Transformers 文档
Jamba
并获取增强的文档体验
开始使用
Jamba
概述
Jamba 是一种最先进的混合 SSM-Transformer LLM。它是首个生产规模的 Mamba 实现,为有趣的研究和应用机会打开了大门。虽然这项初步实验显示出令人鼓舞的进展,但我们预计通过未来的优化和探索,这些进展将得到进一步增强。
有关此模型的完整详细信息,请阅读发布博客文章。
模型详情
Jamba 是一个预训练的混合专家 (MoE) 生成文本模型,具有 120 亿个活跃参数和跨所有专家的总共 520 亿个参数。它支持 256K 上下文长度,并且可以在单个 80GB GPU 上容纳多达 140K 个 tokens。
如下图所示,Jamba 的架构采用块和层的结构,使 Jamba 能够成功地将 Transformer 和 Mamba 架构完全集成在一起。每个 Jamba 块包含一个注意力层或一个 Mamba 层,后跟一个多层感知器 (MLP),总体比例为每八个总层中有一个 Transformer 层。

使用方法
先决条件
Jamba 要求您使用 transformers
版本 4.39.0 或更高版本
pip install transformers>=4.39.0
为了运行优化的 Mamba 实现,您首先需要安装 mamba-ssm
和 causal-conv1d
pip install mamba-ssm causal-conv1d>=1.2.0
您还必须将模型放在 CUDA 设备上。
您可以不使用优化的 Mamba 内核来运行模型,但**不**建议这样做,因为它会导致延迟显着降低。为了做到这一点,您需要在加载模型时指定 use_mamba_kernels=False
。
运行模型
from transformers import AutoModelForCausalLM, AutoTokenizer
model = AutoModelForCausalLM.from_pretrained("ai21labs/Jamba-v0.1")
tokenizer = AutoTokenizer.from_pretrained("ai21labs/Jamba-v0.1")
input_ids = tokenizer("In the recent Super Bowl LVIII,", return_tensors='pt').to(model.device)["input_ids"]
outputs = model.generate(input_ids, max_new_tokens=216)
print(tokenizer.batch_decode(outputs))
# ["<|startoftext|>In the recent Super Bowl LVIII, the Kansas City Chiefs emerged victorious, defeating the San Francisco 49ers in a thrilling overtime showdown. The game was a nail-biter, with both teams showcasing their skills and determination.\n\nThe Chiefs, led by their star quarterback Patrick Mahomes, displayed their offensive prowess, while the 49ers, led by their strong defense, put up a tough fight. The game went into overtime, with the Chiefs ultimately securing the win with a touchdown.\n\nThe victory marked the Chiefs' second Super Bowl win in four years, solidifying their status as one of the top teams in the NFL. The game was a testament to the skill and talent of both teams, and a thrilling end to the NFL season.\n\nThe Super Bowl is not just about the game itself, but also about the halftime show and the commercials. This year's halftime show featured a star-studded lineup, including Usher, Alicia Keys, and Lil Jon. The show was a spectacle of music and dance, with the performers delivering an energetic and entertaining performance.\n"]
以半精度加载模型
发布的检查点以 BF16 格式保存。为了以 BF16/FP16 格式将其加载到 RAM 中,您需要指定 torch_dtype
from transformers import AutoModelForCausalLM
import torch
model = AutoModelForCausalLM.from_pretrained("ai21labs/Jamba-v0.1", torch_dtype=torch.bfloat16)
# you can also use torch_dtype=torch.float16
当使用半精度时,您可以启用 Attention 块的 FlashAttention2 实现。为了使用它,您还需要将模型放在 CUDA 设备上。由于在这种精度下模型太大而无法在单个 80GB GPU 上容纳,因此您还需要使用 accelerate 对其进行并行化
from transformers import AutoModelForCausalLM
import torch
model = AutoModelForCausalLM.from_pretrained("ai21labs/Jamba-v0.1",
torch_dtype=torch.bfloat16,
attn_implementation="flash_attention_2",
device_map="auto")
以 8 位加载模型
**使用 8 位精度,可以在单个 80GB GPU 上容纳多达 140K 序列长度。** 您可以使用 bitsandbytes 轻松地将模型量化为 8 位。为了不降低模型质量,我们建议从量化中排除 Mamba 块
from transformers import AutoModelForCausalLM, BitsAndBytesConfig
quantization_config = BitsAndBytesConfig(load_in_8bit=True, llm_int8_skip_modules=["mamba"])
model = AutoModelForCausalLM.from_pretrained(
"ai21labs/Jamba-v0.1", torch_dtype=torch.bfloat16, attn_implementation="flash_attention_2", quantization_config=quantization_config
)
JambaConfig
class transformers.JambaConfig
