参数

• token_ids_0 — List of IDs for the (possibly already formatted) sequence.
• token_ids_1 — Unused when already_has_special_tokens=True. Must be None in that case.
• already_has_special_tokens — Whether the sequence is already formatted with special tokens.

特殊令牌为 1，序列令牌为 0。

参数

• input_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Indices of input sequence tokens in the vocabulary. Padding will be ignored by default.

  Indices can be obtained using AutoTokenizer. See PreTrainedTokenizer.encode() and PreTrainedTokenizer.call() for details.

  What are input IDs?

• attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — Mask to avoid performing attention on padding token indices. Mask values selected in [0, 1]:
  • 1 for tokens that are not masked,
  • 0 for tokens that are masked.

  What are attention masks?

• token_type_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Segment token indices to indicate first and second portions of the inputs. Indices are selected in [0, 1]:
  • 0 corresponds to a sentence A token,
  • 1 corresponds to a sentence B token.

  What are token type IDs?

• position_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Indices of positions of each input sequence tokens in the position embeddings. Selected in the range [0, config.n_positions - 1].

  What are position IDs?

• inputs_embeds (torch.Tensor of shape (batch_size, sequence_length, hidden_size), optional) — Optionally, instead of passing input_ids you can choose to directly pass an embedded representation. This is useful if you want more control over how to convert input_ids indices into associated vectors than the model’s internal embedding lookup matrix.
• output_attentions (bool, optional) — Whether or not to return the attentions tensors of all attention layers. See attentions under returned tensors for more detail.
• output_hidden_states (bool, optional) — Whether or not to return the hidden states of all layers. See hidden_states under returned tensors for more detail.
• return_dict (bool, optional) — Whether or not to return a ModelOutput instead of a plain tuple.

A transformers.modeling_outputs.BaseModelOutput or a tuple of torch.FloatTensor (if return_dict=False is passed or when config.return_dict=False) comprising various elements depending on the configuration (DebertaV2Config) and inputs.

• 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。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。

参数

• input_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Indices of input sequence tokens in the vocabulary. Padding will be ignored by default.

  Indices can be obtained using AutoTokenizer. See PreTrainedTokenizer.encode() and PreTrainedTokenizer.call() for details.

  What are input IDs?

• attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — Mask to avoid performing attention on padding token indices. Mask values selected in [0, 1]:
  • 1 for tokens that are not masked,
  • 0 for tokens that are masked.

  What are attention masks?

• token_type_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Segment token indices to indicate first and second portions of the inputs. Indices are selected in [0, 1]:
  • 0 corresponds to a sentence A token,
  • 1 corresponds to a sentence B token.

  What are token type IDs?

• position_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — Indices of positions of each input sequence tokens in the position embeddings. Selected in the range [0, config.n_positions - 1].

  What are position IDs?

• inputs_embeds (torch.Tensor of shape (batch_size, sequence_length, hidden_size), optional) — Optionally, instead of passing input_ids you can choose to directly pass an embedded representation. This is useful if you want more control over how to convert input_ids indices into associated vectors than the model’s internal embedding lookup matrix.
• labels (torch.LongTensor of shape (batch_size, sequence_length), optional) — Labels for computing the masked language modeling loss. Indices should be in [-100, 0, ..., config.vocab_size] (see input_ids docstring) Tokens with indices set to -100 are ignored (masked), the loss is only computed for the tokens with labels in [0, ..., config.vocab_size]
• output_attentions (bool, optional) — Whether or not to return the attentions tensors of all attention layers. See attentions under returned tensors for more detail.
• output_hidden_states (bool, optional) — Whether or not to return the hidden states of all layers. See hidden_states under returned tensors for more detail.
• return_dict (bool, optional) — Whether or not to return a ModelOutput instead of a plain tuple.

A transformers.modeling_outputs.MaskedLMOutput or a tuple of torch.FloatTensor (if return_dict=False is passed or when config.return_dict=False) comprising various elements depending on the configuration (DebertaV2Config) and inputs.

