JetMoe
概述
JetMoe-8B 是由 沈奕康 和 MyShell 开发的 8B 混合专家 (MoE) 语言模型。JetMoe 项目旨在以有限的预算提供具有 LLaMA2 级性能和效率的语言模型。为了实现这一目标,JetMoe 使用了一种受 ModuleFormer 启发的稀疏激活架构。每个 JetMoe 块由两个 MoE 层组成:混合注意力头和混合 MLP 专家。给定输入标记,它会激活其专家的一个子集来处理它们。这种稀疏激活方案使 JetMoe 能够比同等规模的密集模型实现更好的训练吞吐量。JetMoe-8B 的训练吞吐量在 96 个 H100 GPU 的集群上约为每天 1000 亿个标记,采用简单的 3 路管道并行策略。
该模型由 Yikang Shen 贡献。
JetMoeConfig
class transformers.JetMoeConfig
< source >( vocab_size = 32000 hidden_size = 2048 num_hidden_layers = 12 num_key_value_heads = 16 kv_channels = 128 intermediate_size = 5632 max_position_embeddings = 4096 activation_function = 'silu' num_local_experts = 8 num_experts_per_tok = 2 output_router_logits = False aux_loss_coef = 0.01 use_cache = True bos_token_id = 1 eos_token_id = 2 tie_word_embeddings = True rope_theta = 10000.0 rms_norm_eps = 1e-06 initializer_range = 0.01 attention_dropout = 0.0 **kwargs )
参数
- vocab_size (
int
, 可选, 默认值为 32000) — JetMoe 模型的词汇量大小。定义调用 JetMoeModel 时可以由inputs_ids
表示的不同标记数量。 - hidden_size (
int
, 可选, 默认值为 2048) — 隐藏表示的维度。 - num_hidden_layers (
int
, 可选, 默认值为 12) — Transformer 编码器中的隐藏层数量。 - num_key_value_heads (
int
, 可选, 默认值为 16) — Transformer 编码器中每个键和值的注意力头的数量。 - kv_channels (
int
, 可选, 默认值为 128) — 定义键和值张量的通道数。 - intermediate_size (
int
, 可选, 默认值为 5632) — MLP 表示的维度。 - max_position_embeddings (
int
, 可选, 默认为 4096) — 该模型可能用到的最大序列长度。JetMoe 的注意力机制允许序列长度达到 4096 个 token。 - activation_function (
string
, 可选, 默认为"silu"
) — 定义 MLP 专家使用的激活函数。 - num_local_experts (
int
, 可选, 默认为 8) — 定义 MoE 和 MoA 中的专家数量。 - num_experts_per_tok (`int, 可选, 默认为 2) — 每个 token 以及 MoE 和 MoA 中路由的专家数量。
- output_router_logits (
bool
, 可选, 默认为False
) — 是否应由模型返回路由 logits。启用此选项也将允许模型输出辅助损失。 - aux_loss_coef (
float
, 可选, 默认为 0.01) — 辅助损失的系数。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应该返回最后键值注意力(并非所有模型都使用)。仅当config.is_decoder=True
时才相关。 - bos_token_id (
int
, 可选, 默认为 1) — “序列开始”标记的 ID。 - eos_token_id (
int
, 可选, 默认为 2) — “序列结束”标记的 ID。 - tie_word_embeddings (
bool
, 可选, 默认为True
) — 模型的输入和输出词嵌入是否应该绑定。 - initializer_range (
float
, 可选, 默认为 0.01) — 初始化所有权重矩阵的截断正态分布初始化器的标准差。 - attention_dropout (
float
, 可选, 默认为 0.0) — 注意力概率的 dropout 率。
这是用于存储 JetMoeModel 配置的配置类。它用于根据指定的参数实例化 JetMoe 模型,定义模型架构。使用默认值实例化配置将生成 JetMoe-4B 的配置。
配置对象继承自 PretrainedConfig 并且可以用于控制模型输出。阅读 PretrainedConfig 中的文档以获取更多信息。
>>> from transformers import JetMoeModel, JetMoeConfig
>>> # Initializing a JetMoe 4B style configuration
>>> configuration = JetMoeConfig()
>>> # Initializing a model from the JetMoe 4B style configuration
>>> model = JetMoeModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
JetMoeModel
class transformers.JetMoeModel
< 源代码 >( config: JetMoeConfig )
参数
- config (JetMoeConfig) — 模型的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,只会加载配置。查看 from_pretrained() 方法以加载模型权重。 config — JetMoeConfig
没有特定头部顶部的基本 JetMoe 模型,输出原始隐藏状态。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般用法和行为的所有事项。
包含 config.num_hidden_layers 层的 Transformer 解码器。每层都是一个 JetMoeBlock
forward
< 源代码 > ( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Union = 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({0})
) — 词汇表中输入序列标记的索引。可以使用
AutoProcenizer
获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - inputs_embeds (
torch.FloatTensor
形状为({0}, hidden_dim)
, 可选) — 可选地,除了传递input_ids
之外,您还可以选择直接传递嵌入表示。如果您希望对如何将 input_ids 索引转换为关联向量(而不是模型的内部嵌入查找矩阵)进行更多控制,这将很有用。 - 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
。 - 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,在推理期间不应返回它们。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。 - 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。
The JetMoeModel forward method, overrides the __call__
special method.
