Transformers 文档

Cohere

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始

Cohere

PyTorch FlashAttention SDPA

概述

Cohere Command-R 模型在博客文章 Command-R: Retrieval Augmented Generation at Production Scale 中由 Cohere 团队提出。

该论文的摘要如下

Command-R 是一个可扩展的生成模型,旨在用于 RAG 和工具使用,以实现面向企业生产规模的 AI。今天,我们推出 Command-R,这是一种新的 LLM,旨在用于大规模生产工作负载。Command-R 针对新兴的“可扩展”模型类别,这些模型在高效率和高精度之间取得平衡,使公司能够超越概念验证阶段,进入生产阶段。

*Command-R 是一个生成模型,针对长上下文任务进行了优化,例如检索增强生成 (RAG) 以及使用外部 API 和工具。它旨在与我们行业领先的 Embed 和 Rerank 模型协同工作,为 RAG 应用程序提供一流的集成,并在企业用例中表现出色。作为一个为公司规模化实施而构建的模型,Command-R 拥有

  • RAG 和工具使用方面的强大准确性
  • 低延迟和高吞吐量
  • 更长的 128k 上下文和更低的定价
  • 在 10 种主要语言中的强大能力
  • 模型权重可在 HuggingFace 上用于研究和评估

在此处查看模型检查点 here。此模型由 Saurabh DashAhmet Üstün 贡献。Hugging Face 中实现的代碼基于 GPT-NeoX here

使用技巧

Hub 上上传的检查点使用 torch_dtype = 'float16'AutoModel API 将使用它将检查点从 torch.float32 转换为 torch.float16

在线权重的 dtype 大多无关紧要,除非您在使用 model = AutoModelForCausalLM.from_pretrained("path", torch_dtype = "auto") 初始化模型时使用 torch_dtype="auto"。原因是模型将首先被下载(使用在线检查点的 dtype),然后它将被转换为 torch 的默认 dtype(变为 torch.float32),最后,如果在配置中提供了 torch_dtype,则将使用它。

不建议在 float16 中训练模型,并且已知会产生 nan;因此,模型应在 bfloat16 中训练。

模型和分词器可以通过以下方式加载
# pip install transformers
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "CohereForAI/c4ai-command-r-v01"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

# Format message with the command-r chat template
messages = [{"role": "user", "content": "Hello, how are you?"}]
input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt")
## <BOS_TOKEN><|START_OF_TURN_TOKEN|><|USER_TOKEN|>Hello, how are you?<|END_OF_TURN_TOKEN|><|START_OF_TURN_TOKEN|><|CHATBOT_TOKEN|>

gen_tokens = model.generate(
    input_ids, 
    max_new_tokens=100, 
    do_sample=True, 
    temperature=0.3,
    )

gen_text = tokenizer.decode(gen_tokens[0])
print(gen_text)
  • 当通过 attn_implementation="flash_attention_2" 使用 Flash Attention 2 时,不要将 torch_dtype 传递给 from_pretrained 类方法,并使用自动混合精度训练。当使用 Trainer 时,只需将 fp16bf16 指定为 True 即可。否则,请确保您正在使用 torch.autocast。这是必需的,因为 Flash Attention 仅支持 fp16bf16 数据类型。

资源

以下是官方 Hugging Face 和社区(以 🌎 符号表示)资源的列表,可帮助您开始使用 Command-R。如果您有兴趣提交资源以包含在此处,请随时打开 Pull Request,我们将进行审核!该资源最好展示一些新的东西,而不是重复现有的资源。

文本生成

加载 FP16 模型

# pip install transformers
from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "CohereForAI/c4ai-command-r-v01"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

# Format message with the command-r chat template
messages = [{"role": "user", "content": "Hello, how are you?"}]
input_ids = tokenizer.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt")
## <BOS_TOKEN><|START_OF_TURN_TOKEN|><|USER_TOKEN|>Hello, how are you?<|END_OF_TURN_TOKEN|><|START_OF_TURN_TOKEN|><|CHATBOT_TOKEN|>

gen_tokens = model.generate(
    input_ids, 
    max_new_tokens=100, 
    do_sample=True, 
    temperature=0.3,
    )

gen_text = tokenizer.decode(gen_tokens[0])
print(gen_text)

加载 bitsnbytes 4bit 量化模型

# pip install transformers bitsandbytes accelerate
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig

bnb_config = BitsAndBytesConfig(load_in_4bit=True)

model_id = "CohereForAI/c4ai-command-r-v01"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, quantization_config=bnb_config)

gen_tokens = model.generate(
    input_ids, 
    max_new_tokens=100, 
    do_sample=True, 
    temperature=0.3,
    )

gen_text = tokenizer.decode(gen_tokens[0])
print(gen_text)

