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。虽然最初的实验显示出令人鼓舞的收益，但我们预计通过未来的优化和探索，这些收益将得到进一步增强。
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 是一个预训练的专家混合 (MoE) 生成文本模型，具有 120 亿个活动参数，以及所有专家中总共 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 token。
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 Mamba 层，后跟一个多层感知器 (MLP)，从而产生 Transformer 层与总层数之比为八分之一。
用法
先决条件
Jamba 要求您使用 transformers 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著降低。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。为了将其以 BF16/FP16 格式加载到 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，模型太大而无法容纳在单个 80GB GPU 上，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 上容纳高达 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 token 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) — 这是应该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），否则将使用 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平均池化来构建。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将显著减少内存占用。 - output_router_logits (
bool, 可选，默认为False) — 模型是否应返回 router 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) — 总损失的辅助损失系数。 - pad_token_id (
int, 可选，默认为 0) — padding token 的 id。 - bos_token_id (
int, 可选，默认为 1) — “sequence-of-sequence” token 的 id。 - eos_token_id (
int, 可选，默认为 2) — “end-of-sequence” token 的 id。 - sliding_window (
int, 可选) — 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, 可选，默认为 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, 可选，默认为 0.0) — 注意力概率的 dropout 比率。 - num_experts_per_tok (
int, 可选，默认为 2) — 每个 token 要路由的专家数量，也可以解释为top-p路由参数 - num_experts (
int, 可选, 默认为 16) — 每个稀疏 MLP 层的专家数量。 - expert_layer_period (
int, 可选, 默认为 2) — 每隔多少层会有一个专家层 - expert_layer_offset (
int, 可选, 默认为 1) — 包含专家 MLP 层的第一个层索引 - attn_layer_period (
int, 可选, 默认为 8) — 每隔多少层会有一个香草注意力层 - attn_layer_offset (
int, 可选, 默认为 4) — 包含香草注意力 MLP 层的第一个层索引 - use_mamba_kernels (
bool, 可选, 默认为True) — 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, 可选, 默认为 16) — Mamba 状态空间潜在变量的维度 - mamba_d_conv (
int, 可选, 默认为 4) — Mamba 卷积核的大小 - mamba_expand (
int, 可选, 默认为 2) — 用于确定 Mamba 中间大小的扩展因子（相对于 hidden_size） - mamba_dt_rank (
Union[int,str], 可选, 默认为"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) - mamba_conv_bias (
bool, 可选, 默认为True) — 标志，指示是否在 Mamba 混合器模块的卷积层中使用偏置。 - mamba_proj_bias (
bool, 可选, 默认为False) — 标志，指示是否在 Mamba 混合器模块的输入和输出投影（[“in_proj”, “out_proj”]）中使用偏置
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) — 带有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，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头部。 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、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
Transformer 解码器，由 config.num_hidden_layers 层组成。 每层都是一个 JambaDecoderLayer
前向传播
< source >( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None output_router_logits: Optional = None return_dict: Optional = None cache_position: Optional = None )
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。 如果您提供填充，默认情况下将被忽略。索引可以使用 AutoTokenizer 获得。 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) — 掩码，以避免在填充标记索引上执行注意力机制。 在[0, 1]中选择的掩码值：- 1 表示标记未被掩码，
- 0 表示标记已被掩码。
索引可以使用 AutoTokenizer 获得。 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）。如果您想更改填充行为，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 表示头部未被掩码，
- 0 表示头部已被掩码。
- 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。 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，其中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），这些状态可用于加速顺序解码（请参阅past_key_values输入）。 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，则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）的形状为(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）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索引转换为关联的向量，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，请参见返回张量下的attentions。 - output_hidden_states (
bool, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states。 - output_router_logits (
bool, optional) — 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, optional) — 是否返回 ModelOutput 而不是普通的元组。 - cache_position (
torch.LongTensor, 形状为(sequence_length), optional) — 索引，描述输入序列 token 在序列中的位置。 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，重写了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
JambaForCausalLM
前向传播
< source >( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None output_router_logits: Optional = None return_dict: Optional = None cache_position: Optional = None num_logits_to_keep: Optional = None ) → 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。 默认情况下，如果您提供 padding，则会忽略 padding。索引可以使用 AutoTokenizer 获得。 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), optional) — Mask，用于避免在 padding token 索引上执行 attention。 Mask 值在[0, 1]中选择：- 1 表示 token 未被 mask，
- 0 表示 token 已被 mask。
索引可以使用 AutoTokenizer 获得。 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 mask，
- 0 表示 head 已被 mask。
- position_ids (
