CPMAnt
概述
CPM-Ant 是一个开源的 100 亿参数中文预训练语言模型 (PLM)。它也是 CPM-Live 实时训练过程中的第一个里程碑。训练过程具有成本效益且环保。CPM-Ant 在 CUGE 基准上通过增量微调也取得了令人满意的结果。除了完整模型之外,我们还提供各种压缩版本以满足不同硬件配置的需求。 了解更多
此模型由 OpenBMB 贡献。原始代码可以在 此处 找到。
资源
- 关于 CPM-Live 的教程。
CpmAntConfig
class transformers.CpmAntConfig
< 源代码 >( vocab_size: int = 30720 hidden_size: int = 4096 num_attention_heads: int = 32 dim_head: int = 128 dim_ff: int = 10240 num_hidden_layers: int = 48 dropout_p: int = 0.0 position_bias_num_buckets: int = 512 position_bias_max_distance: int = 2048 eps: int = 1e-06 init_std: float = 1.0 prompt_types: int = 32 prompt_length: int = 32 segment_types: int = 32 use_cache: bool = True **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 30720) — CPMAnt 模型的词典大小。定义了调用 CpmAntModel 时传递的input
可以表示的不同标记的数量。 - hidden_size (
int
, 可选, 默认为 4096) — 编码器层的维度。 - num_attention_heads (
int
, 可选, 默认为 32) — Transformer 编码器中的注意力头的数量。 - dim_head (
int
, 可选, 默认为 128) — Transformer 编码器中每个注意力层中的注意力头的维度。 - dim_ff (
int
, 可选, 默认为 10240) — Transformer 编码器中“中间”(即前馈)层的维度。 - num_hidden_layers (
int
, 可选, 默认为 48) — Transformer 编码器的层数。 - position_bias_max_distance (
int
, 可选, 默认为 2048) — 此模型可能使用的最大序列长度。 通常将此设置为一个较大的值以防万一(例如,512 或 1024 或 2048)。 - eps (
float
, 可选, 默认为 1e-06) — 层归一化层使用的epsilon。 - init_std (
float
, 可选, 默认为 1.0) — 使用 std = init_std 初始化参数。 - prompt_types (
int
, 可选, 默认为 32) — 提示类型。 - prompt_length (
int
, 可选, 默认为 32) — 提示的长度。 - segment_types (
int
, 可选, 默认为 32) — 段类型。 - use_cache (
bool
, 可选, 默认为True
) — 是否使用缓存。
这是一个配置类,用于存储 CpmAntModel 的配置。 它用于根据指定的参数实例化 CPMAnt 模型,定义模型架构。 使用默认值实例化配置将产生类似于 CPMAnt openbmb/cpm-ant-10b 架构的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。 阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import CpmAntModel, CpmAntConfig
>>> # Initializing a CPMAnt cpm-ant-10b style configuration
>>> configuration = CpmAntConfig()
>>> # Initializing a model from the cpm-ant-10b style configuration
>>> model = CpmAntModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
CpmAntTokenizer
class transformers.CpmAntTokenizer
< 源代码 >( vocab_file bod_token = '<d>' eod_token = '</d>' bos_token = '<s>' eos_token = '</s>' pad_token
参数
- vocab_file (
str
) — 词汇文件路径。 - bod_token (
str
, optional, defaults to"<d>"
) — 文档开始标记。 - eod_token (
str
, optional, defaults to"</d>"
) — 文档结束标记。 - bos_token (
str
, optional, defaults to"<s>"
) — 序列开始标记。 - eos_token (
str
, optional, defaults to"</s>"
) — 序列结束标记。 - pad_token (
str
, optional, defaults to"<pad>"
) — 用于填充的标记。 - unk_token (
str
, optional, defaults to"<unk>"
) — 未知标记。 - line_token (
str
, optional, defaults to"</n>"
) — 行标记。 - space_token (
str
, optional, defaults to"</_>"
) — 空格标记。
构建 CPMAnt 分词器。基于字节级字节对编码。
build_inputs_with_special_tokens
< 源代码 > ( token_ids_0: List token_ids_1: List = None ) → List[int]
通过串联和添加特殊标记,从序列或一对序列构建用于序列分类任务的模型输入。CPMAnt 序列具有以下格式
- 单个序列:
[BOS] 序列
。
get_special_tokens_mask
< source > ( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊标记的令牌列表中检索序列 ID。当使用标记器prepare_for_model
方法添加特殊标记时,会调用此方法。
CpmAntModel
CPMAnt 模型,输出原始隐藏状态,没有任何特定的头部。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般使用和行为相关的所有事项。
参数 config (~CpmAntConfig): 模型配置类,包含所有参数。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() 方法以加载模型权重。
forward
< source > ( input_ids: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None past_key_values: Optional = None use_cache: Optional = None return_dict: Optional = None **kwargs ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.Tensor
形状为(batch_size, seq_len)
) — 词汇表中输入序列标记的索引。可以使用
CPMAntTokenizer
获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。 - past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或config.use_cache=True
时返回) — 包含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(参见past_key_values
输入)加快顺序解码速度。 - use_cache (
bool
, 可选) — 如果设置为True
,则将返回past_key_values
键值状态,可用于加快解码速度(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个简单元组。
返回
