Transformers 文档

FlauBERT

Hugging Face's logo
加入Hugging Face社区

并获得增强文档体验的访问权限

开始使用

Models Spaces

FlauBERT模型在论文《FlauBERT: Unsupervised Language Model Pre-training for French》中提出,作者为Hang Le等人。它是一个使用掩码语言建模(MLM)目标(类似BERT)预训练的Transformer模型。

论文的摘要如下

语言模型已成为实现自然语言处理(NLP)任务中世界一流结果的关键步骤。利用如今可用的巨大数量的未标记文本,它们提供了一种有效的方式,预先训练连续词语表示,这些表示可以针对下游任务进行微调,并在句子级别上进行上下文化。这已经在英语中通过上下文表示得到了广泛证明(Dai 和 Le,2015;Peters 等,2018;Howard 和 Ruder,2018;Radford 等,2018;Devlin 等,2019;Yang 等,2019b)。在本文中,我们介绍并分享了FlauBERT,这是一个在非常大型和非同质化的法语语料库上学习的模型。通过使用新的CNRS(法国国家科学研究中心)Jean Zay超级计算机,训练了不同大小的模型。我们将我们的法语语言模型应用于各种NLP任务(文本分类、释义、自然语言推理、解析、词语歧义消除)并表明,大多数情况下,它们优于其他预训练方法。FlauBERT的不同版本以及针对下游任务(称为FLUE,法语语言理解评估)的统一评估协议,都被分享给研究界,以进行法国NLP的进一步可重复实验。

此模型是由formiel贡献的。原始代码可在此找到:[这里]

提示

  • 与RoBERTa类似,没有句子排序预测(因此仅基于MLM目标进行训练)。

资源

FlaubertConfig

transformers.FlaubertConfig

< >

( pre_norm = False layerdrop = 0.0 vocab_size = 30145 emb_dim = 2048 n_layers = 12 n_heads = 16 dropout = 0.1 attention_dropout = 0.1 gelu_activation = True sinusoidal_embeddings = False causal = False asm = False n_langs = 1 use_lang_emb = True max_position_embeddings = 512 embed_init_std = 0.02209708691207961 layer_norm_eps = 1e-12 init_std = 0.02 bos_index = 0 eos_index = 1 pad_index = 2 unk_index = 3 mask_index = 5 is_encoder = True summary_type = 'first' summary_use_proj = True summary_activation = None summary_proj_to_labels = True summary_first_dropout = 0.1 start_n_top = 5 end_n_top = 5 mask_token_id = 0 lang_id = 0 pad_token_id = 2 bos_token_id = 0 **kwargs )

参数

  • pre_norm (bool, 可选, 默认为 False) — 是否在每一层注意力之后的应用层归一化前后(Vaswani 等人,Tensor2Tensor for Neural Machine Translation. 2018)
  • layerdrop (float, 可选, 默认为 0.0) — 训练中丢弃层的概率(Fan 等人,《按需减少 Transformer 深度的结构化丢弃》。ICLR 2020)
  • vocab_size (int, 可选, 默认为30145) — FlauBERT模型的词汇表大小。定义了调用FlaubertModelTFFlaubertModel时可以通过inputs_ids表示的不同令牌的数量。
  • emb_dim (int, 可选, 默认为2048) — 编码层和池化层的大小维度。
  • n_layer (int, 可选, 默认为12) — Transformer编码器中的隐藏层数。
  • n_head (int, 可选, 默认为16) — Transformer编码器每个注意层的注意力头数。
  • dropout (float, 可选,默认为0.1) — 在嵌入层、编码器层和池化层中所有全连接层的dropout概率。
  • attention_dropout (float, 可选,默认为0.1) — 注意机制的dropout概率。
  • gelu_activation (bool, 可选,默认为True) — 是否使用gelu激活函数而不是relu
  • sinusoidal_embeddings (bool, 可选,默认为 False) — 是否使用正弦定位嵌入而不是绝对定位嵌入。
  • causal (bool, 可选,默认为 False) — 模型是否以因果方式进行。因果模型使用三角形注意力掩码进行单向注意力而不是双向上下文。
  • asm (bool, 可选,默认为 False) — 是否使用自适应对数 softmax 投影层替代线性层进行输出的预测层。
  • n_langsint可选,默认为1) — 模型处理的语言数量。对于单语模型设置为1。
  • use_lang_embbool可选,默认为 True) — 是否使用语言嵌入。某些模型使用额外的语言嵌入,请参阅 多语言模型页面 了解如何使用它们。
  • max_position_embeddingsint可选,默认为 512) — 此模型可能用到的最大序列长度。通常设置为较大的值以防万一(例如,512或1024或2048)。
  • embed_init_std (float, 可选,默认为2048的-0.5次方) — 初始化嵌入矩阵所使用的截断正态初始化器的标准差。
  • init_std (int, 可选,默认为50257) — 除嵌入矩阵外,初始化所有权重矩阵所使用的截断正态初始化器的标准差。
  • layer_norm_eps (float, 可选,默认为1e-12) — 层归一化层中使用的epsilon值。
  • bos_index (int, 可选,默认为0) — 词汇表中句子开始 token 的索引。
  • eos_indexint可选,默认值为1) — 词汇表中结束标记的索引。
  • pad_indexint可选,默认值为2) — 词汇表中填充标记的索引。
  • unk_indexint可选,默认值为3) — 词汇表中的未知标记索引。
  • mask_indexint可选,默认值为5) — 词汇表中掩盖标记的索引。
  • is_encoder(bool, 可选,默认为 True) — 指定的模型是否应该是一个变压器编码器或解码器,这通常是 Vaswani 等人所说的。
  • summary_type (字符串, 可选,默认为 "first") — 在做序列摘要时使用的参数。用于序列分类和多项选择模型。
  • summary_use_proj (bool, 可选,默认为 True) — 在做序列摘要时使用的参数。用于序列分类和多项选择模型。
  • summary_activation (str, 可选) — 在执行序列摘要时使用的参数。用于序列分类和多项选择模型。

    "tanh" 传递给输出以使用 tanh 激活,任何其他值都会导致没有激活。

  • summary_proj_to_labels (bool, 可选, 默认值 True) — 用于序列分类和多项选择模型。

    投影输出应该具有 config.num_labelsconfig.hidden_size 个类。

  • summary_first_dropout (float, 可选, 默认值 0.1) — 用于序列分类和多项选择模型。

    在投影和激活之后使用的 dropout 比率。

  • start_n_top (int, 可选, 默认为5) — 在SQuAD评估脚本中使用。
  • end_n_top (int, 可选, 默认为5) — 在SQuAD评估脚本中使用。
  • mask_token_id (int, 可选, 默认为0) — 识别MLM上下文中生成的文本时的掩码令牌标识符。这是一个与模型无关的参数。
  • lang_id (int, 可选, 默认为1) — 模型使用的语言ID。当生成指定语言的文本时,使用此参数。

这是一个用于存储FlaubertModel或TFFlaubertModel配置的配置类。它用于根据指定的参数实例化FlauBERT模型,定义模型架构。使用默认值实例化配置将产生类似于FlauBERT flaubert/flaubert_base_uncased 架构的配置。

配置对象继承自PretrainedConfig,可以用于控制模型输出。有关更多信息,请阅读PretrainedConfig文档。

FlaubertTokenizer

class transformers.FlaubertTokenizer

< >

(

参数

  • do_lowercase (bool, 可选,默认为 False) — 控制小写化。
  • unk_token (str, 可选,默认为 "<unk>") — 未知令牌。不在词汇表中的令牌不能转换为ID,并设置为该令牌。
  • bos_token (str, 可选,默认为 "<s>") — 预训练过程中使用的序列开始令牌。可以用作序列分类令牌。

