BARThez
概述
BARThez 模型是在 2020 年 10 月 23 日由 Moussa Kamal Eddine、Antoine J.-P. Tixier 和 Michalis Vazirgiannis 在 BARThez: a Skilled Pretrained French Sequence-to-Sequence Model 中提出的。
论文摘要
由自监督学习驱动的归纳迁移学习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创造了新的最先进水平。虽然有一些值得注意的例外,但大多数现有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,这是第一个法语 BART 模型(据我们所知)。BARThez 在过去研究中从一个非常大的单语法语语料库中进行预训练,我们对其进行了调整以适应 BART 的扰动方案。与已经存在的基于 BERT 的法语模型(如 CamemBERT 和 FlauBERT)不同,BARThez 特别适合生成任务,因为不仅它的编码器而且它的解码器都是预训练的。除了 FLUE 基准测试中的判别性任务外,我们还评估了 BARThez 在一个新的摘要数据集 OrangeSum 上,我们将在本文中发布该数据集。我们还继续对已经预训练的多语言 BART 在 BARThez 的语料库上进行预训练,并且我们表明,由此产生的模型(我们称之为 mBARTHez)比普通 BARThez 有显著提升,并且与 CamemBERT 和 FlauBERT 相当或性能更好。
该模型由 moussakam 贡献。作者的代码可以在这里找到 这里。
BARThez 的实现与 BART 相同,除了标记化。有关配置类及其参数的信息,请参阅 BART 文档。BARThez 特定的标记器将在下面介绍。
资源
- BARThez 可以以与 BART 相似的方式在序列到序列任务上进行微调,请查看:examples/pytorch/summarization/.
BarthezTokenizer
class transformers.BarthezTokenizer
< 源代码 >( 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: Optional = None **kwargs )
参数
- vocab_file (
str
) — SentencePiece 文件(通常具有 .spm 扩展名),其中包含实例化标记器所需的词汇表。 - bos_token (
str
, 可选,默认值为"<s>"
) — 预训练期间使用的序列开头标记。可以作为序列分类标记。在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,默认值为"</s>"
) — 序列结束标记。在使用特殊标记构建序列时,这不是用于序列结束的标记。使用的标记是
sep_token
。 - sep_token (
str
, 可选,默认值为"</s>"
) — 分隔符标记,用于从多个序列构建序列,例如序列分类的两个序列或问答的文本和问题。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,默认值为"<s>"
) — 分类标记,用于执行序列分类(对整个序列进行分类,而不是对每个标记进行分类)。它是使用特殊标记构建的序列的第一个标记。 - unk_token (
str
, 可选, 默认值:"<unk>"
) — 未知词元。不在词汇表中的词元无法转换为 ID,将改为此词元。 - pad_token (
str
, 可选, 默认值:"<pad>"
) — 用于填充的词元,例如在对不同长度的序列进行批处理时。 - mask_token (
str
, 可选, 默认值:"<mask>"
) — 用于屏蔽值的词元。这是在使用掩码语言建模训练此模型时使用的词元。这是模型将尝试预测的词元。 - sp_model_kwargs (
dict
, 可选) — 将传递给SentencePieceProcessor.__init__()
方法。 SentencePiece 的 Python 包装器 可用于(除其他事项外)设置:-
enable_sampling
: 启用子词正则化。 -
nbest_size
: 一元模型的采样参数,对于 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
: 一元模型采样的平滑参数,以及 BPE-Dropout 合并操作的 dropout 概率。
-
- sp_model (
SentencePieceProcessor
) — 用于每次转换(字符串、词元和 ID)的 SentencePiece 处理器。
改编自 CamembertTokenizer 和 BartTokenizer。构建 BARThez 词元化器。基于 SentencePiece。
此词元化器继承自 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
< 源代码 >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接和添加特殊词元,从序列或一对序列构建用于序列分类任务的模型输入。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>
将词元序列(字符串)转换为单个字符串。
create_token_type_ids_from_sequences
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
从传递的两个序列创建掩码,用于序列对分类任务。
get_special_tokens_mask
< source >( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊令牌的令牌列表中检索序列 ID。当使用 tokenizer prepare_for_model
方法添加特殊令牌时,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头标记。 可以用作序列分类标记。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,例如序列分类的两个序列或问答的文本和问题。 它也被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>"
) — 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)的分类标记。 它是使用特殊标记构建的序列的第一个标记。 - 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,例如在批处理不同长度的序列时。 - mask_token (
str
, 可选,默认为"<mask>"
) — 用于屏蔽值的标记。 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。 - additional_special_tokens (
List[str]
, 可选,默认为["<s>NOTUSED", "</s>NOTUSED"]
) — 分词器使用的其他特殊标记。
改编自 CamembertTokenizer 和 BartTokenizer。 构建一个“快速” BARThez 分词器。 基于 SentencePiece。
此分词器继承自 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
< 源代码 >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接和添加特殊词元,从序列或一对序列构建用于序列分类任务的模型输入。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: Optional = None ) → List[int]
从传递的两个序列创建掩码,用于序列对分类任务。