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置(CpmAntConfig)和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。如果使用
past_key_values
,则仅输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或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 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
) 的张量,并且如果config.is_encoder_decoder=True
,则可选地包含 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的附加张量。包含预先计算的隐藏状态(自注意力块中的键和值,以及如果
config.is_encoder_decoder=True
则在交叉注意力块中),可用于(参见past_key_values
输入)加快顺序解码速度。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入的输出,如果模型具有嵌入层,+ 每个层的输出一个)形状为(batch_size, sequence_length, hidden_size)
。模型中每一层输出的隐藏状态,以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个)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。
The CpmAntModel 正向方法,覆盖 __call__
特殊方法。
虽然正向传递的配方需要在此函数内定义,但应该在之后调用 Module
实例,而不是这个,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, CpmAntModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("openbmb/cpm-ant-10b")
>>> model = CpmAntModel.from_pretrained("openbmb/cpm-ant-10b")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
CpmAntForCausalLM
带有语言建模头的 CPMAnt 模型(权重与输入嵌入绑定的线性层)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规的 PyTorch 模块,并参考 PyTorch 文档了解有关一般用法和行为的所有事宜。
参数 config (~CpmAntConfig): 模型配置类,包含所有参数。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() 方法以加载模型权重。
forward
< 源代码 > ( input_ids: Optional = None past_key_values: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None labels: Optional = None return_dict: Optional = None attention_mask: Optional = None **kwargs ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.Tensor
形状为(batch_size, seq_len)
) — 输入序列词元的词汇索引。索引可以通过
CPMAntTokenizer
获得。更多信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。 - past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 在use_cache=True
传入时或config.use_cache=True
时返回) — 包含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(参见past_key_values
输入)加速顺序解码。 - 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(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。参数 — input_ids (
torch.Tensor
形状为(batch_size, seq_len)
): 输入序列词元的词汇索引。索引可以通过
CPMAntTokenizer
获得。更多信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。什么是输入 ID? past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 在use_cache=True
传入时或config.use_cache=True
时返回): 包含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(参见past_key_values
输入)加速顺序解码。 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(参见past_key_values
)。 output_attentions (bool
, 可选): 是否返回所有注意力层的注意力张量。 output_hidden_states (bool
, 可选): 是否返回所有层的隐藏状态。 labels (torch.Tensor
形状为(batch_size, sequence_length)
, 可选): 用于计算掩码语言建模损失的标签。 return_dict (bool
, 可选): 是否返回 ModelOutput 而不是普通元组。 attention_mask (torch.Tensor
形状为(batch_size, sequence_length)
, 可选): CPMAnt 会自动处理注意力掩码,此参数是文本生成管道的虚拟参数。示例 —
- 文本 使用 CpmAntForCausalLM 生成。 —
返回
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 config.return_dict=False
),包含根据配置 (CpmAntConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 在提供labels
时返回) — 语言建模损失(用于下一个词元预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选,在传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,每个元组包含 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(自注意力块中的键和值),可用于(参见
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config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(一个用于嵌入的输出,如果模型具有嵌入层,+ 每个层的输出一个)形状为(batch_size, sequence_length, hidden_size)
。模型中每一层输出的隐藏状态,以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个)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。
CpmAntForCausalLM 正向方法,覆盖了 __call__
特殊方法。
虽然正向传递的配方需要在此函数内定义,但应该在之后调用 Module
实例,而不是这个,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoTokenizer, CpmAntForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("openbmb/cpm-ant-10b")
>>> model = CpmAntForCausalLM.from_pretrained("openbmb/cpm-ant-10b")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits