Transformers 文档
CPMAnt
并获取增强的文档体验
开始使用
CPMAnt
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
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
< 源代码 >( 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
< 源码 >( token_ids_0: typing.List[int] token_ids_1: typing.List[int] = None ) → List[int]
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
< 源码 >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None already_has_special_tokens: bool = False ) → List[int]
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
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
< 源码 >( 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.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, seq_len)
的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() 和 PreTrainedTokenizer.call() 了解详情。 - 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.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)
的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_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
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
< 源码 >( 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.CausalLMOutputWithPast 或 tuple(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() 和 PreTrainedTokenizer.call() 获取详细信息。 - 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() 和 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.CausalLMOutputWithPast 或 torch.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_layers
的tuple(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