参数

• token_ids_0 (List[int]) — ID 列表。
• token_ids_1 (List[int], 可选) — 序列对的可选第二个 ID 列表。
• already_has_special_tokens (bool, 可选, 默认值 False) — 标记列表是否已使用模型的特殊标记进行格式化。

一个范围在 [0, 1] 之内的整数列表：特殊标记为 1，序列标记为 0。

参数

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

  索引可以使用AutoTokenizer 获取。查看PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详情。

  什么是输入 ID？

• attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), optional) — 用于避免在填充标记索引上执行注意的掩码。在 [0, 1] 中选择的掩码值：
  • 1 表示未屏蔽的标记，
  • 0 表示屏蔽的标记。

  什么是注意掩码？

• position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 位置嵌入中每个输入序列标记的位置索引。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• head_mask (torch.FloatTensor of shape (num_heads,) or (num_layers, num_heads), optional) — 用于使自注意力模块中选定的头部无效的掩码。在 [0, 1] 中选择的掩码值：
  • 1 表示未屏蔽的头部，
  • 0 表示屏蔽的头部。
• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。 这通常包括模型在解码的先前阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。 这也被称为旧版缓存格式。

  模型将输出与输入相同格式的缓存。 如果没有传入 past_key_values，则将返回旧版缓存格式。

  如果使用了 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后 input_ids（那些没有为该模型提供过去键值状态的 input_ids），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• 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，请参阅返回张量中的 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，请参阅返回张量中的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 表示输入序列令牌在序列中的位置的索引。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整序列长度。
• use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，可用于加速解码（请参阅 past_key_values）。

一个 transformers.modeling_outputs.BaseModelOutputWithPast 或 torch.FloatTensor 元组（如果传递 return_dict=False 或 config.return_dict=False），包含根据配置 (GPTNeoXConfig) 和输入而不同的各种元素。

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

  如果使用了 past_key_values，则仅输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 在 use_cache=True 传递或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head)) 的张量，以及可选地，如果 config.is_encoder_decoder=True，则包含 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

  包含预先计算的隐藏状态（自注意力块中的键和值，以及可选地，如果 config.is_encoder_decoder=True，则包含交叉注意力块中的键和值），可用于（请参阅 past_key_values 输入）加速顺序解码。

• hidden_states (tuple(torch.FloatTensor), 可选, 在 output_hidden_states=True 传递或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出，如果模型具有嵌入层，另一个用于每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在 output_attentions=True 传递或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

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

  索引可以使用 AutoTokenizer 获取。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详情。

  什么是输入 ID？

• attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)，可选) — 掩码，以避免对填充标记索引执行注意力。掩码值选择在 [0, 1] 中：
  • 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？

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

  什么是位置 ID？

• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，用于使自注意力模块的选定头部失效。掩码值选择在 [0, 1] 中：
  • 1 表示 未掩码 的头部，
  • 0 表示 掩码 的头部。
• inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您希望对如何将 input_ids 索引转换为相关向量（而不是模型的内部嵌入查找矩阵）有更多控制，这将很有用。
• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。 这通常包含在模型在解码的先前阶段返回的 past_key_values 中，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。 这也被称为传统的缓存格式。

  模型将输出与作为输入提供的相同缓存格式。 如果没有传入 past_key_values，则将返回传统的缓存格式。

  如果使用 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有提供其过去键值状态的输入），而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• 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，请参阅返回张量中的 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，请参阅返回张量中的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 指示输入序列令牌在序列中的位置的索引。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
• labels (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 用于计算从左到右的语言建模损失（下一个词预测）的标签。 索引应在 [-100, 0, ..., config.vocab_size] 中（请参阅 input_ids 文档字符串） 索引设置为 -100 的令牌将被忽略（屏蔽），损失仅针对标签为 [0, ..., config.vocab_size] 的令牌计算。
• use_cache (bool, 可选) — 如果设置为 True，则将返回 past_key_values 键值状态，可用于加速解码（请参阅 past_key_values）。

一个 transformers.modeling_outputs.CausalLMOutputWithPast 或 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 (GPTNeoXConfig) 和输入的不同元素。

• loss (torch.FloatTensor 形状为 (1,), 可选, 当提供 labels 时返回) — 语言建模损失（用于下一个令牌预测）。

• logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（在 SoftMax 之前每个词汇表令牌的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)

  包含预先计算的隐藏状态（自注意力块中的键和值），可用于（请参阅 past_key_values 输入）加速顺序解码。

• hidden_states (tuple(torch.FloatTensor), 可选, 在 output_hidden_states=True 传递或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出，如果模型具有嵌入层，另一个用于每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在 output_attentions=True 传递或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

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

  可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。

  什么是输入 ID？

• attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)，可选) — 掩码，以避免对填充标记索引执行注意力。掩码值在 [0, 1] 中选择：
  • 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？

• position_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列标记位置的索引。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，以使自注意力模块的选定头无效。掩码值在 [0, 1] 中选择：
  • 1 表示未掩码的头，
  • 0 表示掩码的头。
• inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您希望比模型的内部嵌入查找矩阵更精确地控制如何将 input_ids 索引转换为关联的向量，这很有用。
• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。 这通常包含在模型在解码的先前阶段返回的 past_key_values 中，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 kv 缓存指南;
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。 这也被称为传统缓存格式。

