,因为它不仅编码器,而且解码器也都经过了预训练。除了 FLUE 基准测试中的判别性任务外,我们还在一个新的摘要数据集 OrangeSum 上评估了 BARThez,这个数据集是我们随本文一同发布的。我们还继续在一个已经预训练过的多语言 BART 上使用 BARThez 的语料库进行预训练,结果表明,由此产生的模型(我们称之为 mBARTHez)相比原始的 BARThez 有显著提升,并且与 CamemBERT 和 FlauBERT 相当或更优。
该模型由 moussakam 贡献。作者的代码可以在这里找到。
BARThez 的实现与 BART 相同,除了分词部分。有关配置类及其参数的信息,请参阅 BART 文档。BARThez 特定的分词器文档如下。
资源
- BARThez 可以在序列到序列任务上进行微调,方式与 BART 类似,请查看:examples/pytorch/summarization/。
BarthezTokenizer
class transformers.BarthezTokenizer
< 来源 >( vocab_file bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' sp_model_kwargs: typing.Optional[dict[str, typing.Any]] = None **kwargs )
参数
- vocab_file (
str
) — SentencePiece 文件(通常扩展名为 .spm),其中包含实例化分词器所需的词汇表。 - bos_token (
str
, 可选, 默认为"<s>"
) — 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。使用特殊标记构建序列时,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"</s>"
) — 序列结束标记。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"</s>"
) — 分隔符标记,用于从多个序列构建一个序列,例如用于序列分类的两个序列,或用于问答任务的文本和问题。它也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"<s>"
) — 分类器标记,用于进行序列分类(对整个序列进行分类,而不是逐个标记分类)。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"<unk>"
) — 未知标记。不在词汇表中的标记无法转换为 ID,将被设置为此标记。 - pad_token (
str
, 可选, 默认为"<pad>"
) — 用于填充的标记,例如在批处理不同长度的序列时使用。 - mask_token (
str
, 可选, 默认为"<mask>"
) — 用于掩盖值的标记。在使用掩码语言建模训练此模型时使用此标记。模型将尝试预测此标记。 - sp_model_kwargs (
dict
, 可选) — 将传递给SentencePieceProcessor.__init__()
方法。SentencePiece 的 Python 包装器 可用于设置以下内容等:-
enable_sampling
:启用子词正则化。 -
nbest_size
:unigram 的采样参数。对 BPE-Dropout 无效。nbest_size = {0,1}
:不执行采样。nbest_size > 1
:从 nbest_size 个结果中采样。nbest_size < 0
:假设 nbest_size 是无限的,并使用前向过滤和后向采样算法从所有假设(格)中采样。
-
alpha
:unigram 采样的平滑参数,以及 BPE-dropout 合并操作的丢弃概率。
-
- sp_model (
SentencePieceProcessor
) — 用于每次转换(字符串、标记和 ID)的 SentencePiece 处理器。
改编自 CamembertTokenizer 和 BartTokenizer。构建一个 BARThez 分词器。基于 SentencePiece。
此分词器继承自 PreTrainedTokenizer,其中包含大部分主要方法。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
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
通过连接和添加特殊标记,从一个序列或一对序列为序列分类任务构建模型输入。BARThez 序列具有以下格式:
- 单个序列:
<s> X </s>
- 序列对:
<s> A </s></s> B </s>
将标记序列(字符串)转换为单个字符串。
create_token_type_ids_from_sequences
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
从传入的两个序列创建一个掩码,用于序列对分类任务。
get_special_tokens_mask
< 来源 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None already_has_special_tokens: bool = False ) → list[int]
从没有添加特殊标记的标记列表中检索序列ID。此方法在使用分词器prepare_for_model
方法添加特殊标记时调用。
BarthezTokenizerFast
class transformers.BarthezTokenizerFast
< 来源 >( vocab_file = None tokenizer_file = None bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' **kwargs )
参数
- vocab_file (
str
) — SentencePiece 文件(通常扩展名为 .spm),其中包含实例化分词器所需的词汇表。 - bos_token (
str
, 可选, 默认为"<s>"
) — 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。使用特殊标记构建序列时,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"</s>"
) — 序列结束标记。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"</s>"
) — 分隔符标记,用于从多个序列构建一个序列时,例如,在序列分类任务中的两个序列,或在问答任务中的文本和问题。它也用作带有特殊标记构建的序列的最后一个标记。 - cls_token (
str
, 可选, 默认为"<s>"
) — 分类符标记,用于进行序列分类(对整个序列进行分类,而不是按标记进行分类)。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"<unk>"
) — 未知标记。词汇表中不存在的标记无法转换为 ID,将被设置为此标记。 - pad_token (
str
, 可选, 默认为"<pad>"
) — 用于填充的标记,例如在批处理不同长度的序列时使用。 - mask_token (
str
, 可选, 默认为"<mask>"
) — 用于掩盖值的标记。在使用掩码语言建模训练此模型时使用此标记。这是模型将尝试预测的标记。 - additional_special_tokens (
list[str]
, 可选, 默认为["<s>NOTUSED", "</s>NOTUSED"]
) — 分词器使用的附加特殊标记。
改编自 CamembertTokenizer 和 BartTokenizer。构建一个“快速”的 BARThez 分词器。基于 SentencePiece。
此分词器继承自 PreTrainedTokenizerFast,其中包含大部分主要方法。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
< 源代码 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
通过连接和添加特殊标记,从一个序列或一对序列为序列分类任务构建模型输入。BARThez 序列具有以下格式:
- 单个序列:
<s> X </s>
- 序列对:
<s> A </s></s> B </s>
create_token_type_ids_from_sequences
< 源代码 >( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → list[int]
从传入的两个序列创建一个掩码,用于序列对分类任务。