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 掩码语言建模 (MLM) 损失。

• logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。

参数

• input_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下，填充（padding）将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 用于避免在填充 token 索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

• token_type_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 段落 token 索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 0 对应于 *句子 A* token，
  • 1 对应于 *句子 B* token。

  什么是 token 类型 ID？

• position_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 位置的索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• inputs_embeds (torch.Tensor, shape为 (batch_size, sequence_length, hidden_size), 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。如果您希望对如何将 input_ids 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这将很有用。
• labels (torch.LongTensor, shape为 (batch_size,), 可选) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 之间。如果 config.num_labels == 1，则计算回归损失（均方误差损失）；如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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。

A transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor) 的元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置 (DebertaV2Config) 和输入的不同元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。

• logits (形状为 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分类（如果 config.num_labels==1，则为回归）分数（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。

参数

• input_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下，填充（padding）将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 用于避免在填充 token 索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

• token_type_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 段落 token 索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 0 对应于 *句子 A* token，
  • 1 对应于 *句子 B* token。

  什么是 token 类型 ID？

• position_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 位置的索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• inputs_embeds (torch.Tensor, shape为 (batch_size, sequence_length, hidden_size), 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。如果您希望对如何将 input_ids 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这将很有用。
• labels (torch.LongTensor, shape为 (batch_size, sequence_length), 可选) — 用于计算 token 分类损失的标签。索引应在 [0, ..., config.num_labels - 1] 之间。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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。

A transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor) 的元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置 (DebertaV2Config) 和输入的不同元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失。

• logits (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 分类分数（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。

参数

• input_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下，填充（padding）将被忽略。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 ID？

• attention_mask (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 用于避免在填充 token 索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

• token_type_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 段落 token 索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 0 对应于 *句子 A* token，
  • 1 对应于 *句子 B* token。

  什么是 token 类型 ID？

• position_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 位置的索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• inputs_embeds (torch.Tensor, shape为 (batch_size, sequence_length, hidden_size), 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。如果您希望对如何将 input_ids 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这将很有用。
• start_positions (torch.Tensor, shape为 (batch_size,), 可选) — 用于计算 token 分类损失的标注 span 起始位置（索引）的标签。位置被限制在序列长度 (sequence_length) 范围内。序列以外的位置不计入损失计算。
• end_positions (torch.Tensor, shape为 (batch_size,), 可选) — 用于计算 token 分类损失的标注 span 结束位置（索引）的标签。位置被限制在序列长度 (sequence_length) 范围内。序列以外的位置不计入损失计算。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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。

A transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor) 的元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置 (DebertaV2Config) 和输入的不同元素。

• loss (torch.FloatTensor of shape (1,), 可选, 当提供 labels 时返回) — 总范围提取损失是起始位置和结束位置的交叉熵之和。

• start_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 范围起始分数（SoftMax 之前）。

• end_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 范围结束分数（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。

参数

• input_ids (torch.Tensor, shape为 (batch_size, num_choices, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下，填充（padding）将被忽略。

  Indices can be obtained using AutoTokenizer. See PreTrainedTokenizer.encode() and PreTrainedTokenizer.call() for details.

  什么是输入 ID？

• attention_mask (torch.Tensor, shape为 (batch_size, num_choices, sequence_length), 可选) — 用于避免在填充 token 索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

• token_type_ids (torch.Tensor, shape为 (batch_size, num_choices, sequence_length), 可选) — 段落 token 索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 0 对应于 *句子 A* token，
  • 1 对应于 *句子 B* token。

  什么是 token 类型 ID？

• position_ids (torch.Tensor, shape为 (batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 位置的索引。选择范围为 [0, config.n_positions - 1]。

  什么是位置 ID？

• inputs_embeds (torch.Tensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选参数，您可以选择直接传入嵌入表示（embedding representation），而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为关联向量有更多的控制权，而不是使用模型内部的嵌入查找矩阵，这将非常有用。
• labels (torch.LongTensor of shape (batch_size,), optional) — 用于计算多项选择分类损失的标签。索引应在 [0, ..., num_choices-1] 范围内，其中 num_choices 是输入张量第二维的大小。（请参阅上面的 input_ids）
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关详细信息，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。有关详细信息，请参阅返回张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回 ModelOutput 对象而不是普通的元组。

返回 transformers.modeling_outputs.MultipleChoiceModelOutput 对象，或者是一个 torch.FloatTensor 元组（如果传入 return_dict=False 或 config.return_dict=False），其中包含各种元素，具体取决于配置（DebertaV2Config）和输入。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失。

• logits (形状为 (batch_size, num_choices) 的 torch.FloatTensor) — num_choices 是输入张量的第二维大小。（请参阅上面的 input_ids）。

  分类分数（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（一个用于嵌入层的输出，如果模型有嵌入层；+一个用于每个层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（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。