CohereConfig

class transformers.CohereConfig

< >

( vocab_size = 256000 hidden_size = 8192 intermediate_size = 22528 logit_scale = 0.0625 num_hidden_layers = 40 num_attention_heads = 64 num_key_value_heads = None hidden_act = 'silu' max_position_embeddings = 8192 initializer_range = 0.02 layer_norm_eps = 1e-05 use_cache = True pad_token_id = 0 bos_token_id = 5 eos_token_id = 255001 tie_word_embeddings = True rope_theta = 10000.0 rope_scaling = None attention_bias = False attention_dropout = 0.0 use_qk_norm = False **kwargs )

参数

  • vocab_size (int, 可选, 默认为 256000) — Cohere 模型的词汇表大小。定义了在调用 CohereModel 时传递的 inputs_ids 可以表示的不同 token 的数量
  • hidden_size (int, 可选, 默认为 8192) — 隐藏层表示的维度。
  • intermediate_size (int, 可选, 默认为 22528) — MLP 表示的维度。
  • logit_scale (float, 可选, 默认为 0.0625) — 输出 logits 的缩放因子。
  • num_hidden_layers (int, 可选, 默认为 40) — Transformer 解码器中隐藏层的数量。
  • num_attention_heads (int, 可选, 默认为 64) — Transformer 解码器中每个注意力层的注意力头的数量。
  • num_key_value_heads (int, 可选) — 这是应用于实现 Grouped Query Attention 的 key_value 头的数量。如果 num_key_value_heads=num_attention_heads,模型将使用 Multi Head Attention (MHA);如果 num_key_value_heads=1,模型将使用 Multi Query Attention (MQA);否则,将使用 GQA。当将多头检查点转换为 GQA 检查点时,每个组的 key 和 value 头应通过对该组内所有原始头进行均值池化来构建。有关更多详细信息,请查看 本文。如果未指定,则默认为 num_attention_heads
  • hidden_act (strfunction, 可选, 默认为 "silu") — 解码器中的非线性激活函数(函数或字符串)。
  • max_position_embeddings (int, 可选, 默认为 8192) — 此模型可能使用的最大序列长度。
  • initializer_range (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • layer_norm_eps (float, 可选, 默认为 1e-05) — 层归一化使用的 epsilon 值。
  • use_cache (bool, 可选, 默认为 True) — 模型是否应返回最后的 key/values 注意力(并非所有模型都使用)。仅当 config.is_decoder=True 时相关。
  • pad_token_id (int, 可选, 默认为 0) — Padding token id。
  • bos_token_id (int, 可选, 默认为 5) — Beginning of stream token id。
  • eos_token_id (int, 可选, 默认为 255001) — End of stream token id。
  • tie_word_embeddings (bool, 可选, 默认为 True) — 是否绑定权重 embedding
  • rope_theta (float, 可选, 默认为 10000.0) — RoPE embeddings 的基期。
  • rope_scaling (Dict, 可选) — 包含 RoPE 嵌入的缩放配置的字典。注意:如果您应用新的 rope 类型,并期望模型在更长的 max_position_embeddings 上工作,我们建议您相应地更新此值。 预期内容:rope_type (str):要使用的 RoPE 的子变体。可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 之一,其中 ‘default’ 是原始的 RoPE 实现。 factor (float, 可选):用于除 ‘default’ 之外的所有 rope 类型。应用于 RoPE 嵌入的缩放因子。在大多数缩放类型中,因子 x 将使模型能够处理长度为 x * 原始最大预训练长度的序列。 original_max_position_embeddings (int, 可选):与 ‘dynamic’、‘longrope’ 和 ‘llama3’ 一起使用。预训练期间使用的原始最大位置嵌入。 attention_factor (float, 可选):与 ‘yarn’ 和 ‘longrope’ 一起使用。应用于注意力计算的缩放因子。如果未指定,则默认为实现建议的值,使用 factor 字段推断建议值。 beta_fast (float, 可选):仅与 ‘yarn’ 一起使用。用于设置线性 ramp 函数中外推(仅限)边界的参数。如果未指定,则默认为 32。 beta_slow (float, 可选):仅与 ‘yarn’ 一起使用。用于设置线性 ramp 函数中内插(仅限)边界的参数。如果未指定,则默认为 1。 short_factor (List[float], 可选):仅与 ‘longrope’ 一起使用。应用于短上下文(< original_max_position_embeddings)的缩放因子。必须是数字列表,其长度与隐藏层大小除以注意力头数再除以 2 的结果相同。 long_factor (List[float], 可选):仅与 ‘longrope’ 一起使用。应用于长上下文(< original_max_position_embeddings)的缩放因子。必须是数字列表,其长度与隐藏层大小除以注意力头数再除以 2 的结果相同。 low_freq_factor (float, 可选):仅与 ‘llama3’ 一起使用。应用于 RoPE 低频分量的缩放因子。 high_freq_factor (float, 可选):仅与 ‘llama3’ 一起使用。应用于 RoPE 高频分量的缩放因子。
  • attention_bias (bool, 默认为 False, 可选, 默认为 False) — 是否在自注意力期间在 query, key, value 和 output 投影层中使用偏置。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • use_qk_norm (bool, 可选, 默认为 False) — 是否在注意力机制中使用 query-key 归一化。