虽然前向传递的配方需要在此函数中定义,但应之后调用 Module
实例,而不是调用此函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
JetMoeForCausalLM
forward
< 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: int = 0 ) → transformers.modeling_outputs.MoeCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为({0})
) — 输入序列词元的词典索引。可以使用
AutoProcenizer
获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - 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]
内:- 1 表示未掩码的词元,
- 0 表示掩码的词元。
- 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。选择在[0, config.n_positions - 1]
范围内。 - inputs_embeds (
torch.FloatTensor
形状为({0}, hidden_dim)
, 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进行更多控制(而不是模型的内部嵌入查找矩阵),这将很有用。 - 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,请参见返回张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参见返回张量中的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,在推断期间不应返回。 - 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) — 表示输入序列标记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。它用于在正确位置更新缓存并推断完整的序列长度。参数 — labels (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选): 用于计算掩码语言建模损失的标签。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
的标记将被忽略(掩码),损失仅针对标签位于[0, ..., config.vocab_size]
的标记进行计算。num_logits_to_keep (
int
, 可选): 计算最后num_logits_to_keep
个标记的 logits。如果为0
,则计算所有input_ids
的 logits(特殊情况)。生成仅需要最后一个标记的 logits,并且仅针对该标记计算它们可以节省内存,这对长序列或大词汇量来说非常重要。
返回值
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 config.return_dict=False
),其中包含取决于配置 (JetMoeConfig) 和输入的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 在提供labels
时返回) — 语言建模损失(用于下一个标记预测)。 -
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 之前的每个词汇标记的分数)。 -
aux_loss (
torch.FloatTensor
, 可选, 在提供labels
时返回) — 稀疏模块的辅助损失。 -
router_logits (
tuple(torch.FloatTensor)
, 可选, 在传递output_router_probs=True
和config.add_router_probs=True
或config.output_router_probs=True
时返回) —torch.FloatTensor
的元组(每层一个),形状为(batch_size, sequence_length, num_experts)
。由 MoE 路由器计算的原始路由器 logits(softmax 后),这些项用于计算混合专家模型的辅助损失。
-
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 在传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
的元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。包含预先计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入的输出,如果模型具有嵌入层,再加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 在传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),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。
The JetMoeForCausalLM 前向方法,覆盖了 __call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但应之后调用 Module
实例,而不是调用此函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
JetMoeForSequenceClassification
class transformers.JetMoeForSequenceClassification
< source >( config )
参数
- config (JetMoeConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
带有序列分类头的 JetMoe 模型转换器(线性层)。
JetMoeForSequenceClassification 使用最后一个标记来进行分类,就像其他因果模型(例如 GPT-2)一样。
由于它对最后一个标记进行分类,因此需要知道最后一个标记的位置。如果在配置中定义了 pad_token_id
,它会找到每行中不是填充标记的最后一个标记。如果没有定义 pad_token_id
,它只会简单地获取批处理中每行的最后一个值。由于它无法在传递 inputs_embeds
而不是 input_ids
时猜测填充标记,因此它也会执行相同的操作(获取批处理中每行的最后一个值)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解所有与一般使用和行为相关的事宜。
forward
< source > ( 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({0})
) — 词汇表中输入序列标记的索引。索引可以使用
AutoProcenizer
获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - attention_mask (
torch.FloatTensor
形状为({0})
,可选) — 用于避免对填充标记索引执行注意力的掩码。在[0, 1]
中选择的掩码值:- 1 表示未掩码的标记,
- 0 表示掩码的标记。
- position_ids (
torch.LongTensor
形状为({0})
,可选) — 每个输入序列标记在位置嵌入中的位置索引。在[0, config.n_positions - 1]
范围内选择。 - inputs_embeds (
torch.FloatTensor
形状为({0}, hidden_dim)
,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
。如果您想对如何将 input_ids 索引转换为关联向量进行更多控制,而不是模型的内部嵌入查找矩阵,这将非常有用。 - 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
。 - output_router_logits (
bool
,可选) — 是否返回所有路由器的 logits。它们可用于计算路由器损失,在推理过程中不应返回。 - 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) — 用于描述输入序列标记在序列中的位置的索引。与position_ids
不同,该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,)
,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)。
The JetMoeForSequenceClassification forward method, overrides the __call__
special method.
虽然前向传递的配方需要在此函数中定义,但应之后调用 Module
实例,而不是调用此函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。