    在构建使用特殊令牌的序列时,此令牌不是用于序列开始的令牌。使用的令牌是 cls_token

  • sep_token (str, 可选,默认为"</s>") — 分隔符标记,用于从多个序列构建一个序列时,例如用于序列分类或问答文本和问题时的两个序列。它还用作具有特殊标记构建的序列的最后一个标记。
  • pad_token (str, 可选,默认为"<pad>") — 用于填充的标记,例如当序列长度不同进行批处理时。
  • cls_token (str, 可选,默认为"</s>") — 分类标记,在序列分类中使用(而不是每个标记的分类)。当使用特殊标记构建序列时,它是序列的第一个标记。
  • mask_token (str,可选,默认为 "")— 用于掩盖值的标记。这是在用掩盖语言建模训练此模型时使用的标记。这是模型尝试预测的标记。
  • additional_special_tokens (List[str],可选)— 额外特殊标记的列表。
  • lang2id (Dict[str, int],可选)— 将语言字符串标识符映射到它们 ID 的字典。
  • id2lang (Dict[int, str],可选)— 将语言 ID 映射到它们的字符串标识符的字典。

构建Flaubert分词器。基于字节对编码。分词过程如下

  • 摩西预处理和标记化。
  • 标准化所有输入文本。
  • 参数special_tokens和函数set_special_tokens,可以用来向词汇表中添加额外的符号(如“分类”)。
  • 参数do_lowercase控制小写(预训练词汇表自动设置)。

此标记器继承自PreTrainedTokenizer,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。

build_inputs_with_special_tokens

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (List[int]) — 将要添加特殊标记的ID列表。
  • token_ids_1 (List[int], 可选) — 可选的序列对ID的第二列列表。

返回值

List[int]

输入ID列表,其中包含适当的特殊标记。

通过连接和添加特殊标记从序列或序列对构建模型输入,以进行序列分类任务。XLM序列的格式如下

  • 单序列:<s> X </s>
  • 序列对:<s> A </s> B </s>

convert_tokens_to_string

< >

( tokens )

将标记序列(字符串)转换为单个字符串。

create_token_type_ids_from_sequences

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (列表[int]) — ID 列表。
  • token_ids_1 (列表[int], 可选) — 可选的第二个序列的ID列表,用于序列对。

返回值

List[int]

根据给定的序列得到的token type IDs列表。

根据传递给序列对分类任务的两个序列创建一个掩码。一个XLM序列

对的掩码具有以下格式

0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
| first sequence    | second sequence |

如果token_ids_1None,则此方法仅返回掩码的第一部分(0s)。

get_special_tokens_mask

< >

( token_ids_0: List token_ids_1: 可选 = None already_has_special_tokens: bool = False ) 列表[int]

参数

  • token_ids_0 (列表[int]) — ID列表。
  • token_ids_1 (List[int], 可选) — 可选的第二个 ID 列表,用于序列对。
  • already_has_special_tokens (bool, 可选, 默认值为 False) — 是否在 token 列表中已经格式化了模型特有的符号。

返回值

List[int]

整数列表,范围在 [0, 1]:1 用于特殊标记,0 用于序列标记。

检索未添加特殊标记的标记列表中的序列 ID。此方法在通过 tokenizer 的 prepare_for_model 方法添加特殊标记时调用。

Pytorch
隐藏 Pytorch 内容

FlaubertModel

transformers.FlaubertModel

< >

( config )

前进

< >

input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None transformers.modeling_outputs.BaseModelOutputtuple(torch.FloatTensor)

参数

  • input_ids(《torch.LongTensor》形状为《batch_size, sequence_length》)) — 词汇中的输入序列标记索引。

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

    什么是输入ID?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length), 可选) — 避免在填充标记索引上进行注意力的掩码。掩码值选在 [0, 1] 内:

    • 1 为未掩码的标记
    • 0 为掩码的标记

    什么是注意力掩码?

  • token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 段标记索引,用于指示输入的第一部分和第二部分。索引选在 [0, 1] 内:

    • 0 对应于 句子 A 的标记
    • 1 对应于 句子 B 的标记

    什么是标记类型 ID?

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围在 [0, config.max_position_embeddings - 1] 内。

    什么是位置 ID?

  • lengths (torch.LongTensor的形状为(batch_size,)可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您还可以使用attention_mask(参见上方)以获得相同的结果,这里保留以保持兼容性。在[0, ..., input_ids.size(-1)]中选定的索引:
  • cache (Dict[str, torch.FloatTensor]可选) — 字符串到torch.FloatTensor的字典,包含模型(参见下方的cache输出)计算出的预计算隐藏状态(注意力块中的键和值)。可用于加速顺序解码。在正向传播过程中字典对象将就地修改,以添加新的隐藏状态。
  • head_mask (torch.FloatTensor的形状为(num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块中选定的头部无效的掩码。在[0, 1]中选定的掩码值:

    • 1表示头部未掩码
    • 0表示头部被掩码
  • inputs_embeds (torch.FloatTensor 的形状为 (batch_size, sequence_length, hidden_size)可选) — 可以选择直接传递嵌入表示,而不是传递 input_ids。如果您想比模型内部的嵌入查找矩阵有更多控制权,将 input_ids 索引转换为相关向量,则很有用。
  • 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 (布尔值, 可选) — 是否 return 一个 ModelOutput 而不是纯元组。

返回值

transformers.modeling_outputs.BaseModelOutputtuple(torch.FloatTensor)

根据配置 (FlaubertConfig) 和输入,一个 transformers.modeling_outputs.BaseModelOutput 或一个由 torch.FloatTensor 组成的元组(如果传递了 return_dict=False 或当 config.return_dict=False)。

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor) — 模型最后一层的隐藏状态序列。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertModel 前向方法覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, FlaubertModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertModel.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

FlaubertWithLMHeadModel

class transformers.FlaubertWithLMHeadModel

< >

( config )

参数

  • config (FlaubertConfig) — 包含模型所有参数的配置类。使用配置文件初始化时不加载模型相关的权重,只加载配置。查看from_pretrained() 方法以加载模型权重。

Flaubert模型变换器,在顶部带有语言建模头(权重与输入嵌入绑定的一层线性层)。

此模型继承自PreTrainedModel。请参阅superclass文档以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、剪枝头部等)。

此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有与一般用法和行为相关的信息。

前进

< >

( input_ids: Optional = None attention_mask: Optional = None langs: Optional = None token_type_ids: Optional = None position_ids: Optional = None lengths: Optional = None cache: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.MaskedLMOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状 (batch_size, sequence_length)}) — 输入序列词汇中的标记索引。

    可以使用 AutoTokenizer 获取索引。详细信息请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入ID?

  • attention_mask (torch.FloatTensor 形状 (batch_size, sequence_length), 可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1] 中:

    • 1 代表 未掩码 的标记,
    • 0 代表 掩码 的标记。

    什么是注意力掩码?

  • token_type_ids (torch.LongTensor 形状 (batch_size, sequence_length), 可选) — 用于指示输入的第一和第二部分的标记段索引。索引选择在 [0, 1] 中:

    • 0 对应于 句子A 标记,
    • 1 对应于 句子B 标记。

    什么是标记类型ID?

  • position_ids (torch.LongTensor 形状 (batch_size, sequence_length)可选) — 每个输入序列标记的位置嵌入中的索引。在范围 [0, config.max_position_embeddings - 1] 内选择。

    什么是位置ID?