< source >( vocab_size = 65536 tie_word_embeddings = False hidden_size = 4096 intermediate_size = 14336 num_hidden_layers = 32 num_attention_heads = 32 num_key_value_heads = 8 hidden_act = 'silu' initializer_range = 0.02 rms_norm_eps = 1e-06 use_cache = True num_logits_to_keep = 1 output_router_logits = False router_aux_loss_coef = 0.001 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 sliding_window = None max_position_embeddings = 262144 attention_dropout = 0.0 num_experts_per_tok = 2 num_experts = 16 expert_layer_period = 2 expert_layer_offset = 1 attn_layer_period = 8 attn_layer_offset = 4 use_mamba_kernels = True mamba_d_state = 16 mamba_d_conv = 4 mamba_expand = 2 mamba_dt_rank = 'auto' mamba_conv_bias = True mamba_proj_bias = False **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 65536) — Jamba 模型的词汇表大小。定义调用 JambaModel 时传递的inputs_ids
可以表示的不同 tokens 的数量 - tie_word_embeddings (
bool
, 可选, 默认为False
) — 模型输入和输出词嵌入是否应该绑定。请注意,这仅在模型具有输出词嵌入层时才相关。 - hidden_size (
int
, 可选, 默认为 4096) — 隐藏层表示的维度。 - intermediate_size (
int
, 可选, 默认为 14336) — MLP 表示的维度。 - num_hidden_layers (
int
, 可选, 默认为 32) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int
, 可选, 默认为 32) — Transformer 编码器中每个注意力层的注意力头的数量。 - num_key_value_heads (
int
, 可选, 默认为 8) — 这是应用于实现分组查询注意力(Grouped Query Attention)的 key_value 头的数量。 如果num_key_value_heads=num_attention_heads
,模型将使用多头注意力(Multi Head Attention, MHA);如果num_key_value_heads=1
,模型将使用多查询注意力(Multi Query Attention, MQA);否则使用 GQA。 当将多头检查点转换为 GQA 检查点时,每个组 key 和 value 头应通过对该组内所有原始头进行均值池化来构建。 有关更多详细信息,请查看 本文。 如果未指定,则默认为8
。 - hidden_act (
str
或function
, 可选, 默认为"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - rms_norm_eps (
float
, 可选, 默认为 1e-06) — rms 归一化层使用的 epsilon 值。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的 key/values 注意力(并非所有模型都使用)。 仅当config.is_decoder=True
时相关。 - num_logits_to_keep (
int
或None
, 可选, 默认为 1) — 生成期间要计算的 prompt logits 的数量。 如果为None
,将计算所有 logits。 如果为整数值,则仅计算最后num_logits_to_keep
个 logits。 默认为 1,因为生成只需要最后一个 prompt token 的 logits。 对于长序列,整个序列的 logits 可能会占用大量内存,因此,设置num_logits_to_keep=1
将显着减少内存占用。 - output_router_logits (
bool
, 可选, 默认为False
) — 模型是否应返回路由器 logits。 启用此功能还将允许模型输出辅助损失。 有关更多详细信息,请参阅 此处 - router_aux_loss_coef (
float
, 可选, 默认为 0.001) — 用于总损失的辅助损失因子。 - pad_token_id (
int
, 可选, 默认为 0) — padding token 的 id。 - bos_token_id (
int
, optional, defaults to 1) — 序列开始 (beginning-of-sequence) 标记的 id,默认为 1。 - eos_token_id (
int
, optional, defaults to 2) — 序列结束 (end-of-sequence) 标记的 id,默认为 2。 - sliding_window (
int
, optional) — 滑动窗口注意力窗口大小。如果未指定,则默认为None
。 - max_position_embeddings (
int
, optional, defaults to 262144) — 此值没有任何实际效果。此模型旨在使用的最大序列长度。它可以与更长的序列一起使用,但性能可能会下降。 - attention_dropout (
float
, optional, defaults to 0.0) — 注意力概率的 dropout 比率,默认为 0.0。 - num_experts_per_tok (
int
, optional, defaults to 2) — 每个 token 要路由的专家数量,也可以解释为top-p
路由参数,默认为 2。 - num_experts (
int
, optional, defaults to 16) — 每个稀疏 MLP 层的专家数量,默认为 16。 - expert_layer_period (
int
, optional, defaults to 2) — 每隔多少层会有一个专家层,默认为每隔 2 层。 - expert_layer_offset (
int
, optional, defaults to 1) — 包含专家 mlp 层的第一个层索引,默认为 1。 - attn_layer_period (
int
, optional, defaults to 8) — 每隔多少层会有一个 vanilla 注意力层,默认为每隔 8 层。 - attn_layer_offset (
int
, optional, defaults to 4) — 包含 vanilla 注意力 mlp 层的第一个层索引,默认为 4。 - use_mamba_kernels (
bool
, optional, defaults toTrue
) — 标志,指示是否使用快速 mamba 内核。仅当安装了mamba-ssm
和causal-conv1d
,并且 mamba 模块在 CUDA 设备上运行时,这些内核才可用。如果为True
且内核不可用,则会引发 ValueError。 - mamba_d_state (
int
, optional, defaults to 16) — mamba 状态空间潜在维度的维度,默认为 16。 - mamba_d_conv (
int
, optional, defaults to 4) — mamba 卷积核的大小,默认为 4。 - mamba_expand (
