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
类 transformers.FlaubertConfig
< 来源 >( 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FlaubertModel或TFFlaubertModel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_langs (
int
,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_emb (
bool
,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_embeddings (
int
,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_index (
int
,可选,默认值为1) — 词汇表中结束标记的索引。 - pad_index (
int
,可选,默认值为2) — 词汇表中填充标记的索引。 - unk_index (
int
,可选,默认值为3) — 词汇表中的未知标记索引。 - mask_index (
int
,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。将
"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_labels
或config.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
< 源代码 >(
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
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
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>
将标记序列(字符串)转换为单个字符串。
create_token_type_ids_from_sequences
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
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
如果token_ids_1
为None
,则此方法仅返回掩码的第一部分(0s)。
get_special_tokens_mask
< source >( token_ids_0: List token_ids_1: 可选 = None already_has_special_tokens: bool = False ) → 列表[int]
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。
FlaubertModel
前进
< 源代码 >( 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.BaseModelOutput 或 tuple(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() 和 PreTrainedTokenizer.call()。
- 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
- 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
- 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。 - 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,)
或(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.BaseModelOutput 或 tuple(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)
的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)
的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
< source >( 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
< source >( 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() 和 PreTrainedTokenizer.call()。
- 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。
- 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。
- 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。 - 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,)
或(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.MaskedLMOutput或tuple(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)
的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
类 transformers.FlaubertForSequenceClassification
< 源 >( 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
< 来源 >( 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.SequenceClassifierOutput 或 tuple(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() 和 PreTrainedTokenizer.call()。
- 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。
- 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。
- 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。 - 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.SequenceClassifierOutput 或 tuple(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,)
的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)
的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)
的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
< source >( 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
< source >( 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() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)
的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。
- token_type_ids (形状为
(batch_size, sequence_length)
的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。
- position_ids (形状为
(batch_size, sequence_length)
的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,)
或(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.MultipleChoiceModelOutput或tuple(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)
的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
类 transformers.FlaubertForTokenClassification
< 源代码 >( 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
< 源代码 >( 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.TokenClassifierOutput 或 tuple(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() 和 PreTrainedTokenizer.call()。
- 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。
- 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。
- 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]
。 - lengths(
torch.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)]
: - cache(
Dict[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
的(num_heads,)
或(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_embeds (
torch.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_attentions (
bool
,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_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
。 - 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.TokenClassifierOutput 或 tuple(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 whenlabels
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)
的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
< 源代码 >( 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和跨度结束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
< 源代码 >( 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.QuestionAnsweringModelOutput 或 tuple(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() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.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。
- token_type_ids (
torch.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。
- position_ids (
torch.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。 - lengths (形状为
(batch_size,)
的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,)
或(num_layers, num_heads)
的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.QuestionAnsweringModelOutput 或 tuple(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,)
的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)
的torch.FloatTensor
)—跨度起始的分数(在SoftMax之前)。 -
end_logits(形状为
(batch_size, sequence_length)
的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)
的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
前进
< 源 >( 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.FlaubertForQuestionAnsweringOutput
或 tuple(torch.FloatTensor)
参数
返回值
transformers.models.flaubert.modeling_flaubert.FlaubertForQuestionAnsweringOutput
或 tuple(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
TFFlaubertModel
类 transformers.TFFlaubertModel
< 来源 >( 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。
在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()
和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])
或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
< source >( 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 array
或tf.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() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy array
或tf.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。
- langs (
tf.Tensor
或Numpy 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.Tensor
或Numpy 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。
- 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。 - 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 array
或tf.Tensor
,形状为(num_heads,)
或(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.TFBaseModelOutput 或 tuple(tf.Tensor)
一个transformers.modeling_tf_outputs.TFBaseModelOutput 或 tf.Tensor
的元组(如果传递了 return_dict=False
或 config.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)
的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)
的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
< source >( 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。
在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()
和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])
或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
< source >( 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 array
或tf.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() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy 数组
或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。
- langs (
tf.Tensor
或Numpy 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.Tensor
或Numpy 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。
- position_ids (
tf.Tensor
或Numpy 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。 - lengths (
tf.Tensor
或Numpy 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 (
或
(num_heads,)形式
或(num_layers, num_heads)
的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.TFFlaubertWithLMHeadModelOutput
或 tuple(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)
的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
类 transformers.TFFlaubertForSequenceClassification
< 源代码 >( 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。
在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()
和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])
或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
< 源代码 >( 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
或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() 和 PreTrainedTokenizer.encode()。
- attention_mask (可选)为形状为
(batch_size, sequence_length)
的Numpy 数组
或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。
- langs (可选)为形状为
(batch_size, sequence_length)
的tf.Tensor
或Numpy 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)
的tf.Tensor
或Numpy 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。
- position_ids (
tf.Tensor
或Numpy 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。 - lengths (
tf.Tensor
或Numpy 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
或tf.Tensor
形状为(num_heads,)
或(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.TFSequenceClassifierOutput 或 tuple(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)
的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
类 transformers.TFFlaubertForMultipleChoice
< 来源 >( 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。
在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()
和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])
或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
< 来源 >( 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
ortf.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() 和 PreTrainedTokenizer.encode()。
- attention_mask(
NumPy数组
或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。
- langs(
tf.Tensor
或NumPy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.Tensor
或Numpy 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。
- position_ids (
tf.Tensor
或Numpy 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。 - lengths (
tf.Tensor
或Numpy 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 array
或tf.Tensor
的形状为(num_heads,)
或(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.TFMultipleChoiceModelOutput 或 tuple(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)
的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)
的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
类 transformers.TFFlaubertForTokenClassification
< 源代码 >( 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。
在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()
和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])
或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
< 源代码 >( 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.TFTokenClassifierOutput 或 tuple(tf.Tensor)
参数
- input_ids (
Numpy数组
或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)
的Numpy 数组
或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。
- langs (形状为
(batch_size, sequence_length)
的tf.Tensor
或Numpy 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.Tensor
或Numpy 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。
- position_ids (
tf.Tensor
或Numpy 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]
。 - lengths (
tf.Tensor
或Numpy 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
或tf.Tensor
的形状为(num_heads,)
或(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)
的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()]
TFFlaubertForQuestionAnsweringSimple
类 transformers.TFFlaubertForQuestionAnsweringSimple
< 源代码 >( 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
和 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。
在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()
和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])
或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
< 源代码 >( 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.TFQuestionAnsweringModelOutput 或 tuple(tf.Tensor)
参数
- input_ids (
Numpy数组
或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() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy数组
或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。
- langs (
tf.Tensor
或Numpy 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.Tensor
或Numpy 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。
- position_ids (
tf.Tensor
或Numpy 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。 - lengths (
tf.Tensor
或者形状为(batch_size,)
的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: - cache (
Dict[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,)
或(num_layers, num_heads)
的Numpy array
或tf.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 toFalse
) — 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.TFQuestionAnsweringModelOutput或tuple(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。
-
loss(
tf.Tensor
,形状(batch_size, )
,可选,当提供start_positions
和end_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_logits(
tf.Tensor
,形状(batch_size, sequence_length)
)— Span起始分数(在SoftMax之前)。 -
end_logits(
tf.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)
的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]