  • lengths (torch.LongTensor 形状 (batch_size,)可选) — 每个句子长度,可用于避免在填充标记索引上进行注意力操作。您也可以使用 attention_mask 获得相同的结果(见上文),这里保留以保持兼容性。索引选择在 [0, ..., input_ids.size(-1)] 中:
  • cache (Dict[str, torch.FloatTensor]可选) — 字典字符串到 torch.FloatTensor,包含由模型预先计算的隐藏状态(注意力块中的键和值),如模型计算的(参见下面的 cache 输出)。可用于加速序列解码。在正向传递过程中将就地修改字典对象,以添加新计算的隐藏状态。
  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自我注意力模块中的选定头部无效的遮罩。遮罩值选择的值在 [0, 1] 内:

    • 1 表示头部被 未遮罩
    • 0 表示头部被 遮罩
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选,你可以选择直接传递嵌入表示,而不是传递 input_ids。这在你想比模型内部的嵌入查找矩阵有更多控制权时很有用,以将 input_ids 索引转换为相关向量。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关返回张量下的更多详细信息,请参阅 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而不是原始元组。
  • labels (torch.LongTensor的形状为(batch_size, sequence_length), 可选) — 语言模型的标签。注意,标签在模型中是位移的,即您可以将labels = input_ids。索引在[-100, 0, ..., config.vocab_size]中选取。所有设置为-100的标签都会被忽略(掩码),只对[0, ..., config.vocab_size]中的标签计算损失。

返回值

transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

transformers.modeling_outputs.MaskedLMOutput或一个包含多个元素的元组,具体取决于配置(FlaubertConfigtorch.FloatTensor(如果通过return_dict=False传递或当config.return_dict=False)。

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

  • logits (torch.FloatTensor的形状为(batch_size, sequence_length, config.vocab_size)) — 语言模型头的预测分(SoftMax之前的每个词汇的分)。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertWithLMHeadModel的前向方法,覆盖了__call__特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, FlaubertWithLMHeadModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertWithLMHeadModel.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("The capital of France is <special1>.", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # retrieve index of <special1>
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]

>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)

>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-<special1> tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)

>>> outputs = model(**inputs, labels=labels)

FlaubertForSequenceClassification

transformers.FlaubertForSequenceClassification

< >

( config )

参数

  • 配置 (FlaubertConfig) — 包含所有模型参数的配置类。使用配置文件初始化不会加载与模型关联的权重,只会加载数据。请查看from_pretrained() 方法来加载模型权重。

在序列分类/回归头部上方的Flaubert模型(在池化输出之上添加一个线性层),例如用于GLUE任务。

此模型继承自PreTrainedModel。请参阅superclass文档以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、剪枝头部等)。

此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有与一般用法和行为相关的信息。

前进

< >

( input_ids: Optional = None attention_mask: Optional = None langs: Optional = None token_type_ids: Optional = None position_ids: Optional = None lengths: Optional = None cache: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) —词汇表中的输入序列标记索引。

    索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入索引?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)可选) —用于避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 代表 非掩码 的标记,
    • 0 代表 掩码 的标记。

    什么是注意力掩码?

  • token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)可选) —用于指示输入的第一和第二部分的标记段索引。索引在 [0, 1] 中选择:

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型索引?

  • position_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)可选) — 每个输入序列token在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

    什么是位置ID?

  • lengths (torch.LongTensor 的形状为 (batch_size,)可选) — 每个句子的长度,可用于避免在填充token索引上执行注意力操作。您也可以使用 attention_mask 达到相同的结果(见上面),这里保留以保持兼容性。选择的索引范围为 [0, ..., input_ids.size(-1)]
  • cache (Dict[str, torch.FloatTensor]可选) — 包含由模型预先计算的隐藏状态(注意力块中的键和值)的字符串到 torch.FloatTensor 的字典,如模型计算的(见下方的 cache 输出)。可用于加快顺序解码。在正向传递过程中将修改字典对象以添加新计算的隐藏状态。
  • head_mask (torch.FloatTensor of shape (num_heads,) or (num_layers, num_heads), optional) — 用于取消激活self-attention模块选定heads的掩码。掩码值选择在 [0, 1]

    • 1 表示头部未被掩码
    • 0 表示头部被掩码
  • inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可以选择直接传递嵌入表示,而不是传递 input_ids,这可以让你有更多控制权,能够比模型的内部嵌入查找矩阵更灵活地将 input_ids 索引转换为相应的向量。
  • output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详情,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,请参阅返回张量中的hidden_states
  • return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。
  • labels (torch.LongTensor,形状为(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]内。如果config.num_labels == 1,则会计算回归损失(均方损失),如果config.num_labels > 1,则会计算分类损失(交叉熵)。

返回值

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.SequenceClassifierOutput 或一个包含各种元素的torch.FloatTensor元组,这取决于配置(FlaubertConfig)和输入(如果return_dict=False被传递或当config.return_dict=False)。

  • loss (shape 为 (1,)torch.FloatTensor可选,当提供 labels 时返回)—— 分类(或当 config.num_labels==1 时的回归)损失。

  • logits (shape 为 (batch_size, config.num_labels)torch.FloatTensor)—— 分类(或当 config.num_labels==1 时的回归)得分(SoftMax 之前)。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertForSequenceClassification 的 forward 方法覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

单标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, FlaubertForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertForSequenceClassification.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = FlaubertForSequenceClassification.from_pretrained("flaubert/flaubert_base_cased", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss

多标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, FlaubertForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertForSequenceClassification.from_pretrained("flaubert/flaubert_base_cased", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = FlaubertForSequenceClassification.from_pretrained(
...     "flaubert/flaubert_base_cased", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

FlaubertForMultipleChoice

class transformers.FlaubertForMultipleChoice

< >

( config *inputs **kwargs )

参数

  • config (FlaubertConfig) — 模型配置类,包含所有模型参数。使用配置文件初始化不会加载与模型相关的权重,只加载配置。请查看from_pretrained()方法来加载模型权重。

在顶部添加多选题分类头(在池化输出之上添加一个线性层和一个softmax层)的Flaubert模型,例如用于RocStories/SWAG任务。

此模型继承自PreTrainedModel。请参阅superclass文档以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、剪枝头部等)。

此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有与一般用法和行为相关的信息。

前进

< >

( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.MultipleChoiceModelOutput 或者 tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状 (batch_size, sequence_length)) — 在词汇表中输入序列令牌的索引。

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

    什么是输入ID?

  • attention_mask (形状为 (batch_size, sequence_length)torch.FloatTensor可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1] 内:
    • 1 对应 未掩码 的标记;
    • 0 对应 掩码 的标记。
    ,有关更多信息请参阅关注掩码是什么?
  • token_type_ids (形状为 (batch_size, sequence_length)torch.LongTensor可选) — 段标记索引,用于指示输入的第一段和第二段。索引选择在 [0, 1] 内:
    • 0 对应于 句子 A 标记;
    • 1 对应于 句子 B 标记。
    ,有关更多信息请参阅标记类型 ID 是什么?
  • position_ids (形状为 (batch_size, sequence_length)torch.LongTensor可选) — 每个输入序列标记在位置嵌入中的索引。索引选择在 [0, config.max_position_embeddings - 1] 范围内。

    ,有关更多信息请参阅位置 ID 是什么?

  • lengths (torch.LongTensor 形状 (batch_size,)可选) — 每个句子可以用于避免在填充令牌索引上执行关注度的长度。您也可以使用 attention_mask 来达到相同的效果(见上方),此处保留以保持兼容性。在 [0, ..., input_ids.size(-1)] 中选择的索引:
  • cache (Dict[str, torch.FloatTensor]可选) — 字符串到 torch.FloatTensor 的字典,包含模型通过计算得到的预计算隐藏状态(注意力块中的密钥和值),如下面的 cache 输出所示。可以用于加速顺序解码。字典对象在正向传递过程中进行就地修改,以添加新计算的隐藏状态。
  • head_mask (torch.FloatTensor 形状 (num_heads,)(num_layers, num_heads)可选) — 用于屏蔽自我注意力模块选中头的掩码。在 [0, 1] 中选择的掩码值:

    • 1 表示头部 未被屏蔽
    • 0 表示头部 被屏蔽
  • inputs_embeds (torch.FloatTensor,形状为(batch_size, sequence_length, hidden_size)可选) — 可以选择不传递input_ids,而是直接传递嵌入表示。这在需要比模型内部嵌入查找矩阵更多的控制,以将input_ids索引转换为相关向量时很有用。
  • output_attentions (bool可选) — 是否返回所有注意力的张量。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。
  • labels (torch.LongTensor,形状为(batch_size,))可选) — 用于计算多选分类损失的标签。索引应在[0, ..., num_choices-1]之间,其中num_choices是输入张量的第二维大小。(见上面的input_ids

返回值

transformers.modeling_outputs.MultipleChoiceModelOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.MultipleChoiceModelOutput或一个torch.FloatTensor的元组(如果传递了return_dict=False或当config.return_dict=False时),包含根据配置(FlaubertConfig)和输入的各种元素。

