Transformers 文档

CPMAnt

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

CPMAnt

PyTorch

概述

CPM-Ant 是一个拥有 100 亿参数的开源中文预训练语言模型 (PLM)。它也是 CPM-Live 持续训练过程的第一个里程碑。训练过程具有成本效益且环境友好。CPM-Ant 在 CUGE 基准测试中通过 delta tuning 也取得了可喜的成果。除了完整模型外,我们还提供各种压缩版本,以满足不同硬件配置的需求。 查看更多

此模型由 OpenBMB 贡献。 原始代码可以在这里找到。

资源

CpmAntConfig

class transformers.CpmAntConfig

< >

( 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 模型的词汇表大小。定义了调用 CpmAntModel 时传递的 input 可以表示的不同 token 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 attention heads 的数量。
  • dim_head (int, 可选, 默认为 128) — Transformer 编码器中每个 attention 层的 attention heads 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。
  • dropout_p (float, 可选, 默认为 0.0) — 嵌入层、编码器中所有全连接层的 dropout 概率。
  • position_bias_num_buckets (int, 可选, 默认为 512) — position_bias buckets 的数量。
  • 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。通常将其设置为较大的值以防万一(例如,512 或 1024 或 2048)。
  • eps (float, 可选, 默认为 1e-06) — layer normalization 层使用的 epsilon 值。
  • 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) — prompt 的类型。
  • prompt_length (int, 可选, 默认为 32) — prompt 的长度。
  • segment_types (int, 可选, 默认为 32) — segment 的类型。
  • use_cache (bool, 可选, 默认为 True) — 是否使用缓存。

这是用于存储 CpmAntModel 配置的配置类。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与 CPMAnt openbmb/cpm-ant-10b 架构类似的配置。

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。

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

< >

( vocab_file bod_token = '<d>' eod_token = '</d>' bos_token = '<s>' eos_token = '</s>' pad_token = '<pad>' unk_token = '<unk>' line_token = '</n>' space_token = '</_>' padding_side = 'left' **kwargs )

参数

  • vocab_file (str) — 词汇表文件的路径。
  • bod_token (str, 可选, 默认为 "<d>") — 文档开始 token。
  • eod_token (str, 可选, 默认为 "</d>") — 文档结束 token。
  • bos_token (str, 可选, 默认为 "<s>") — 序列开始 token。
  • eos_token (str, 可选, 默认为 "</s>") — 序列结束 token。
  • pad_token (str, 可选, 默认为 "<pad>") — 用于 padding 的 token。
  • unk_token (str, 可选, 默认为 "<unk>") — 未知 token。
  • line_token (str, 可选, 默认为 "</n>") — 行 token。
  • space_token (str, optional, defaults to "</_>") — 空格符。(str, 可选,默认为 "</_>") — 空格符。

构建 CPMAnt tokenizer。基于字节级字节对编码(Byte-Pair-Encoding)。

build_inputs_with_special_tokens

< >

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

参数

  • token_ids_0 (List[int]) — 第一个分词序列,将添加特殊 token。
  • token_ids_1 (List[int]) — 可选的第二个分词序列,将添加特殊 token。

返回值

List[int]

带有特殊 token 的模型输入。

通过拼接和添加特殊 token,从单个序列或一对序列构建模型输入,用于序列分类任务。CPMAnt 序列具有以下格式:

  • 单个序列:[BOS] 序列

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 ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], optional) — 序列对的可选第二个 ID 列表。
  • already_has_special_tokens (bool, optional, defaults to False) — 令牌列表是否已使用模型的特殊 token 格式化。(bool, 可选,默认为 False) — 令牌列表是否已使用模型的特殊 token 格式化。

返回值

List[int]

一个整数列表,取值范围为 [0, 1]:1 代表特殊 token,0 代表序列 token。

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。

CpmAntModel

class transformers.CpmAntModel

< >

( config: CpmAntConfig )

裸 CPMAnt 模型,输出原始的 hidden-states,顶部没有任何特定的 head。此模型是 PyTorch torch.nn.Module 子类。您可以像使用常规 PyTorch Module 一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

参数 config (~CpmAntConfig):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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None past_key_values: typing.Optional[typing.Tuple[typing.Tuple[torch.Tensor]]] = None use_cache: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs ) transformers.modeling_outputs.BaseModelOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, seq_len)torch.Tensor) — 词汇表中输入序列 token 的索引。

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

    什么是输入 ID?

