Cohere
概述
Cohere Command-R 模型在 Cohere 团队的博客文章 Command-R:生产规模的检索增强生成 中提出。
论文摘要如下:
Command-R 是一款可扩展的生成模型,其目标是 RAG 和工具使用,以实现企业级生产规模的 AI。今天,我们推出了 Command-R,一款针对大型生产工作负载的新型 LLM。Command-R 针对的是新兴的“可扩展”模型类别,这些模型在高效率和高准确性之间取得了平衡,使公司能够超越概念验证阶段,进入生产阶段。
*Command-R 是一款为长上下文任务(如检索增强生成 (RAG) 和使用外部 API 和工具)优化的生成模型。它旨在与我们业界领先的 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。作为一个专为公司大规模实施而构建的模型,Command-R 拥有以下优势:*
- 在 RAG 和工具使用方面具有很高的准确性
- 低延迟,高吞吐量
- 更长的 128k 上下文和更低的价格
- 在 10 种主要语言中具有强大的功能
- 模型权重可在 HuggingFace 上获得,用于研究和评估
查看模型检查点 此处。该模型由 Saurabh Dash 和 Ahmet Üstün 贡献。Hugging Face 中实现的代码基于 GPT-NeoX 此处。
使用技巧
在 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 torch_dtype="auto"
初始化模型时使用 model = AutoModelForCausalLM.from_pretrained("path", torch_dtype = "auto")
。原因是模型首先将被下载(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
,它将被使用。
不建议在 float16
中训练模型,已知会导致 nan
;因此,模型应该在 bfloat16
中训练。
# 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fp16
或bf16
指定为True
。否则,请确保您使用的是torch.autocast
。这是必需的,因为 Flash Attention 仅支持fp16
和bf16
数据类型。
资源
以下是一些官方 Hugging Face 和社区(用 🌎 表示)资源,可帮助您开始使用 Command-R。如果您想提交此处包含的资源,请随时打开一个 Pull Request,我们将对其进行审核!理想情况下,该资源应该展示一些新内容,而不是重复现有资源。
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
< 来源 >( 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, 默认值 256000) — Cohere 模型的词汇量。定义了在调用 CohereModel 时传递的inputs_ids
可以表示的不同令牌的数量 - hidden_size (
int
, 可选, 默认值 8192) — 隐藏表示的维度。 - intermediate_size (
int
, 可选, 默认值 22528) — MLP 表示的维度。 - logit_scale (
float
, 可选, 默认值 0.0625) — 输出 logits 的缩放因子。 - num_hidden_layers (
int
, 可选, 默认值 40) — Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认值 64) — Transformer 解码器中每个注意力层的注意力头数量。 - num_key_value_heads (
int
, 可选) — 这是用于实现分组查询注意力的键值头数量。 如果num_key_value_heads=num_attention_heads
,模型将使用多头注意力 (MHA),如果num_key_value_heads=1
,模型将使用多查询注意力 (MQA),否则将使用 GQA。 将多头检查点转换为 GQA 检查点时,每个组键和值头应通过对该组中所有原始头的平均池化来构建。 有关更多详细信息,请查看 这篇论文。 如果未指定,将默认设置为num_attention_heads
。 - hidden_act (
str
或function
, 可选, 默认值"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, 默认值 8192) — 该模型可能使用的最大序列长度。 - initializer_range (
float
, 可选, 默认值 0.02) — 用于初始化所有权重矩阵的截断正态初始化的标准差。 - layer_norm_eps (
float
, 可选, 默认值 1e-05) — 层归一化使用的epsilon。 - bos_token_id (
int
, 可选, 默认值 5) — 流的开始 token id. - eos_token_id (
int
, 可选, 默认值 255001) — 流的结束 token id. - tie_word_embeddings (
bool
, 可选, 默认值True
) — 是否绑定权重嵌入 - rope_theta (
float
, 可选, 默认值 10000.0) — RoPE 嵌入的基周期. - rope_scaling (
Dict
, 可选) — 包含 RoPE 嵌入缩放配置的字典. 注意: 如果你应用了新的 rope 类型并且希望模型在更长的max_position_embeddings
上工作, 我们建议你相应地更新此值. 预期内容:rope_type
(str
): 要使用的 RoPE 子变体. 可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 之一, 其中 ‘default’ 是原始 RoPE 实现.factor
(float
, 可选): 与除 ‘default’ 之外的所有 rope 类型一起使用. 要应用于 RoPE 嵌入的缩放因子. 在大多数缩放类型中,factor
为 x 将使模型能够处理长度为 x * 原本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. 要应用于注意力计算的缩放因子. 如果未指定, 则默认为实现推荐的值, 使用factor
字段推断建议的值.beta_fast
(float
, 可选): 仅与 ‘yarn’ 一起使用. 用于设置线性斜坡函数中 (仅) 外推的边界的参数. 如果未指定, 则默认为 32.beta_slow
(float
, 可选): 仅与 ‘yarn’ 一起使用. 用于设置线性斜坡函数中 (仅) 插值的边界的参数. 如果未指定, 则默认为 1.short_factor
(List[float]
, 可选): 仅与 ‘longrope’ 一起使用. 要应用于短上下文 (<original_max_position_embeddings
) 的缩放因子. 必须是一个数字列表, 其长度与隐藏大小除以注意力头的数量除以 2 相同.long_factor
(List[float]
, 可选): 仅与 ‘longrope’ 一起使用. 要应用于长上下文 (<original_max_position_embeddings
) 的缩放因子. 必须是一个数字列表, 其长度与隐藏大小除以注意力头的数量除以 2 相同.low_freq_factor
(float
, 可选): 仅与 ‘llama3’ 一起使用. 应用于 RoPE 的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 的高频分量的缩放因子. - attention_bias (
bool
, 默认值False
, 可选, 默认值False
) — 是否在自注意力期间的查询、键、值和输出投影层中使用偏差. - attention_dropout (
float
, 可选, 默认值 0.0) — 注意力概率的 dropout 比例. - use_qk_norm (
bool
, 可选, 默认值False
) — 是否在注意力中使用查询-键归一化
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 并且可以用于控制模型输出. 阅读 PretrainedConfig 的文档以获取更多信息. 使用默认值实例化配置将生成类似于 CohereForAI/c4ai-command-r-v01 模型的配置.
>>> 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
< source >( 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) — 词汇表文件路径。 - merges_file (
str
, 可选) — 合并文件路径。 - tokenizer_file (
str
, 可选) — tokenizers 文件(通常具有 .json 扩展名),其中包含加载分词器所需的一切。 - clean_up_tokenization_spaces (
bool
, 可选, 默认值为False
) — 是否在解码后清理空格,清理包括删除可能出现的额外空格等人工制品。 - unk_token (
str
或tokenizers.AddedToken
, 可选, 默认值为"<UNK>"
) — 未知标记。词汇表中没有的标记无法转换为 ID,而是设置为此标记。 - bos_token (
str
或tokenizers.AddedToken
, 可选, 默认值为"<BOS_TOKEN>"
) — 在预训练期间使用的序列开始标记。可以用作序列分类标记。 - eos_token (
str
或tokenizers.AddedToken
, 可选, 默认值为"<|END_OF_TURN_TOKEN|>"
) — 序列结束标记。 - use_default_system_prompt (
bool
, optional, defaults toFalse
) — 是否使用 Cohere 分词器的默认系统提示。 - add_prefix_space (
bool
, optional, defaults toFalse
) — 分词器是否应自动添加前缀空格
构建 Cohere 分词器。 基于字节级字节对编码。
这使用字节回退和 NFC 规范化。
>>> 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]
如果您想更改 bos_token
或 eos_token
,请确保在初始化模型时指定它们,或调用 tokenizer.update_post_processor()
以确保正确执行后处理(否则编码序列的第一个标记和最后一个标记的值将不正确)。有关更多详细信息,请查看 [后处理器] (https://huggingface.co/docs/tokenizers/api/post-processors) 文档。
您可以通过在实例化此分词器时传递 add_prefix_space=True
来规避这种行为,但由于模型不是以这种方式预先训练的,因此可能会导致性能下降。
当与 is_split_into_words=True
一起使用时,此分词器需要使用 add_prefix_space=True
实例化。
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。
get_special_tokens_mask
< source > ( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → 0 到 1 之间的整数列表
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
或 encode_plus
方法添加特殊标记时调用。
create_token_type_ids_from_sequences
< source > ( token_ids_0: 列表 token_ids_1: 可选 = None ) → 列表[int]
创建对应于传入序列的分词类型 ID。 什么是分词类型 ID?