int
, optional, defaults to 2) — 用于确定 mamba 中间大小的扩展因子(相对于 hidden_size),默认为 2。 - mamba_dt_rank (
Union[int,str]
, optional, defaults to"auto"
) — mamba 离散化投影矩阵的秩。"auto"
表示它将默认为math.ceil(self.hidden_size / 16)
,默认为"auto"
。 - mamba_conv_bias (
bool
, optional, defaults toTrue
) — 标志,指示是否在 mamba 混合器块的卷积层中使用偏置,默认为True
。 - mamba_proj_bias (
bool
, optional, defaults toFalse
) — 标志,指示是否在 mamba 混合器块的输入和输出投影([“in_proj”, “out_proj”])中使用偏置,默认为False
。
这是用于存储 JambaModel 配置的配置类。它用于根据指定的参数实例化 Jamba 模型,定义模型架构。使用默认值实例化配置将产生与 Jamba-v0.1 模型类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 中的文档。
JambaModel
class transformers.JambaModel
< source >( config: JambaConfig )
参数
- config (JambaConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
- config — JambaConfig
裸 Jamba 模型,输出原始隐藏状态,顶部没有任何特定的 head。此模型继承自 PreTrainedModel。查看超类文档,了解库为其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 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解与常规用法和行为相关的所有事项。
由 config.num_hidden_layers 层组成的 Transformer 解码器。每一层都是一个 JambaDecoderLayer
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.models.jamba.modeling_jamba.HybridMambaAttentionDynamicCache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None output_router_logits: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None )
参数
- input_ids (
torch.LongTensor
, 形状为(batch_size, sequence_length)
) — 词汇表中输入序列 token 的索引。如果您提供 padding,默认情况下将忽略 padding。索引可以使用 AutoTokenizer 获得。 有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
, 形状为(batch_size, sequence_length)
, optional) — 掩码,以避免在 padding token 索引上执行注意力机制。掩码值在[0, 1]
中选择:- 1 表示 token 未被掩码,
- 0 表示 token 已被掩码。
索引可以使用 AutoTokenizer 获得。 有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可以选择仅输入最后一个input_ids
(请参见past_key_values
)。如果要更改 padding 行为,则应阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需求进行修改。 有关默认策略的更多信息,请参见 论文 中的图 1。- 1 表示 head 未被掩码,
- 0 表示 head 已被掩码。
- position_ids (
torch.LongTensor
,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.n_positions - 1]
中选择。 - past_key_values (
HybridMambaAttentionDynamicCache
,可选,当传递use_cache=True
或config.use_cache=True
时返回) — 一个HybridMambaAttentionDynamicCache
对象,包含预先计算的隐藏状态(自注意力模块中的键和值,以及 Mamba 模块中的卷积和 SSM 状态),可以用于(参见past_key_values
输入)加速顺序解码。 键和值缓存张量的形状为(batch_size, num_heads, seq_len, head_dim)
。 卷积和 SSM 状态张量的形状分别为(batch_size, d_inner, d_conv)
和(batch_size, d_inner, d_state)
。 有关更多详细信息,请参阅HybridMambaAttentionDynamicCache
类。如果使用
past_key_values
,用户可以选择仅输入最后一次的input_ids
(那些没有为其提供过去的键值状态的模型),形状为(batch_size, 1)
,而不是形状为(batch_size, sequence_length)
的所有input_ids
。 - 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细地控制如何将input_ids
索引转换为关联向量,这将非常有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。 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
。 - output_router_logits (
bool
,可选) — 是否返回所有路由器的 logits。 它们对于计算路由器损失很有用,不应在推理期间返回。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是纯元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,可选) — 描述输入序列 token 在序列中位置的索引。 与position_ids
相反,此张量不受 padding 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。
JambaModel 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
JambaForCausalLM
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.models.jamba.modeling_jamba.HybridMambaAttentionDynamicCache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None output_router_logits: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **loss_kwargs ) → transformers.modeling_outputs.MoeCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列 token 的索引。 如果您提供 padding,默认情况下将被忽略。可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在 padding token 索引上执行注意力的掩码。 在[0, 1]