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

  • logits (torch.FloatTensor,形状为(batch_size, num_choices)) — num_choices是输入张量的第二维。 (见上面的input_ids

    分类评分(在SoftMax之前)。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertForMultipleChoice的前向方法,覆盖了__call__特例方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, FlaubertForMultipleChoice
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertForMultipleChoice.from_pretrained("flaubert/flaubert_base_cased")

>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> labels = torch.tensor(0).unsqueeze(0)  # choice0 is correct (according to Wikipedia ;)), batch size 1

>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="pt", padding=True)
>>> outputs = model(**{k: v.unsqueeze(0) for k, v in encoding.items()}, labels=labels)  # batch size is 1

>>> # the linear classifier still needs to be trained
>>> loss = outputs.loss
>>> logits = outputs.logits

FlaubertForTokenClassification

transformers.FlaubertForTokenClassification

< >

( config )

参数

  • 配置 (FlaubertConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,只有配置。查看 from_pretrained() 方法以加载模型权重。

在顶部带有标记分类头(隐藏状态输出之上的线性层)的Flaubert模型,例如用于命名实体识别(NER)任务。

此模型继承自PreTrainedModel。请参阅superclass文档以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、剪枝头部等)。

此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有与一般用法和行为相关的信息。

前进

< >

( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.TokenClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列标记的索引,位于词汇表中。

    索引可以通过 AutoTokenizer 获取。更多信息请参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入ID?

  • attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值在 [0, 1] 之间选择:

    • 1 对应 未掩码 的标记,
    • 0 对应 掩码 的标记。

    什么是注意掩码?

  • token_type_ids (torch.LongTensor of shape (batch_size, sequence_length), 可选) — 标记段索引,用于指示输入的第一个和第二部分。索引在 [0, 1] 之间选择:

    • 0对应于 句子 A 标记,
    • 1对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (torch.LongTensor of shape (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的索引。选择范围为 [0, config.max_position_embeddings - 1]

    什么是位置 ID?

  • lengthstorch.LongTensor 形状为 (batch_size,)可选)——句子长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 来得到相同的结果(见上述),此处保留以兼容。选择索引为 [0, ..., input_ids.size(-1)]
  • cacheDict[str, torch.FloatTensor]可选)——包含预计算的隐藏状态(注意力块中的键和值)的字符串到 torch.FloatTensor 的映射,由模型计算得出(参见下面的 cache 输出)。可用于加速序列解码。该字典对象将在前向传递过程中原地修改,以添加新的隐藏状态。
  • head_mask(形状为 torch.FloatTensor(num_heads,)(num_layers, num_heads)可选)——用于取消选中注意力模块中选定头部的掩码。选定的掩码值在 [0, 1] 中:

    • 1 表示头部 未遮蔽
    • 0 表示头部 遮蔽
  • inputs_embedstorch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,您可以直接传递嵌入表示,而不是传递 input_ids。这可以在您想要比模型内部嵌入查找矩阵有更多控制权来将 input_ids 索引转换为相关向量时很有用。
  • output_attentionsbool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,请参阅返回张量下的 attentions
  • output_hidden_statesbool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, optional) — 是否返回一个 ModelOutput 而不是普通的元组。
  • labels (torch.LongTensor of shape (batch_size, sequence_length), optional) — 用于计算token分类损失的标签。索引应该在 [0, ..., config.num_labels - 1]范围内。

返回值

transformers.modeling_outputs.TokenClassifierOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.TokenClassifierOutput 或一个包含torch.FloatTensor的元组(如果传递了 return_dict=False 或当 config.return_dict=False),根据配置(FlaubertConfig)和输入包含不同元素。

  • loss (torch.FloatTensor of shape (1,), optional, returned when labels is provided) — 分类损失。

  • logits (torch.FloatTensor of shape (batch_size, sequence_length, config.num_labels)) — 分类得分(在SoftMax之前)。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertForTokenClassification 的前进方法,覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, FlaubertForTokenClassification
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertForTokenClassification.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
... )

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_token_class_ids = logits.argmax(-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]

>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss

FlaubertForQuestionAnsweringSimple

class transformers.FlaubertForQuestionAnsweringSimple

< >

( config )

参数

  • config(《FlaubertConfig》)—— 包含所有模型参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只加载配置。请查看from_pretrained()方法以加载模型权重。

具有顶部分词分类头层的Flaubert模型,用于SQuAD等抽取式问答任务(线性层覆盖隐藏状态输出以计算跨度开始logits跨度结束logits)。

此模型继承自PreTrainedModel。请参阅superclass文档以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、剪枝头部等)。

此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有与一般用法和行为相关的信息。

前进

< >

( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None start_positions: 可选 = None end_positions: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.QuestionAnsweringModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) —词汇中的输入序列标记的索引。

    索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入ID?

  • attention_masktorch.FloatTensor 的形状为 (batch_size, sequence_length)可选)—— 避免对填充标记索引执行注意力的遮罩。在 [0, 1] 的遮罩值中选值:

    • 1 对应于未遮罩的标记,
    • 0 对应于已遮罩的标记。

    什么是注意力遮罩?

  • token_type_idstorch.LongTensor 的形状为 (batch_size, sequence_length)可选)—— 标识输入的两部分的标记段索引。索引在 [0, 1] 中选值:

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_idstorch.LongTensor 的形状为 (batch_size, sequence_length)可选)—— 每个输入序列标记在位置嵌入中的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选值。

    什么是位置 ID?

  • lengths (形状为 (batch_size,)torch.LongTensor,可选)— 用于避免对填充标记索引执行注意力的每个句子的长度。也可以使用 attention_mask 达到相同的结果(见上文),这里保留以保持兼容性。在 [0, ..., input_ids.size(-1)] 中选中的索引:
  • cache (可选)Dict[str, torch.FloatTensor] 字典,包含由模型预先计算的隐藏状态(注意力块中的键和值)作为 cache 输出。可用于加快序列解码。在正向传播过程中,该字典对象将被就地修改,以添加新计算的隐藏状态。
  • head_mask (形状为 (num_heads,)(num_layers, num_heads)torch.FloatTensor,可选)— 用于置零自注意力模块选中头的掩码。掩码值在 [0, 1] 中选择:
  • inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选,你可以直接传递嵌入表示,而不是传递 input_ids。这在你希望对如何将 input_ids 索引转换为相关向量拥有更多控制时非常有用,比模型内部的嵌入查找矩阵更灵活。
  • output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。请参见返回张量下的 attentions 获取更多详细信息。
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。请参见返回张量下的 hidden_states 获取更多详细信息。
  • return_dict (bool, optional) — 是否返回ModelOutput 而不是纯元组。
  • start_positions (torch.LongTensor of shape (batch_size,), optional) — 标记的跨度开始的标签位置(索引),用于计算token分类损失。位置被限制为序列长度(sequence_length)。序列之外的位置在计算损失时不考虑。
  • end_positions (torch.LongTensor of shape (batch_size,), optional) — 标记的跨度结束的标签位置(索引),用于计算token分类损失。位置被限制为序列长度(sequence_length)。序列之外的位置在计算损失时不考虑。

返回值

transformers.modeling_outputs.QuestionAnsweringModelOutputtuple(torch.FloatTensor)

一个transformers.modeling_outputs.QuestionAnsweringModelOutput,或者一个由torch.FloatTensor组成的元组(如果传递了return_dict=False或者当config.return_dict=False时),包含多个元素,具体取决于配置(FlaubertConfig)和输入。

  • 损失(形状为(1,)torch.FloatTensor,可选,当提供labels时返回)—总跨度提取损失是起始和结束位置交叉熵的和。

  • start_logits(形状为(batch_size, sequence_length)torch.FloatTensor)—跨度起始的分数(在SoftMax之前)。

  • end_logits(形状为(batch_size, sequence_length)torch.FloatTensor)—跨度结束的分数(在SoftMax之前)。