如果模型有构建这些 ID 的特殊方法,则应在子类中覆盖此方法。
使用当前的 bos_token
和 eos_token
更新基础的后处理程序。
save_vocabulary
< 源代码 > ( save_directory: str filename_prefix: 可选 = None ) → 元组(str)
仅保存分词器的词表(词表 + 添加的词元)。
此方法不会保存分词器的配置和特殊词元映射。使用 _save_pretrained()
来保存分词器的整个状态。
CohereModel
类 transformers.CohereModel
< 源代码 >( config: CohereConfig )
参数
- config (CohereConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。config — CohereConfig
输出原始隐藏状态的 Cohere 模型,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、调整输入嵌入大小等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档了解与一般使用和行为相关的所有内容。
包含 config.num_hidden_layers 层的 Transformer 解码器。每层都是一个 CohereDecoderLayer
forward
< 源代码 > ( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Union = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None )
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列词元在词汇表中的索引。 如果你提供了填充,默认情况下填充会被忽略。索引可以通过 AutoTokenizer 获得。 详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
, 可选) — 掩码,用于避免对填充词元索引执行注意力。 掩码值选择在[0, 1]
内:- 1 表示 未掩码 的词元,
- 0 表示 掩码 的词元。
索引可以通过 AutoTokenizer 获得。 详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果你使用了
past_key_values
,可选地只需要输入最后的input_ids
(那些没有被提供给该模型的过去键值状态的词元)形状为(batch_size, 1)
,而不是所有input_ids
形状为(batch_size, sequence_length)
。如果你想改变填充行为,你应该阅读
modeling_opt._prepare_decoder_attention_mask
并根据你的需求进行修改。 详情请参阅 论文 中的图 1,以了解更多关于默认策略的信息。- 1 表示头部 未掩码,
- 0 表示头部 掩码。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 输入序列词元在位置嵌入中的位置索引。 选择在[0, config.n_positions - 1]
范围内。 - past_key_values (
Cache
或tuple(tuple(torch.FloatTensor))
, 可选) — 预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码。 这通常包括模型在解码的先前阶段返回的past_key_values
,当use_cache=True
或config.use_cache=True
时。允许两种格式:
- 一个 Cache 实例,请参阅我们的 kv 缓存指南;
tuple(torch.FloatTensor)
的元组,长度为config.n_layers
,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。 这也被称为传统缓存格式。
模型将输出与输入相同的缓存格式。 如果没有传入
past_key_values
,则将返回传统缓存格式。如果你使用了
past_key_values
,用户可以选择仅输入最后的input_ids
(那些没有被提供给该模型的过去键值状态的词元),形状为(batch_size, 1)
,而不是所有input_ids
形状为(batch_size, sequence_length)
。 - inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,你可以选择直接传入嵌入表示,而不是传入input_ids
。 如果你想比模型的内部嵌入查找矩阵更精确地控制如何将input_ids
索引转换为相关的向量,这将非常有用。 - use_cache (
bool
, 可选) — 如果设置为True
,则会返回past_key_values
键值状态,可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 详情请参阅返回张量中的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 而不是一个普通的元组。
The CohereModel forward method, overrides the __call__
special method.
虽然正向传递的配方需要在此函数中定义,但应该随后调用 Module
实例,而不是此实例,因为前者负责运行前处理和后处理步骤,而后者会默默忽略它们。
CohereForCausalLM
forward
< 源代码 > ( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None num_logits_to_keep: int = 0 ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列令牌的索引。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。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
, 可选) — 掩码以避免对填充令牌索引执行注意力。在[0, 1]
中选择掩码值:- 1 表示 未掩码 的令牌,
- 0 表示 掩码 的令牌。
索引可以使用 AutoTokenizer 获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可以选择仅输入最后的input_ids
(参见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 表示头部 未掩码,
- 0 表示头部 掩码。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列令牌的位置索引。在[0, config.n_positions - 1]
范围内选择。 - past_key_values (
Cache
或tuple(tuple(torch.FloatTensor))
, 可选) — 预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码。 这通常包括模型在解码的先前阶段返回的past_key_values
,当use_cache=True
或config.use_cache=True
时。允许两种格式:
- 一个 Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)。 这也称为传统缓存格式。
模型将输出与输入相同的缓存格式。 如果未传入
past_key_values
,则将返回传统缓存格式。如果使用
past_key_values
,用户可以选择仅输入形状为(batch_size, 1)
的最后一个input_ids
(那些没有提供给此模型的过去键值状态的input_ids
),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)
的torch.FloatTensor
, 可选) — 可选地,您可选择直接传入嵌入表示,而不是传入input_ids
。 如果您希望比模型的内部嵌入查找矩阵更精确地控制如何将input_ids
索引转换为关联的向量,这将很有用。 - use_cache (
bool
, 可选) — 如果设置为True
,则将返回past_key_values
键值状态,可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, 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,请参阅返回张量中的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,请参阅返回张量中的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput,而不是一个普通元组。参数 — labels (形状为
(batch_size, sequence_length)
的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
的令牌将被忽略(掩码),仅针对标签位于[0, ..., config.vocab_size]
中的令牌计算损失。num_logits_to_keep (
int
, 可选): 计算最后num_logits_to_keep
个令牌的 logits。 如果为0
,则计算所有input_ids
的 logits(特殊情况)。 生成仅需要最后一个令牌的 logits,并且仅计算该令牌的 logits 可以节省内存,对于较长的序列或较大的词汇量而言,这一点非常重要。
返回值
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (CohereConfig) 和输入。
-
loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当提供labels
时返回) — 语言建模损失(用于下一个令牌预测)。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头的预测分数(SoftMax 之前的每个词汇量令牌的分数)。 -
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_layers
的tuple(torch.FloatTensor)
元组,每个元组包含两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)包含预先计算的隐藏状态(自注意力块中的键和值),可用于(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
元组(一个用于嵌入输出,如果模型具有嵌入层,再加上每个层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处以及可选的初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每个层一个)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。
该 CohereForCausalLM 正向方法重写了 __call__
特殊方法。
虽然正向传递的配方需要在此函数中定义,但应该随后调用 Module
实例,而不是此实例,因为前者负责运行前处理和后处理步骤,而后者会默默忽略它们。
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."