中选择的掩码值:- 1 表示 token 未被掩蔽,
- 0 表示 token 被掩蔽。
可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可以选择仅输入最后一次的input_ids
(请参阅past_key_values
)。如果要更改 padding 行为,则应阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需要进行修改。 有关默认策略的更多信息,请参见 论文 中的图 1。- 1 表示 head 未被掩蔽,
- 0 表示 head 被掩蔽。
- position_ids (
torch.LongTensor
,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.n_positions - 1]
中选择。 - past_key_values (
HybridMambaAttentionDynamicCache
,可选,当传递use_cache=True
或config.use_cache=True
时返回) — 一个HybridMambaAttentionDynamicCache
对象,包含预先计算的隐藏状态(自注意力模块中的键和值,以及 Mamba 模块中的卷积和 SSM 状态),可以用于(参见past_key_values
输入)加速顺序解码。 键和值缓存张量的形状为(batch_size, num_heads, seq_len, head_dim)
。 卷积和 SSM 状态张量的形状分别为(batch_size, d_inner, d_conv)
和(batch_size, d_inner, d_state)
。 有关更多详细信息,请参阅HybridMambaAttentionDynamicCache
类。如果使用
past_key_values
,用户可以选择仅输入最后一次的input_ids
(那些没有为其提供过去的键值状态的模型),形状为(batch_size, 1)
,而不是形状为(batch_size, sequence_length)
的所有input_ids
。 - 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细地控制如何将input_ids
索引转换为关联向量,这将非常有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。 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
。 - output_router_logits (
bool
,可选) — 是否返回所有路由器的 logits。 它们对于计算路由器损失很有用,不应在推理期间返回。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是纯元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,可选) — 描述输入序列 token 在序列中位置的索引。 与position_ids
相反,此张量不受 padding 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 masked language modeling 损失的标签。 索引应在[0, ..., config.vocab_size]
或 -100 中(请参阅input_ids
docstring)。 索引设置为-100
的 token 将被忽略(掩蔽),损失仅针对标签在[0, ..., config.vocab_size]
中的 token 计算。 - logits_to_keep (
int
或torch.Tensor
, 可选) — 如果是int
,则计算最后logits_to_keep
个 tokens 的 logits。 如果为0
,则计算所有input_ids
的 logits (特殊情况)。 生成只需要最后一个 token 的 logits,并且仅为该 token 计算 logits 可以节省内存,这对于长序列或大型词汇表大小来说非常重要。 如果是torch.Tensor
,则必须是与序列长度维度中要保留的索引相对应的 1D 张量。 这在使用打包张量格式(批次和序列长度的单个维度)时非常有用。
返回
transformers.modeling_outputs.MoeCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MoeCausalLMOutputWithPast
或 torch.FloatTensor
的元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (JambaConfig) 和输入。
-
loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当提供labels
时返回) — 语言建模损失 (用于下一个 token 预测)。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头的预测分数 (SoftMax 之前每个词汇表 token 的分数)。 -
aux_loss (
torch.FloatTensor
, 可选, 当提供labels
时返回) — 稀疏模块的 aux_loss。 -
router_logits (
tuple(torch.FloatTensor)
, 可选, 当传递output_router_probs=True
和config.add_router_probs=True
或当config.output_router_probs=True
时返回) — 形状为(batch_size, sequence_length, num_experts)
的torch.FloatTensor
元组 (每层一个)。MoE 路由器计算的原始路由器 logits (softmax 后),这些项用于计算专家混合模型的辅助损失。
-
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(tuple(torch.FloatTensor))
,其中每个元组具有 2 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 (自注意力模块中的键和值),可以用于(请参阅
past_key_values
输入) 加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (对于嵌入的输出,如果模型具有嵌入层,则为 1 个;对于每层的输出,则为 1 个),形状为(batch_size, sequence_length, hidden_size)
。模型在每层输出的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
JambaForCausalLM forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, JambaForCausalLM
>>> model = JambaForCausalLM.from_pretrained("ai21labs/Jamba-v0.1")
>>> tokenizer = AutoTokenizer.from_pretrained("ai21labs/Jamba-v0.1")
>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."