这是用于存储 CohereModel 配置的配置类。 它用于根据指定的参数实例化 Cohere 模型,定义模型架构。

配置对象继承自 PretrainedConfig,可用于控制模型输出。 有关更多信息,请阅读 PretrainedConfig 的文档。 使用默认值实例化配置将产生与 CohereForAI/c4ai-command-r-v01 模型类似的配置。

>>> from transformers import CohereModel, CohereConfig

>>> # Initializing a Cohere model configuration
>>> configuration = CohereConfig()

>>> # Initializing a model from the Cohere configuration
>>> model = CohereModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

CohereTokenizerFast

class transformers.CohereTokenizerFast

< >

( vocab_file = None merges_file = None tokenizer_file = None clean_up_tokenization_spaces = False unk_token = '<UNK>' bos_token = '<BOS_TOKEN>' eos_token = '<|END_OF_TURN_TOKEN|>' add_bos_token = True add_eos_token = False use_default_system_prompt = False add_prefix_space = False **kwargs )

参数

  • vocab_file (str, 可选) — 词汇表文件的路径。
  • merges_file (str, 可选) — merges 文件的路径。
  • tokenizer_file (str, 可选) — tokenizers 文件(通常具有 .json 扩展名),其中包含加载 tokenizer 所需的一切。
  • clean_up_tokenization_spaces (bool, 可选, 默认为 False) — 是否清理解码后的空格,清理包括删除潜在的伪影,如额外的空格。
  • unk_token (strtokenizers.AddedToken, 可选, 默认为 "<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。
  • bos_token (strtokenizers.AddedToken, 可选, 默认为 "<BOS_TOKEN>") — 预训练期间使用的序列开始 token。 可用作序列分类器 token。
  • eos_token (strtokenizers.AddedToken, 可选, 默认为 "<|END_OF_TURN_TOKEN|>") — 序列结束 token。
  • add_bos_token (bool, 可选, 默认为 True) — 是否在序列的开头添加 bos_token
  • add_eos_token (bool, 可选, 默认为 False) — 是否在序列的末尾添加 eos_token
  • use_default_system_prompt (bool, 可选, 默认为 False) — 是否应使用 Cohere tokenizer 的默认系统提示。
  • add_prefix_space (bool, 可选, 默认为 False) — tokenizer 是否应自动添加前缀空格。

构建 Cohere tokenizer。 基于字节级 Byte-Pair-Encoding。

这主要使用 ByteFallback 和 NFC 归一化。

>>> from transformers import AutoTokenizer

>>> tokenizer = AutoTokenizer.from_pretrained("CohereForAI/c4ai-command-r-v01")
>>> tokenizer.encode("Hello this is a test")
[5, 28339, 2075, 1801, 1671, 3282]

如果要更改 bos_tokeneos_token,请确保在初始化模型时指定它们,或调用 tokenizer.update_post_processor() 以确保正确完成后处理(否则,编码序列的第一个 token 和最后一个 token 的值将不正确)。 有关更多详细信息,请查看 [post-processors] (https://huggingface.co/docs/tokenizers/api/post-processors) 文档。

您可以通过在实例化此 tokenizer 时传递 add_prefix_space=True 来解决此行为,但由于模型并非以这种方式预训练,因此可能会导致性能下降。

当与 is_split_into_words=True 一起使用时,此 tokenizer 需要使用 add_prefix_space=True 进行实例化。

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

< >

( token_ids_0 token_ids_1 = None )

get_special_tokens_mask

< >

( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None already_has_special_tokens: bool = False ) 整数列表,范围为 [0, 1]