torch.LongTensor, 形状为(batch_size, sequence_length), optional) — 每个输入序列 token 在位置嵌入中的位置索引。 在[0, config.n_positions - 1]范围内选择。 - past_key_values (
HybridMambaAttentionDynamicCache, optional, 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），可以用于加速顺序解码（参见past_key_values输入）。 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），形状为(batch_size, 1)，而不是所有形状为(batch_size, sequence_length)的input_ids。 - inputs_embeds (
torch.FloatTensor, 形状为(batch_size, sequence_length, hidden_size), optional) — 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, optional) — 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（参见past_key_values）。 - output_attentions (
bool, optional) — 是否返回所有 attention 层的 attention 张量。 更多细节请查看返回张量下的attentions。 - output_hidden_states (
bool, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states。 - output_router_logits (
bool, optional) — 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, optional) — 是否返回 ModelOutput 而不是普通的元组。 - cache_position (
torch.LongTensor, 形状为(sequence_length), optional) — 索引，描述输入序列 token 在序列中的位置。 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。Args — labels (
torch.LongTensor, 形状为(batch_size, sequence_length), optional): 用于计算 masked language modeling loss 的标签。 索引应为[0, ..., config.vocab_size]或 -100（参见input_ids文档字符串）。 索引设置为-100的 token 将被忽略（masked），loss 仅针对标签在[0, ..., config.vocab_size]中的 token 计算。num_logits_to_keep (
int或None, optional): 计算最后num_logits_to_keep个 token 的 logits。 如果为None，则计算所有input_ids的 logits。 只有最后一个 token logits 是生成所需的，并且仅针对该 token 计算它们可以节省内存，这对于长序列来说变得非常重要。
返回值
transformers.modeling_outputs.MoeCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MoeCausalLMOutputWithPast 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (JambaConfig) 和输入。
-
loss (
torch.FloatTensor, 形状为(1,), optional, 当提供labels时返回) — 语言建模损失（用于下一个 token 预测）。 -
logits (
torch.FloatTensor, 形状为(batch_size, sequence_length, config.vocab_size)) — 语言建模 head 的预测分数（SoftMax 之前每个词汇表 token 的分数）。 -
aux_loss (
torch.FloatTensor, optional, 当提供labels时返回) — 稀疏模块的 aux_loss。 -
router_logits (
tuple(torch.FloatTensor), optional, 当传递output_router_probs=True和config.add_router_probs=True或当config.output_router_probs=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, sequence_length, num_experts)。MoE 路由器计算的原始路由器 logits（后 softmax），这些项用于计算 Mixture of Experts 模型的辅助损失。
-
past_key_values (
tuple(tuple(torch.FloatTensor)), optional, 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），可以用于加速顺序解码（参见
past_key_values输入）。 -
hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（对于嵌入的输出，如果模型有嵌入层，则为一个；对于每层的输出，则为一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出的隐藏状态，以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), optional, 当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。attention softmax 之后的 attention 权重，用于计算自注意力 head 中的加权平均值。
JambaForCausalLM 的 forward 方法，重写了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
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
< 源码 >( config )
参数
- config (JambaConfig) — 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相关的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。
带有序列分类头的 Jamba 模型（线性层）。
JambaForSequenceClassification 使用最后一个 token 来进行分类，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，它将查找每行中最后一个不是 padding token 的 token。如果未定义 pad_token_id，它将简单地取每行批次中的最后一个值。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（取每行批次的最后一个值）。
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 文档以了解与常规用法和行为相关的所有事项。
前向传播
< 源码 >( input_ids: Optional = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Union = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) — 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 获得。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) — 掩码，用于避免在 padding token 索引上执行 attention。掩码值在[0, 1]中选择：- 1 表示 token 未被掩盖，
- 0 表示 token 已被掩盖。
索引可以使用 AutoTokenizer 获得。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的input_ids（请参阅past_key_values）。如果您想更改 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 未被掩盖，
- 0 表示 head 已被掩盖。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列 token 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），这些隐藏状态可用于加速顺序解码（请参阅past_key_values输入）。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，请参见HybridMambaAttentionDynamicCache类。如果使用
past_key_values，用户可以选择仅输入最后的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）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好地控制如何将input_ids索引转换为关联的向量，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 attention 层的 attention 张量。有关更多详细信息，请参见返回张量下的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，请参见返回张量下的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 而不是普通的元组。 - cache_position (
torch.LongTensor，形状为(sequence_length)，可选) — 索引，描述输入序列 tokens 在序列中的位置。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,)，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（交叉熵损失）。
JambaForSequenceClassification 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中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。