  • hidden_states (可选,tuple(torch.FloatTensor),在传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 版本为 torch.FloatTensor 的元组(模型若有嵌入层,则包含嵌入层的输出,+ 每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    各层的隐藏状态及可选的初始嵌入输出。

  • attentions (可选,tuple(torch.FloatTensor),在传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 一个形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组(每个层一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

FlaubertForQuestionAnsweringSimple的前向方法,重写了__call__特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, FlaubertForQuestionAnsweringSimple
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = FlaubertForQuestionAnsweringSimple.from_pretrained("flaubert/flaubert_base_cased")

>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"

>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()

>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]

>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss

FlaubertForQuestionAnswering

transformers.FlaubertForQuestionAnswering

< >

( config )

前进

< >

( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None start_positions: 可选 = None end_positions: 可选 = None is_impossible: 可选 = None cls_index: 可选 = None p_mask: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.models.flaubert.modeling_flaubert.FlaubertForQuestionAnsweringOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)) — 在词汇表中输入序列标记的索引。

返回值

transformers.models.flaubert.modeling_flaubert.FlaubertForQuestionAnsweringOutputtuple(torch.FloatTensor)

A transformers.models.flaubert.modeling_flaubert.FlaubertForQuestionAnsweringOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False),根据配置(FlaubertConfig)和输入包含各种元素。

  • config (FlaubertConfig): 含有模型所有参数的模型配置类。用配置文件初始化不会加载与模型关联的权重,只加载配置。请查看 from_pretrained() 方法以加载模型权重。

FlaubertForQuestionAnswering 的 forward 方法重写了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

使用 SquadHead 的问答模型输出的基类。

示例

>>> from transformers import XLMTokenizer, XLMForQuestionAnswering
>>> import torch

>>> tokenizer = XLMTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForQuestionAnswering.from_pretrained("FacebookAI/xlm-mlm-en-2048")

>>> input_ids = torch.tensor(tokenizer.encode("Hello, my dog is cute", add_special_tokens=True)).unsqueeze(
...     0
... )  # Batch size 1
>>> start_positions = torch.tensor([1])
>>> end_positions = torch.tensor([3])

>>> outputs = model(input_ids, start_positions=start_positions, end_positions=end_positions)
>>> loss = outputs.loss
TensorFlow
隐藏 TensorFlow 内容

TFFlaubertModel

transformers.TFFlaubertModel

< >

( config *inputs **kwargs )

参数

  • config (FlaubertConfig) — 含有模型所有参数的模型配置类。用配置文件初始化不会加载与模型关联的权重,只加载配置。请查看 from_pretrained() 方法以加载模型权重。

仅输出原始隐藏状态的裸 Flaubert 模型,无任何特定头。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: np.ndarray | tf.Tensor | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) transformers.modeling_tf_outputs.TFBaseModelOutput or tuple(tf.Tensor)

参数

  • input_ids (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length)) — 输入序列标记 vocabulary 中的索引。

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

    什么是输入 ID?

  • attention_mask (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length)可选) — 避免在填充令牌索引上执行注意力的掩码。在 [0, 1] 中选择的掩码值:

    • 1 对应未掩码的令牌,
    • 0 对应掩码令牌。

    注意力掩码是什么?

  • langs (tf.TensorNumpy array 形状为 (batch_size, sequence_length)可选) — 用于指示输入中每个令牌语言的并行令牌序列。索引是语言ID,可以通过模型配置中提供的两个转换映射从语言名称获得(仅适用于多语言模型)。更确切地说,语言名称到语言ID 映射在 model.config.lang2id 中(这是一个字符串到整数的字典)和 语言ID到语言名称 映射在 model.config.id2lang 中(整数到字符串的字典)。

    请参阅多语言文档中详细的使用示例。

  • token_type_ids (tf.TensorNumpy array 形状为 (batch_size, sequence_length)可选) — 段落令牌索引以表示输入的第一和第二部分。索引选择在 [0, 1]

    • 0 对应于 句子 A 令牌,
    • 1 对应于 句子 B 令牌。

    令牌类型 ID 是什么?

  • position_ids (tf.Tensor或者Numpy数组,形状为(batch_size, sequence_length)可选) — 在位置嵌入中每个输入序列标记的位置索引。选择范围在[0, config.max_position_embeddings - 1]之间。

    什么是位置ID?

  • lengths (tf.Tensor或者Numpy数组,形状为(batch_size,)可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用attention_mask来获得相同的结果(见上文),此处保留以保持兼容性。所选索引在一个范围[0, ..., input_ids.size(-1)]内:
  • cache (Dict[str, tf.Tensor]可选) — 包含模型计算出的预计算隐藏状态(注意力块的键和值)的字符串到tf.FloatTensor的字典。可以用于加速序列解码。

    在正向传递过程中,字典对象将被就地修改以添加新计算的隐藏状态。

  • head_mask (可选,输入数组 Numpy arraytf.Tensor,形状为 (num_heads,)(num_layers, num_heads)) — 用于使能自注意力模块中选定的头部失效的掩码。掩码值为 [0, 1]
  • inputs_embeds (可选,tf.Tensor 形状为 (batch_size, sequence_length, hidden_size)) — 可选地,直接传递嵌入表示,而不是传递 input_ids。如果想要比模型内部的嵌入查找矩阵有更多控制如何将 input_ids 索引转换为相关向量的话,这是有用的。
  • output_attentions (可选,布尔值) — 是否返回所有注意力层的注意力张量。更多细节请参见返回的张量中的 attentions。此参数只能在 eager 模式下使用,在 graph 模式下将使用配置中的值。
  • 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。此参数只在 eager 模式下可以使用,在 graph 模式下,将使用配置中的值。
  • return_dict (bool, 可选) —— 是否返回ModelOutput 而不是普通元组。此参数可以在 eager 模式下使用,在 graph 模式下,值将始终设置为 True。
  • training (bool, 可选, 默认为 False) —— 是否以训练模式使用模型(例如,dropout 模块在训练和评估之间有不同的行为)。

返回值

transformers.modeling_tf_outputs.TFBaseModelOutputtuple(tf.Tensor)

一个transformers.modeling_tf_outputs.TFBaseModelOutputtf.Tensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),根据配置(FlaubertConfig)和输入包含各种元素。

  • last_hidden_state (tf.Tensor 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(tf.FloatTensor)可选,当传递 output_hidden_states=True 或配置 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)tf.Tensor 元组(一个用于嵌入输出,一个用于每一层的输出)。

    模型在每个层输出的隐藏状态以及初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

TFFlaubertModel 的 forward 方法重写了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertModel
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertModel.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)

>>> last_hidden_states = outputs.last_hidden_state

TFFlaubertWithLMHeadModel

class transformers.TFFlaubertWithLMHeadModel

< >

( config *inputs **kwargs )

参数

  • config (FlaubertConfig) — 含有所有模型参数的模型配置类。使用配置文件初始化时,不会加载模型关联的权重,只加载配置。检查from_pretrained() 方法以加载模型权重。

Flaubert模型变换器,在顶部带有语言建模头(权重与输入嵌入绑定的一层线性层)。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: np.ndarray | tf.Tensor | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) transformers.models.flaubert.modeling_tf_flaubert.TFFlaubertWithLMHeadModelOutput or tuple(tf.Tensor)

参数

  • input_ids (Numpy arraytf.Tensor 大小为 (batch_size, sequence_length)) — 输入序列中词汇的索引。

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

    什么是输入ID?

  • attention_maskNumpy 数组tf.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充标记索引上执行注意力的遮罩。遮罩值在 [0, 1] 中选择:

    • 1 对非掩码标记有效;
    • 0 对掩码标记有效。

    什么是注意力遮罩?