JambaForSequenceClassification
class transformers.JambaForSequenceClassification
< source >( config )
参数
- config (JambaConfig) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,只加载配置。 查看 from_pretrained() 方法来加载模型权重。
Jamba 模型,顶部带有序列分类头 (线性层)。
JambaForSequenceClassification 使用最后一个 token 进行分类,就像其他因果模型 (例如 GPT-2) 一样。
由于它在最后一个 token 上进行分类,因此需要知道最后一个 token 的位置。 如果在配置中定义了 pad_token_id
,它会找到每行中最后一个不是 padding token 的 token。 如果未定义 pad_token_id
,它只取批次中每行的最后一个值。 由于当传递 inputs_embeds
而不是 input_ids
时,它无法猜测 padding token,因此它执行相同的操作 (取批次中每行的最后一个值)。
此模型继承自 PreTrainedModel。 查看超类文档,了解库为其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、剪枝头等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[transformers.cache_utils.Cache, typing.List[torch.FloatTensor], NoneType] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None )
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 tokens 的索引。 如果您提供 padding,默认情况下将被忽略。索引可以使用 AutoTokenizer 获取。 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.Tensor
, 可选) — 用于避免对 padding token 索引执行注意力的掩码。 在[0, 1]
中选择的掩码值:- 1 表示 未被掩码 的 tokens,
- 0 表示 被掩码 的 tokens。
索引可以使用 AutoTokenizer 获取。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可以选择仅输入最后一个input_ids
(请参阅past_key_values
)。如果您想更改 padding 行为,您应该阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需要进行修改。 有关默认策略的更多信息,请参阅 论文 中的图 1。- 1 表示 head 未被掩码,
- 0 表示 head 被掩码。
- position_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
, 可选) — 位置嵌入中每个输入序列 tokens 的位置索引。 在范围[0, config.n_positions - 1]
中选择。 - past_key_values (
HybridMambaAttentionDynamicCache
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 一个HybridMambaAttentionDynamicCache
对象,包含预先计算的隐藏状态 (自注意力模块中的键和值以及 mamba 模块中的卷积和 ssm 状态),可以用于 (请参阅past_key_values
输入) 加速顺序解码。 键和值缓存张量的形状为(batch_size, num_heads, seq_len, head_dim)
。 卷积和 ssm 状态张量的形状分别为(batch_size, d_inner, d_conv)
和(batch_size, d_inner, d_state)
。 有关更多详细信息,请参阅HybridMambaAttentionDynamicCache
类。如果使用
past_key_values
,用户可以选择仅输入最后一个input_ids
(那些没有将其过去的键值状态提供给此模型的 input_ids) ,形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
, 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
。 如果您想比模型的内部嵌入查找矩阵更精细地控制如何将input_ids
索引转换为关联向量,这将非常有用。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码 (请参阅past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 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
。 - output_router_logits (
bool
, 可选) — 是否返回所有路由器的 logits。 它们对于计算路由器损失很有用,不应在推理期间返回。 - 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) — 描述输入序列 tokens 在序列中位置的索引。 与position_ids
相反,此张量不受 padding 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 (均方损失)。 如果config.num_labels > 1
,则计算分类损失 (交叉熵)。
JambaForSequenceClassification forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。