  模型将输出与输入相同的缓存格式。 如果未传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后 input_ids（那些没有向此模型提供其过去键值状态的输入）而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• 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, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 表示输入序列令牌在序列中的位置的索引。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
• start_positions (形状为 (batch_size,) 的 torch.LongTensor, 可选) — 用于计算令牌分类损失的标记跨度的开始位置（索引）的标签。 位置被限制在序列的长度（sequence_length）内。 序列之外的位置不会被考虑用于计算损失。
• end_positions (形状为 (batch_size,) 的 torch.LongTensor, 可选) — 用于计算令牌分类损失的标记跨度的结束位置（索引）的标签。 位置被限制在序列的长度（sequence_length）内。 序列之外的位置不会被考虑用于计算损失。

一个 transformers.modeling_outputs.QuestionAnsweringModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False 时），包含根据配置（GPTNeoXConfig）和输入而变化的各种元素。

• loss (形状为 (1,) 的 torch.FloatTensor, 可选，当提供 labels 时返回) — 总跨度提取损失是开始和结束位置的交叉熵之和。

• start_logits (形状为 (batch_size, sequence_length) 的 torch.FloatTensor) — 跨度开始得分（在 SoftMax 之前）。

• end_logits (形状为 (batch_size, sequence_length) 的 torch.FloatTensor) — 跨度结束得分（在 SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), 可选, 在 output_hidden_states=True 传递或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出，如果模型具有嵌入层，另一个用于每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在 output_attentions=True 传递或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor 形状为 ({0})) — 输入序列 token 在词汇表中的索引。

  可以使用 AutoTokenizer 获取索引。 查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以获取详细信息。

  什么是输入 ID？

• attention_mask (torch.FloatTensor 形状为 ({0}), 可选) — 掩码以避免对填充 token 索引执行注意力。 在 [0, 1] 中选择掩码值：
  • 1 表示 未被掩码 的 token，
  • 0 表示 被掩码 的 token。

  什么是注意力掩码？

• position_ids (torch.LongTensor 形状为 ({0}), 可选) — 输入序列 token 在位置嵌入中的位置索引。 在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 掩码以使自注意力模块中选定的头无效。 在 [0, 1] 中选择掩码值：
  • 1 表示 未被掩码 的头，
  • 0 表示 被掩码 的头。
• inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入式表示，而不是传递 input_ids。 如果您希望对如何将 input_ids 索引转换为关联向量有更多控制权，而不是模型的内部嵌入查找矩阵，这很有用。
• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。 这通常由模型在解码的先前阶段返回的 past_key_values 组成，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • 一个 Cache 实例，请参见我们的 kv 缓存指南;
  • 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。 这也被称为旧缓存格式。

  模型将输出与输入相同的缓存格式。 如果未传递 past_key_values，则将返回旧缓存格式。

  如果使用 past_key_values，用户可以选择仅输入最后一个 input_ids（那些没有将其过去键值状态提供给此模型的）形状为 (batch_size, 1) 而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• 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, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 表示输入序列令牌在序列中的位置的索引。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
• labels (形状为 (batch_size,) 的 torch.LongTensor, 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] 中。 如果 config.num_labels == 1，则计算回归损失（均方误差损失），如果 config.num_labels > 1，则计算分类损失（交叉熵）。

一个 transformers.modeling_outputs.SequenceClassifierOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），包含取决于配置（GPTNeoXConfig）和输入的各种元素。

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

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

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)

  包含预先计算的隐藏状态（自注意力块中的键和值），可用于（请参阅 past_key_values 输入）加速顺序解码。

• hidden_states (tuple(torch.FloatTensor), 可选, 在 output_hidden_states=True 传递或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出，如果模型具有嵌入层，另一个用于每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在 output_attentions=True 传递或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor 形状为 ({0})) — 输入序列词元的词汇表索引。

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

  什么是输入 ID?

• attention_mask (torch.FloatTensor 形状为 ({0}), 可选) — 用于避免对填充词元索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示未屏蔽的词元,
  • 0 表示屏蔽的词元.

  什么是注意力掩码?

• position_ids (torch.LongTensor 形状为 ({0}), 可选) — 输入序列词元在位置嵌入中的位置索引。选择范围在 [0, config.n_positions - 1] 之间。

  什么是位置 ID?

• head_mask (torch.FloatTensor 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。掩码值选择在 [0, 1] 之间：
  • 1 表示未屏蔽的头部,
  • 0 表示屏蔽的头部.
• inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您想比模型内部嵌入查找矩阵更精确地控制如何将input_ids 索引转换为关联的向量，这将很有用。
• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 预先计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括在解码的先前阶段由模型返回的 past_key_values，此时 use_cache=True 或 config.use_cache=True。

  允许两种格式：

  • 一个 Cache 实例，请参阅我们的 kv 缓存指南;
  • tuple(torch.FloatTensor) 的元组，长度为 config.n_layers，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）。这也被称为传统缓存格式。

  模型将输出与输入作为输入的相同缓存格式。如果没有传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去键值状态提供给该模型的 input_ids），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• 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, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 表示输入序列令牌在序列中的位置的索引。 与 position_ids 相反，此张量不受填充影响。 它用于在正确的位置更新缓存并推断完整序列长度。
• labels (torch.LongTensor 形状为 (batch_size, sequence_length), 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] 中。 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）。

一个 transformers.modeling_outputs.TokenClassifierOutput 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (GPTNeoXConfig) 和输入的各种元素。

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

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

• hidden_states (tuple(torch.FloatTensor), 可选, 在 output_hidden_states=True 传递或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入输出，如果模型具有嵌入层，另一个用于每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 在 output_attentions=True 传递或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。