参数

  • token_ids_0 (List[int]) — 第一个序列的 ID 列表。
  • token_ids_1 (List[int], 可选) — 第二个序列的 ID 列表。
  • already_has_special_tokens (bool, 可选, 默认为 False) — token 列表是否已使用模型的特殊 token 格式化。

返回值

整数列表,范围为 [0, 1]

特殊 token 为 1,序列 token 为 0。

从没有添加特殊 token 的 token 列表中检索序列 ID。 当使用 tokenizer prepare_for_modelencode_plus 方法添加特殊 token 时,将调用此方法。

create_token_type_ids_from_sequences

< >

( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) List[int]

参数

  • token_ids_0 (List[int]) — 第一个分词后的序列。
  • token_ids_1 (List[int], optional) — 第二个分词后的序列。

返回值

List[int]

token type IDs。

创建与传递的序列对应的 token type IDs。 什么是 token type IDs?

如果模型有构建这些 token type IDs 的特殊方法,则应在子类中重写此方法。

update_post_processor

< >

( )

使用当前的 bos_token 和 eos_token 更新底层的后处理器。

save_vocabulary

< >

( save_directory: str filename_prefix: typing.Optional[str] = None ) Tuple(str)

参数

  • save_directory (str) — 保存词汇表的目录。
  • filename_prefix (str, optional) — 添加到已保存文件名称的可选前缀。

返回值

Tuple(str)

已保存文件的路径。

仅保存 tokenizer 的词汇表(词汇表 + 添加的 token)。

此方法不会保存 tokenizer 的配置和特殊 token 映射。 使用 _save_pretrained() 保存 tokenizer 的整个状态。

CohereModel

class transformers.CohereModel

< >

( config: CohereConfig )

参数

  • config (CohereConfig) — 带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,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
  • config — CohereConfig

裸 Cohere 模型,输出原始的隐藏状态,顶部没有任何特定的头部。 此模型继承自 PreTrainedModel。 查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等)。

此模型也是 PyTorch torch.nn.Module 的子类。 将其用作常规 PyTorch Module,并参阅 PyTorch 文档,了解与常规用法和行为相关的所有事项。

Transformer 解码器,由 config.num_hidden_layers 层组成。 每层都是一个 CohereDecoderLayer

forward

< >

( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.cache_utils.Cache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] )

参数

  • input_ids (形状为 (batch_size, sequence_length)torch.LongTensor) — 词汇表中输入序列 token 的索引。 如果您提供填充,默认情况下将忽略填充。

    索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 了解详情。

    什么是 input IDs?

  • attention_mask (形状为 (batch_size, sequence_length)torch.Tensor, optional) — 用于避免对填充 token 索引执行 attention 的掩码。 掩码值在 [0, 1] 中选择:

    • 1 表示 token 未被掩盖,
    • 0 表示 token 被掩盖

    什么是 attention masks?

    索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 了解详情。

    如果使用 past_key_values,则可以选择仅输入最后一个 input_ids (请参阅 past_key_values)。

    如果您想更改填充行为,您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。 有关默认策略的更多信息,请参阅 论文 中的图 1。

    • 1 表示 head 未被掩盖,
    • 0 表示 head 被掩盖
  • position_ids (形状为 (batch_size, sequence_length)torch.LongTensor, optional) — 每个输入序列 token 在位置嵌入中的位置索引。 在 [0, config.n_positions - 1] 范围内选择。

    什么是 position IDs?

  • past_key_values (Cachetuple(tuple(torch.FloatTensor)), optional) — 预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可用于加速顺序解码。 这通常包括模型在先前解码阶段返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    允许两种格式:

    • Cache 实例,请参阅我们的 kv 缓存指南
    • 长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个 tuple 都有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。 这也称为旧版缓存格式。

    模型将输出与作为输入提供的缓存格式相同的格式。 如果未传递 past_key_values,则将返回旧版缓存格式。

    如果使用 past_key_values,用户可以选择仅输入最后一个 input_ids (那些没有将其过去的键值状态提供给此模型的 input_ids),形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)input_ids

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递 input_ids。 如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联向量,这将非常有用。
  • 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(请参阅 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,请参阅返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通 tuple。
  • cache_position (形状为 (sequence_length)torch.LongTensor, optional) — 描述输入序列 token 在序列中位置的索引。 与 position_ids 相反,此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。

CohereModel 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module 实例而不是此函数,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。

CohereForCausalLM

class transformers.CohereForCausalLM

< >

( config )

forward

< >

( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[typing.List[torch.FloatTensor], transformers.cache_utils.Cache, NoneType] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.cohere.modeling_cohere.KwargsForCausalLM] ) transformers.modeling_outputs.CausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length)torch.LongTensor) — 词汇表中输入序列 tokens 的索引。如果您提供填充,默认情况下填充将被忽略。

    索引可以使用 AutoTokenizer 获得。 参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 以了解详情。

    什么是输入 IDs?