  • langstf.TensorNumpy 数组,形状为 (batch_size, sequence_length)可选) — 用于指示输入中每个标记语言的平行序列。索引是语言ID,可以通过模型配置中提供的两种转换映射获得(仅适用于多语言模型)。更确切地说,语言名称到语言ID 映射在 model.config.lang2id 中(该字典是字符串到整数的映射)和 语言ID到语言名称 映射在 model.config.id2lang 中(该字典是整数到字符串的映射)。

    请参阅多语言文档中的详细使用示例。

  • token_type_ids (tf.TensorNumpy array 的形状为 (batch_size, sequence_length)可选) — 标记段索引以指示输入的第一部分和第二部分。索引选择在 [0, 1] 范围内:

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (tf.TensorNumpy array 的形状为 (batch_size, sequence_length)可选) — 每个输入序列标记在位置嵌入中的索引。选择在 [0, config.max_position_embeddings - 1] 范围内。

    什么是位置 ID?

  • lengths (tf.TensorNumpy array 的形状为 (batch_size,)可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask(见上面),此处保留以提高兼容性。索引选择在 [0, ..., input_ids.size(-1)] 范围内:
  • cache (字符串到tf.FloatTensor的字典可选) — 包含模型预先计算的隐藏状态(注意块的键和值)的字典(参见下文的cache输出)。可用于加快序列解码。
  • head_mask ((num_heads,)形式(num_layers, num_heads)tf.Tensor可选) — 用于取消自动注意力模块中选定头部的掩码。掩码值在范围内选择:[0, 1]
  • inputs_embeds (tf.Tensor的形状为(batch_size, sequence_length, hidden_size)可选) — 代替传递input_ids,可以直接传递嵌入表示。如果您想比模型内部嵌入查找矩阵有更多控制权来将input_ids索引转换为相关矢量,则这很有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。请参阅返回张量下的attentions获取更多详细信息。此参数只能在急切模式下使用,在图模式下将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。请参阅返回张量下的hidden_states获取更多详细信息。此参数只能在急切模式下使用,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回ModelOutput而不是简单的元组。此参数可以在急切模式下使用,在图模式下将始终设置为True。
  • 训练 (bool, 可选,默认为 False) — 是否在训练模式下使用模型(某些模块(如dropout模块)在训练和评估之间有不同的行为)。

返回值

transformers.models.flaubert.modeling_tf_flaubert.TFFlaubertWithLMHeadModelOutputtuple(tf.Tensor)

A transformers.models.flaubert.modeling_tf_flaubert.TFFlaubertWithLMHeadModelOutput 或一个tf.Tensor(如果传递了return_dict=False或当 config.return_dict=False)的元组,包含根据配置(FlaubertConfig)和输入的不同元素。

  • logits (tf.Tensor的形状为(batch_size, sequence_length, config.vocab_size)) — 语言模型头部的预测分数(在SoftMax之前每个词汇的分数)。

  • hidden_states (tuple(tf.Tensor)可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 包含tf.Tensor的元组(一个用于嵌入层的输出,另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初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

TFFlaubertWithLMHeadModel 前向方法,重写了__call__特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertWithLMHeadModel
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertWithLMHeadModel.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> logits = outputs.logits

TFFlaubertForSequenceClassification

transformers.TFFlaubertForSequenceClassification

< >

( config *inputs **kwargs )

参数

  • config (Flaubert配置) — 包含模型所有参数的配置类。使用配置文件启动不会加载模型相关联的权重,只会加载配置。请参阅 from_pretrained() 方法以加载模型权重。

在序列分类/回归头部上方的Flaubert模型(在池化输出之上添加一个线性层),例如用于GLUE任务。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFSequenceClassifierOutput or tuple(tf.Tensor)

参数

  • input_ids (NumPy 数组tf.Tensor,形状为 (batch_size, sequence_length)) — 输入序列令牌的词汇表索引。

    索引可以通过 AutoTokenizer 获取。有关详情,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是输入ID?

  • attention_mask (可选)为形状为 (batch_size, sequence_length)Numpy 数组tf.Tensor,表示应避免在填充标记索引上进行注意力的掩码。在 [0, 1] 中选择的掩码值:

    • 1 表示未被掩码的标记,
    • 0 表示被掩码的标记。

    什么是注意力掩码?

  • langs (可选)为形状为 (batch_size, sequence_length)tf.TensorNumpy 数组,表示用于指示输入中每个标记的语言的并行序列。索引是语言 ID,可以通过使用模型配置中提供的两种转换映射从语言名称中获得(仅用于多语言模型)。更确切地说,语言名称到语言 ID 的映射在 model.config.lang2id 中(它是一个字符串到整数的字典)和 语言 ID 到语言名称 的映射在 model.config.id2lang 中(整数到字符串的字典)。

    请参阅多语言文档中的详细用法示例。

  • token_type_ids (可选)为形状为 (batch_size, sequence_length)tf.TensorNumpy 数组,表示指示输入输入的第一个和第二部分的段标记索引。索引在 [0, 1] 中选择:

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (tf.TensorNumpy array 形状为 (batch_size, sequence_length)可选) — 每个输入序列标记在位置嵌入中的位置索引。选择在范围 [0, config.max_position_embeddings - 1] 内。

    什么是位置 ID?

  • lengths (tf.TensorNumpy array 形状为 (batch_size,)可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 来获得相同的结果(见上方),这里保留以保持兼容性。索引选择在 [0, ..., input_ids.size(-1)]
  • cache (Dict[str, tf.Tensor]可选) — 字典字符串到 tf.FloatTensor 的映射,包含由模型计算出(参见下面的 cache 输出)的预计算隐藏状态(注意力块中的密钥和值)。可用于加速顺序解码。

    在正向传递过程中,字典对象将被原地修改,以添加新计算的隐藏状态。

  • head_mask (Numpy数组tf.Tensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 用于屏蔽自注意力模块中选中头部的掩码。掩码值选择在 [0, 1]
  • inputs_embeds (tf.Tensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可以选择直接传递嵌入表示来代替 input_ids,这在您想更精确地控制如何将 input_ids 索引转换为相关向量时非常有用,而非模型内部的嵌入查找矩阵。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关返回张量中 attentions 的详细信息,请参阅。只有在eager模式中可以使用此参数,在graph模式中将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。关于返回的tensor中的hidden_states的详细信息,请参阅。此参数只能用于eager模式,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回ModelOutput而不是一个简单的元组。此参数可以用于eager模式,在图模式下总是设置为True。
  • training (bool, 可选,默认为False) — 是否以训练模式使用模型(某些模块如dropout模块在训练和评估之间有不同的行为)。
  • labels (tf.Tensor 形状为 (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] 范围内。如果 config.num_labels == 1,则计算回归损失(均方损失),如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回值

transformers.modeling_tf_outputs.TFSequenceClassifierOutputtuple(tf.Tensor)

A transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一个 tf.Tensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False)根据配置(FlaubertConfig)和输入组成各种元素。

  • loss (tf.Tensor 形状为 (batch_size, )可选,当提供 labels 时返回) — 分类(或配置 num_labels==1 时的回归)损失。

  • logits (tf.Tensor 形状为 (batch_size, config.num_labels).) — 分类(或配置 num_labels==1 时的回归)分数(在 SoftMax 之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 包含tf.Tensor的元组(一个用于嵌入层的输出,另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初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

TFFlaubertForSequenceClassification 前进方法,覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertForSequenceClassification
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertForSequenceClassification.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")

>>> logits = model(**inputs).logits

>>> predicted_class_id = int(tf.math.argmax(logits, axis=-1)[0])
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = TFFlaubertForSequenceClassification.from_pretrained("flaubert/flaubert_base_cased", num_labels=num_labels)

>>> labels = tf.constant(1)
>>> loss = model(**inputs, labels=labels).loss

TFFlaubertForMultipleChoice

transformers.TFFlaubertForMultipleChoice

< >

( config *inputs **kwargs )

参数

  • 配置 (FlaubertConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化时不加载与模型关联的权重,仅加载配置。请查看 from_pretrained() 方法以加载模型权重。

在顶部添加多选题分类头(在池化输出之上添加一个线性层和一个softmax层)的Flaubert模型,例如用于RocStories/SWAG任务。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput or tuple(tf.Tensor)

参数

  • input_ids (Numpy array or tf.Tensor of shape (batch_size, sequence_length)) —— 输入序列token在词汇表中的索引。

    索引可以通过使用AutoTokenizer获得。有关详细信息,请参阅PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是输入ID?