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 包含预计算的 hidden-states(自注意力模块和交叉注意力模块中的键和值),可以用于加速顺序解码(请参阅 past_key_values 输入)。
  • use_cache (bool, 可选) — 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(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。
  • output_hidden_states (bool, 可选) — 是否返回所有层的 hidden states。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPasttuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPast 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 (CpmAntConfig) 和输入。

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor) — 模型最后一层输出的 hidden-states 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 hidden-state。

  • 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(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) 的额外张量。

    包含预计算的 hidden-states(自注意力模块中的键和值,以及可选地,如果 config.is_encoder_decoder=True,则在交叉注意力模块中),可以用于加速顺序解码(请参阅 past_key_values 输入)。

  • 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,则为嵌入的输出 + 每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的 hidden-states,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。

CpmAntModel 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中定义,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, 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

class transformers.CpmAntForCausalLM

< >

( config: CpmAntConfig )

CPMAnt 模型,顶部带有一个语言建模 head(权重与输入嵌入绑定的线性层)。

此模型是 PyTorch torch.nn.Module 子类。您可以像使用常规 PyTorch Module 一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

参数 config (~CpmAntConfig):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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None past_key_values: typing.Optional[typing.List[typing.Tuple[torch.Tensor, torch.Tensor]]] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None attention_mask: typing.Optional[torch.Tensor] = None **kwargs ) transformers.modeling_outputs.CausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor of shape (batch_size, seq_len)) — 词汇表中输入序列 tokens 的索引。

    索引可以使用 CPMAntTokenizer 获得。 参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 IDs?

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 包含预先计算的 hidden-states (self-attention 模块和 cross-attention 模块中的 key 和 values),可以用于加速顺序解码(参见 past_key_values 输入)。
  • use_cache (bool, 可选) — 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(参见 past_key_values)。
  • output_attentions (bool, 可选) — 是否返回所有 attention 层的 attentions tensors。
  • output_hidden_states (bool, 可选) — 是否返回所有层的 hidden states。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的 tuple。
  • Args — input_ids (torch.Tensor of shape (batch_size, seq_len)): 词汇表中输入序列 tokens 的索引。

    索引可以使用 CPMAntTokenizer 获得。 参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 IDs? past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回): 包含预先计算的 hidden-states (self-attention 模块和 cross-attention 模块中的 key 和 values),可以用于加速顺序解码(参见 past_key_values 输入)。 use_cache (bool, 可选): 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(参见 past_key_values)。 output_attentions (bool, 可选): 是否返回所有 attention 层的 attentions tensors。 output_hidden_states (bool, 可选): 是否返回所有层的 hidden states。 labels (torch.Tensor of shape (batch_size, sequence_length), 可选): 用于计算 masked language modeling loss 的标签。 return_dict (bool, 可选): 是否返回一个 ModelOutput 而不是一个普通的 tuple。 attention_mask (torch.Tensor of shape (batch_size, sequence_length), 可选): CPMAnt 将自动处理 attention mask,此参数是用于文本生成管道的虚拟参数。

  • Example — 示例 —
  • Text Generation with CpmAntForCausalLM. — 使用 CpmAntForCausalLM 进行文本生成。 —
  • ```python

    from transformers import CPMAntTokenizer, CpmAntForCausalLM

返回值

transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)

A transformers.modeling_outputs.CausalLMOutputWithPasttorch.FloatTensor 的 tuple (如果传递 return_dict=False 或当 config.return_dict=False 时) ,包含各种元素,具体取决于配置 (CpmAntConfig) 和输入。

  • loss (torch.FloatTensor of shape (1,), 可选, 当提供 labels 时返回) — 语言建模损失(用于预测下一个 token)。

  • logits (torch.FloatTensor of shape (batch_size, sequence_length, config.vocab_size)) — 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(torch.FloatTensor) 的 Tuple,其中每个 tuple 具有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的 tensors)

    包含预先计算的 hidden-states (self-attention 模块中的 key 和 values),可以用于加速顺序解码(参见 past_key_values 输入)。

  • 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,则为嵌入的输出 + 每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的 hidden-states,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。

The CpmAntForCausalLM 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中定义,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

>>> 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
< > 在 GitHub 上更新