  • attention_mask (形状为 (batch_size, sequence_length)torch.Tensor可选) — 掩码,用于避免在填充 token 索引上执行注意力机制。掩码值在 [0, 1] 中选择:

    • 1 表示 未被掩盖 的 tokens,
    • 0 表示 已被掩盖 的 tokens。

    什么是注意力掩码?

    索引可以使用 AutoTokenizer 获得。 参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 以了解详情。

    如果使用 past_key_values,则可以选择仅输入最后的 input_ids (请参阅 past_key_values)。

    如果您想更改填充行为,您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。 有关默认策略的更多信息,请参见 论文 中的图 1。

    • 1 表示 head 是 未被掩盖的
    • 0 表示 head 是 已被掩盖的
  • position_ids (形状为 (batch_size, sequence_length)torch.LongTensor可选) — 位置嵌入中每个输入序列 tokens 的位置索引。 在范围 [0, config.n_positions - 1] 中选择。

    什么是位置 IDs?

  • past_key_values (Cachetuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可用于加速顺序解码。 这通常包括模型在先前解码阶段返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    允许两种格式:

    • Cache 实例,请参阅我们的 kv 缓存指南
    • 长度为 config.n_layerstuple(tuple(torch.FloatTensor)) 元组,每个元组具有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)。 这也称为旧版缓存格式。

    模型将输出与作为输入馈送的缓存格式相同的格式。 如果未传递 past_key_values,则将返回旧版缓存格式。

    如果使用 past_key_values,用户可以选择仅输入最后的 input_ids (那些没有将其过去的键值状态提供给此模型的输入 IDs),形状为 (batch_size, 1),而不是形状为 (batch_size, sequence_length) 的所有 input_ids

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size)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。 如果您想比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量,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,并且可以用于加速解码(请参阅 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 ModelOutput 而不是普通的元组。
  • cache_position (形状为 (sequence_length)torch.LongTensor可选) — 索引,描述输入序列 tokens 在序列中的位置。 与 position_ids 相反,此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
  • labels (形状为 (batch_size, sequence_length)torch.LongTensor可选) — 用于计算掩码语言建模损失的标签。 索引应为 [0, ..., config.vocab_size] 或 -100 (请参阅 input_ids 文档字符串)。 索引设置为 -100 的 tokens 将被忽略(掩码),损失仅针对标签在 [0, ..., config.vocab_size] 中的 tokens 计算。
  • logits_to_keep (inttorch.Tensor可选) — 如果是 int,则计算最后 logits_to_keep 个 tokens 的 logits。 如果为 0,则计算所有 input_ids 的 logits(特殊情况)。 只有最后一个 token logits 是生成所需的,并且仅针对该 token 计算它们可以节省内存,这对于长序列或大词汇量大小而言变得非常重要。 如果是 torch.Tensor,则必须是与序列长度维度中要保留的索引相对应的 1D 张量。 这在使用打包张量格式(批次和序列长度的单个维度)时很有用。

返回值

transformers.modeling_outputs.CausalLMOutputWithPasttuple(torch.FloatTensor)

transformers.modeling_outputs.CausalLMOutputWithPasttorch.FloatTensor 的元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含取决于配置 (CohereConfig) 和输入的各种元素。

  • loss (形状为 (1,)torch.FloatTensor可选,当提供 labels 时返回) — 语言建模损失(用于下一个 token 预测)。

  • logits (形状为 (batch_size, sequence_length, config.vocab_size)torch.FloatTensor) — 语言建模头的预测分数(SoftMax 之前每个词汇表 token 的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)) 元组,每个元组具有 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(自注意力模块中的键和值),可以用于(请参阅 past_key_values 输入)加速顺序解码。

  • hidden_states (tuple(torch.FloatTensor), 可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 每个层的输出提供一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出端的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    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。

CohereForCausalLM 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module 实例而不是此函数,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, CohereForCausalLM

>> model = CohereForCausalLM.from_pretrained("CohereForAI/c4ai-command-r-v01")
>> tokenizer = AutoTokenizer.from_pretrained("CohereForAI/c4ai-command-r-v01")

>> prompt = "Hey, are you conscious? Can you talk to me?"
>> inputs = tokenizer(prompt, return_tensors="pt")

>> # Generate
>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."
< > Update on GitHub