  • attention_maskNumPy数组tf.Tensor,形状为(批次大小, 序列长度)可选)— 用来避免将注意力放在填充标记索引上的掩码。掩码值选择在[0, 1]范围内:

    • 1 表示 未掩码 的标记,
    • 0 表示 掩码 的标记。

    什么是注意力掩码?

  • langstf.TensorNumPy数组,形状为(批次大小, 序列长度)可选)— 用于指示输入中每个标记的语言的并行序列。索引是语言ID,可以通过使用模型配置中提供的两种转换映射从语言名称中获取(仅适用于多语言模型)。更具体地说,语言名称到语言ID的映射在model.config.lang2id(这是一个字符串到整数的字典)中,语言ID到语言名称的映射在model.config.id2lang(整数到字符串的字典)中。

    有关使用示例的详细信息,请参阅多语言文档

  • token_type_ids (tf.TensorNumpy array 形状 (batch_size, sequence_length)可选) — 段落标记索引,表示输入的第一部分和第二部分。索引在 [0, 1] 范围内:
    • 0 对应 句子 A 标记,
    • 1 对应 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (tf.TensorNumpy array 形状 (batch_size, sequence_length)可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围在 [0, config.max_position_embeddings - 1] 内。

    什么是位置 ID?

  • lengths (tf.TensorNumpy array 形状 (batch_size,)可选) — 可以用来避免在填充标记索引上执行注意力的每个句子的长度。您也可以使用 attention_mask 来得到相同的结果(见上文),这里保留以保持兼容性。索引选择在 [0, ..., input_ids.size(-1)] 范围内:
  • cache (Dict[str, tf.Tensor]可选) — 包含由模型预先计算并存储的隐藏状态(注意力块中的键和值)的字符串到 tf.FloatTensor 的字典(见下文中的 cache 输出)。可用于加速序列解码。

  • head_mask (Numpy arraytf.Tensor 的形状为 (num_heads,)(num_layers, num_heads)可选) — 用于屏蔽自我注意力模块中选定头的掩码。掩码值选择在 [0, 1] 中:

  • inputs_embeds (tf.Tensor 的形状为 (batch_size, sequence_length, hidden_size)可选) —— 选项,你可以选择直接传递一个嵌入表示,而不是传递 input_ids。这在你想对如何将 `input_ids` 索引转换为相关向量有更多控制权时很有用,而不是模型的内部嵌入查找矩阵。
  • output_attentions (bool, 可选) — 是否返回所有注意力层注意力的张量。有关详细信息,请参见返回张量下的 attentions。此参数只能在急切模式下使用,在图模式下将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参见返回张量下的 hidden_states。此参数只能在急切模式下使用,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回一个ModelOutput而不是一个普通的元组。此参数可以在急切模式下使用,在图模式下此值始终设置为True。
  • 训练 (bool, 可选, 默认为False) — 是否使用模型在训练模式(一些模块如dropout模块,在训练和评估之间有不同的行为)。

返回值

transformers.modeling_tf_outputs.TFMultipleChoiceModelOutputtuple(tf.Tensor)

A transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或一个由tf.Tensor组成的元组(如果传递了return_dict=False或当config.return_dict=False时),包含根据配置(FlaubertConfig)和输入的各个元素。

  • loss (提供labels时的tf.Tensor,形状为(batch_size, )可选) — 分类损失。

  • logits (形状为(batch_size, num_choices)tf.Tensor) — num_choices是输入张量的第二维(参见上面的input_ids)。

    分类评分(在SoftMax之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 包含tf.Tensor的元组(一个用于嵌入层的输出,另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初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

The TFFlaubertForMultipleChoice前进方法,重写了__call__特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertForMultipleChoice
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertForMultipleChoice.from_pretrained("flaubert/flaubert_base_cased")

>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."

>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="tf", padding=True)
>>> inputs = {k: tf.expand_dims(v, 0) for k, v in encoding.items()}
>>> outputs = model(inputs)  # batch size is 1

>>> # the linear classifier still needs to be trained
>>> logits = outputs.logits

TFFlaubertForTokenClassification

transformers.TFFlaubertForTokenClassification

< >

( config *inputs **kwargs )

参数

  • config (Flaubert配置) — 包含所有模型参数的模型配置类。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。有关加载模型权重的信息,请查看from_pretrained() 方法。

在顶部带有标记分类头(隐藏状态输出之上的线性层)的Flaubert模型,例如用于命名实体识别(NER)任务。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFTokenClassifierOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy数组tf.Tensor,形状为 (batch_size, sequence_length)) — 输入序列词元的词库索引。

  • attention_mask (形状为 (batch_size, sequence_length)Numpy 数组tf.Tensor可选)— 使用掩码以避免在填充标记索引上执行注意力机制。掩码值选择的范围在 [0, 1] 内:
    • 1 表示未掩码的标记,
    • 0 表示已掩码的标记。

    什么是注意力掩码?

  • langs (形状为 (batch_size, sequence_length)tf.TensorNumpy 数组可选)— 用于指示输入中每个标记的语言的并行标记序列。索引是语言ID,可以通过使用模型配置中提供的两个转换映射来获得(仅为多语言模型提供)。更确切地说,语言名到语言ID 的映射在 model.config.lang2id 中(它是一个字符串到整数的字典)和 语言ID到语言名 的映射在 model.config.id2lang 中(整数到字符串的字典)。

    请参阅 多语言文档 中的详细使用示例。

  • token_type_ids (tf.TensorNumpy array 形状为 (batch_size, sequence_length)可选) — 段落标记索引,用于指示输入的第一和第二部分。索引选择在 [0, 1]

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (tf.TensorNumpy array 形状为 (batch_size, sequence_length)可选) — 在位置编码中的每个输入序列标记的位置索引。选择在范围 [0, config.max_position_embeddings - 1]

    什么是位置 ID?

  • lengths (tf.TensorNumpy array 形状为 (batch_size,)可选) — 每个句子的长度,可用来避免在填充标记索引上执行注意力操作。您还可以使用 attention_mask 实现(参见上文),这里保留以保持兼容性。索引选择在 [0, ..., input_ids.size(-1)]
  • cache (Dict[str, tf.Tensor], 可选) — 包含由模型计算出的预定义隐藏状态的字典(键和值来自于注意力块),为cache输出的内容。可用于加速序列解码。
  • head_mask (Numpy数组tf.Tensor的形状为(num_heads,)(num_layers, num_heads)可选) — 用于取消自注意力模块中选定头的掩码。掩码值选择在[0, 1]

  • inputs_embeds (tf.Tensor的形状为(batch_size, sequence_length, hidden_size)可选) — 可以选择直接传递嵌入表示,而不是传递input_ids。这在您想更多地控制在如何将input_ids索引转换为相关向量方面比模型内部的嵌入查找矩阵更有用。
  • 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,请参阅返回张量部分的 attentions。此参数只能在 eager 模式下使用,在图模式下将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量部分的 hidden_states。此参数只能在 eager 模式下使用,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回ModelOutput,而非普通元组。此参数可以在 eager 模式下使用,在图模式下此值始终设置为 True。
  • 训练 (布尔值, 可选, 默认为 False) — 是否使用模型在训练模式(一些模块如dropout模块在训练和评估之间有不同行为)。
  • labels (tf.Tensor 形状为 (批量大小, 序列长度), 可选) — 用于计算token分类损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。

返回值

transformers.modeling_tf_outputs.TFTokenClassifierOutput 或 tuple(tf.Tensor)

transformers.modeling_tf_outputs.TFTokenClassifierOutput 或一个包含 tf.Tensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False),根据配置(FlaubertConfig)和输入包含不同的元素。

  • loss (tf.Tensor 形状为 (n,), 可选,其中 n 是未屏蔽标签的数量,在提供 labels 时返回) — 分类损失。

  • logits (tf.Tensor 形状为 (批量大小, 序列长度, config.num_labels)) — 分类分数(SoftMax之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 包含tf.Tensor的元组(一个用于嵌入层的输出,另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初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

