Transformers 文档
BARThez
并获得增强的文档体验
开始使用
BARThez
概述
BARThez 模型在 BARThez: a Skilled Pretrained French Sequence-to-Sequence Model 这篇论文中被提出,作者是 Moussa Kamal Eddine, Antoine J.-P. Tixier, Michalis Vazirgiannis,发表于 2020 年 10 月 23 日。
论文摘要
自监督学习支持的归纳迁移学习已经席卷了整个自然语言处理 (NLP) 领域,BERT 和 BART 等模型在无数自然语言理解任务上都取得了新的state-of-the-art成果。虽然有一些值得注意的例外,但大多数可用的模型和研究都是针对英语进行的。在这项工作中,我们介绍了 BARThez,这是首个法语 BART 模型(据我们所知)。BARThez 在过去研究中使用的非常庞大的单语法语语料库上进行了预训练,我们对该语料库进行了调整,以适应 BART 的扰动方案。与现有的基于 BERT 的法语语言模型(如 CamemBERT 和 FlauBERT)不同,BARThez 特别适合生成任务,因为它不仅预训练了其编码器,还预训练了解码器。除了 FLUE 基准测试中的判别任务外,我们还在一个新的摘要数据集 OrangeSum 上评估了 BARThez,该数据集与本文一同发布。我们还继续在 BARThez 的语料库上对已经预训练的多语言 BART 进行了预训练,并且我们表明,由此产生的模型(我们称之为 mBARTHez)比 vanilla BARThez 提供了显着的提升,并且与 CamemBERT 和 FlauBERT 相当或更胜一筹。
此模型由 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。有关配置类及其参数的信息,请参阅 BART 文档。BARThez 特定的分词器将在下面进行说明。
资源
- BARThez 可以像 BART 一样在序列到序列任务上进行微调,请查看:examples/pytorch/summarization/。
BarthezTokenizer
class transformers.BarthezTokenizer
< source >( 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[typing.Dict[str, typing.Any]] = None **kwargs )
参数
- vocab_file (
str
) — SentencePiece 文件(通常具有 .spm 扩展名),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>"
) — 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。当使用特殊标记构建序列时,这不是用于序列开始的标记。使用的标记是
cls_token
。 - eos_token (
str
, 可选, 默认为"</s>"
) — 序列结束标记。当使用特殊标记构建序列时,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"</s>"
) — 分隔符标记,用于从多个序列构建序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。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(对整个序列而不是每个标记进行分类)。当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"<unk>"
) — 未知标记。词汇表中不存在的标记无法转换为 ID,而是设置为此标记。 - pad_token (
str
, 可选, 默认为"<pad>"
) — 用于填充的标记,例如当批处理不同长度的序列时。 - mask_token (
str
, 可选, 默认为"<mask>"
) — 用于掩码值的标记。这是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。 - sp_model_kwargs (
dict
, 可选) — 将传递给SentencePieceProcessor.__init__()
方法。SentencePiece 的 Python 封装器 可用于设置以下内容:-
enable_sampling
: 启用子词正则化。 -
nbest_size
: 用于 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 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
: 用于 unigram 采样的平滑参数,以及用于 BPE-dropout 的合并操作的 dropout 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 BARThez 分词器。基于 SentencePiece。
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
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
通过连接和添加特殊标记,从序列或序列对构建模型输入,以用于序列分类任务。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(字符串)序列转换为单个字符串。
create_token_type_ids_from_sequences
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
从传递的两个序列创建一个掩码,用于序列对分类任务。
get_special_tokens_mask
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊 token 的 token 列表中检索序列 ID。当使用 tokenizer 的 prepare_for_model
方法添加特殊 token 时,会调用此方法。
BarthezTokenizerFast
class transformers.BarthezTokenizerFast
< source >( 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(通常带有 .spm 扩展名),其中包含实例化 tokenizer 所需的词汇表。 - bos_token (
str
, optional, defaults to"<s>"
) — 序列开始 token,在预训练期间使用。可以用作序列分类器 token。当使用特殊 token 构建序列时,这不是用于序列开始的 token。使用的 token 是
cls_token
。 - eos_token (
str
, optional, defaults to"</s>"
) — 序列结束 token。当使用特殊 token 构建序列时,这不是用于序列结束的 token。使用的 token 是
sep_token
。 - sep_token (
str
, optional, defaults to"</s>"
) — 分隔符 token,用于从多个序列构建序列时,例如,用于序列分类的两个序列,或者用于问答的文本和问题。它也用作使用特殊 token 构建的序列的最后一个 token。 - cls_token (
str
, optional, defaults to"<s>"
) — 分类器 token,用于进行序列分类(对整个序列而不是每个 token 进行分类)。当使用特殊 token 构建时,它是序列的第一个 token。 - unk_token (
str
, optional, defaults to"<unk>"
) — 未知 token。词汇表中不存在的 token 无法转换为 ID,而是设置为此 token。 - pad_token (
str
, optional, defaults to"<pad>"
) — 用于填充的 token,例如,当批量处理不同长度的序列时。 - mask_token (
str
, optional, defaults to"<mask>"
) — 用于屏蔽值的 token。这是使用掩码语言建模训练此模型时使用的 token。这是模型将尝试预测的 token。 - additional_special_tokens (
List[str]
, optional, defaults to["<s>NOTUSED", "</s>NOTUSED"]
) — tokenizer 使用的其他特殊 token。
改编自 CamembertTokenizer 和 BartTokenizer。构建一个 “fast” BARThez tokenizer。基于 SentencePiece。
此 tokenizer 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
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
参数
- token_ids_0 (
List[int]
) — 将向其添加特殊 token 的 ID 列表。 - token_ids_1 (
List[int]
, optional) — 序列对的可选第二个 ID 列表。
返回值
List[int]
带有适当特殊标记的 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模型输入,以用于序列分类任务。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
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
从传递的两个序列创建一个掩码,用于序列对分类任务。