TFFlaubertForTokenClassification 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertForTokenClassification
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertForTokenClassification.from_pretrained("flaubert/flaubert_base_cased")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="tf"
... )

>>> logits = model(**inputs).logits
>>> predicted_token_class_ids = tf.math.argmax(logits, axis=-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t] for t in predicted_token_class_ids[0].numpy().tolist()]
>>> labels = predicted_token_class_ids
>>> loss = tf.math.reduce_mean(model(**inputs, labels=labels).loss)

TFFlaubertForQuestionAnsweringSimple

transformers.TFFlaubertForQuestionAnsweringSimple

< >

( config *inputs **kwargs )

参数

  • 配置FlaubertConfig) — 包含模型所有参数的配置类。使用配置文件初始化时不加载与模型关联的权重,只加载配置。查看用于加载模型权重的 from_pretrained() 方法。

Flaubert 模型,顶部带有 span 分类头,适用于 SQuAD 等提取式问答任务(在隐藏状态输出上方的一个线性层,用于计算 span 开始对数特征span 结束对数特征)。

此模型继承自 TFPreTrainedModel。检查超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等。)

该模型也是keras.Model的子类。您可以将其视为标准的TF 2.0 Keras模型,并参考TF 2.0文档了解有关通用用法和行为的所有相关信息。

transformers中,TensorFlow模型和层接受两种输入格式:

  • 将所有输入作为关键字参数(类似于PyTorch模型),或者
  • 将所有输入作为列表、元组或字典的第一个位置参数。

支持第二种格式的理由是,Keras方法在向模型和层传递输入时更倾向于这种格式。因此,使用类似model.fit()的方法时,对于您输入和标签的任何格式,事情都应该“仅仅工作”——只需传递您的输入和标签即可!但如果您想在除fit()predict()等Keras方法之外的场合使用第二种格式,例如当使用Keras的Functional API创建自己的层或模型时,有三种可能性可供您组装第一个位置参数中的所有输入张量:

  • 只有一个input_ids张量,没有其他内容:model(input_ids)
  • 一个变长的列表,包含一个或多个按照文档字符串中给出的顺序排列的输入张量:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,包含一个或多个与文档字符串中给出的输入名称相关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,如果您通过子类化创建模型和层,那么您不需要担心这些,因为您可以像对任何其他Python函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None start_positions: np.ndarray | tf.Tensor | None = None end_positions: np.ndarray | tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy数组tf.Tensor 形状为 (batch_size, sequence_length)) — 输入序列单词的词库索引。

    索引可以通过 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    输入ID是什么?

  • attention_mask (Numpy数组tf.Tensor 形状为 (batch_size, sequence_length)可选) — 用于避免对填充单词索引执行注意力的掩码。掩码值选择在 [0, 1] 范围内:

    • 1 对应于 未掩码 的单词,
    • 0 对应于 掩码 的单词。

    注意掩码是什么?

  • langs (tf.TensorNumpy array,形状为 (batch_size, sequence_length)可选) — 一个并行序列,表示输入中每个标记的语言。索引是语言ID,可以通过模型配置中提供的两种转换映射从语言名称获得。更确切地说,语言名称到语言ID 的映射在 model.config.lang2id 中(这是一个字符串到整数的字典),而 语言ID到语言名称 的映射在 model.config.id2lang 中(一个整数到字符串的字典)。

    请参阅 多语言文档 中详细的使用示例。

  • token_type_ids (tf.TensorNumpy array,形状为 (batch_size, sequence_length)可选) — 表示输入中第一部分和第二部分的段标记指数。索引为 [0, 1]

    • 0 对应于 句子A 标记,
    • 1 对应于 句子B 标记。

    什么是标记类型ID?

  • position_ids (tf.TensorNumpy array,形状为 (batch_size, sequence_length)可选) — 每个输入序列标记的位置嵌入中的索引。选择范围在 [0, config.max_position_embeddings - 1] 之间。

    什么是位置ID?

  • lengthstf.Tensor 或者形状为 (batch_size,)Numpy array,可选) — 可以用来避免对填充标记索引执行注意力操作的每个句子的长度。您也可以使用 attention_mask 来获得相同的结果(参见上面),在这里保留以保持兼容性。在 [0, ..., input_ids.size(-1)] 中选择的索引:
  • cacheDict[str, tf.Tensor],可选) — 包含模型(参见下面的 cache 输出)预计算隐藏状态(键和值在注意力块中)的字符串到 tf.FloatTensor 字典,可用于加速顺序解码。
  • head_mask (形状为 (num_heads,)(num_layers, num_heads)Numpy arraytf.Tensor,可选) — 用于屏蔽自注意力模块中选定的头的掩码。掩码值在 [0, 1] 中选择:
    • 1 表示 未屏蔽 的头;
    • 0 表示 屏蔽 的头。
  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size),类型为 tf.Tensor 的数组,可选) — 可以选择不传递 input_ids,直接传递嵌入表示。如果想要比模型的内部嵌入查找矩阵更多地控制如何将 input_ids 索引转换为相关向量,则这种方法很有用。
  • output_attentions (布尔值,可选) — 是否返回所有注意力层的注意力张量。有关返回张量中 attentions 的更多详细信息,请参阅。此参数只能在 eager 模式下使用,在 graph 模式下将使用配置中的值。
  • output_hidden_states (布尔值,可选) — 是否返回所有层的隐藏状态。有关返回张量中 hidden_states 的更多详细信息,请参阅。此参数只能在 eager 模式下使用,在 graph 模式下将使用配置中的值。
  • return_dict (bool, optional) — 是否返回ModelOutput而不是普通元组。此参数可以在急切模式下使用,在图模式下,该值始终设置为True。
  • training (bool, optional, defaults to False) — 是否在训练模式中使用模型(某些模块如dropout模块在训练和评估间的行为有所不同)。
  • start_positions (tf.Tensor of shape (batch_size,), optional) — 标记span开始的位置(索引)的标签,用于计算token分类损失。位置会被限制在序列长度的范围内(sequence_length)。序列之外的位置不参与计算损失。
  • end_positions (tf.Tensor of shape (batch_size,), optional) — 标注跨度末尾位置的标签(用于计算token分类损失的位置)。位置限制为序列长度(sequence_length)。序列之外的末尾位置不计入损失计算。

返回值

transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutputtuple(tf.Tensor)

transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput 或一个包含 tf.Tensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False)的 tuple,元素根据配置(FlaubertConfig)和输入而有所不同。

  • losstf.Tensor,形状 (batch_size, )可选,当提供 start_positionsend_positions 时返回)— 总跨度提取损失是起始和结束位置上交叉熵的和。

  • start_logitstf.Tensor,形状 (batch_size, sequence_length))— Span起始分数(在SoftMax之前)。

  • end_logitstf.Tensor,形状 (batch_size, sequence_length))— Span结束分数(在SoftMax之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 包含tf.Tensor的元组(一个用于嵌入层的输出,另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初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,当传递 output_attentions=True 或配置 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每个层次一个)。

    注意力softmax后的注意力权重,用于在自注意力头中计算加权平均。

TFFlaubertForQuestionAnsweringSimple 的前向方法,覆盖了 __call__ 特殊方法。

尽管需要在这个函数中定义前向传递的配方,但应该在函数之后调用 Module 实例,因为这个官方实例负责运行前处理和后处理步骤,而后者默默地忽略了它们。

示例

>>> from transformers import AutoTokenizer, TFFlaubertForQuestionAnsweringSimple
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("flaubert/flaubert_base_cased")
>>> model = TFFlaubertForQuestionAnsweringSimple.from_pretrained("flaubert/flaubert_base_cased")

>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"

>>> inputs = tokenizer(question, text, return_tensors="tf")
>>> outputs = model(**inputs)

>>> answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
>>> answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])

>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> # target is "nice puppet"
>>> target_start_index = tf.constant([14])
>>> target_end_index = tf.constant([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = tf.math.reduce_mean(outputs.loss)
< > 更新GitHub