MarkupLM
概述
MarkupLM 模型由 Junlong Li、Yiheng Xu、Lei Cui、Furu Wei 在 MarkupLM: Pre-training of Text and Markup Language for Visually-rich Document Understanding 中提出。MarkupLM 是 BERT,但应用于 HTML 页面而不是纯文本文档。该模型包含了额外的嵌入层以提高性能,类似于 LayoutLM。
该模型可用于网页问答或网页信息提取等任务。它在两个重要基准测试中获得了最先进的结果。
论文的摘要如下:
使用文本、布局和图像进行多模态预训练在视觉丰富文档理解 (VrDU) 方面取得了重大进展,尤其是扫描文档图像等固定布局文档。然而,仍然存在大量数字文档,其中布局信息不是固定的,需要交互式和动态渲染以供可视化,这使得现有的基于布局的预训练方法难以应用。在本文中,我们提出了 MarkupLM,用于使用标记语言作为骨干的文档理解任务,例如基于 HTML/XML 的文档,其中文本和标记信息被联合预训练。实验结果表明,预训练的 MarkupLM 在多个文档理解任务上明显优于现有的强大基线模型。预训练的模型和代码将公开提供。
该模型由 nielsr 贡献。原始代码可以在这里找到 here。
使用技巧
- 除了
input_ids
之外,forward() 还需要两个额外的输入,分别是xpath_tags_seq
和xpath_subs_seq
。这些分别是输入序列中每个标记的 XPATH 标签和下标。 - 可以使用 MarkupLMProcessor 为模型准备所有数据。有关更多信息,请参阅 使用指南。
使用:MarkupLMProcessor
为模型准备数据的最简单方法是使用 MarkupLMProcessor,它在内部结合了特征提取器 (MarkupLMFeatureExtractor) 和分词器 (MarkupLMTokenizer 或 MarkupLMTokenizerFast)。特征提取器用于从 HTML 字符串中提取所有节点和 xpath,然后将其提供给分词器,分词器将其转换为模型的标记级别输入 (input_ids
等)。请注意,如果您只想处理这两项任务中的其中一项,您仍然可以分别使用特征提取器和分词器。
from transformers import MarkupLMFeatureExtractor, MarkupLMTokenizerFast, MarkupLMProcessor
feature_extractor = MarkupLMFeatureExtractor()
tokenizer = MarkupLMTokenizerFast.from_pretrained("microsoft/markuplm-base")
processor = MarkupLMProcessor(feature_extractor, tokenizer)
简而言之,可以将 HTML 字符串(以及可能的其他数据)提供给 MarkupLMProcessor,它将创建模型所需的输入。在内部,处理器首先使用 MarkupLMFeatureExtractor 获取节点和对应 xpath 的列表。然后将节点和 xpath 提供给 MarkupLMTokenizer 或 MarkupLMTokenizerFast,它们将其转换为标记级别的 input_ids
、attention_mask
、token_type_ids
、xpath_subs_seq
、xpath_tags_seq
。可以选择将节点标签提供给处理器,这些标签将转换为标记级别的 labels
。
MarkupLMFeatureExtractor 在幕后使用 Beautiful Soup,这是一个用于从 HTML 和 XML 文件中提取数据的 Python 库。请注意,您仍然可以使用自己的首选解析解决方案,并将节点和 xpath 自行提供给 MarkupLMTokenizer 或 MarkupLMTokenizerFast。
总共有 5 种处理器支持的用例。下面,我们列出所有用例。请注意,这些用例中的每一个都适用于批量和非批量输入(我们针对非批量输入进行说明)。
用例 1:网页分类 (训练、推理) + 标记分类 (推理),parse_html = True
这是最简单的用例,其中处理器将使用特征提取器从 HTML 中获取所有节点和 xpath。
>>> from transformers import MarkupLMProcessor
>>> processor = MarkupLMProcessor.from_pretrained("microsoft/markuplm-base")
>>> html_string = """
... <!DOCTYPE html>
... <html>
... <head>
... <title>Hello world</title>
... </head>
... <body>
... <h1>Welcome</h1>
... <p>Here is my website.</p>
... </body>
... </html>"""
>>> # note that you can also add provide all tokenizer parameters here such as padding, truncation
>>> encoding = processor(html_string, return_tensors="pt")
>>> print(encoding.keys())
dict_keys(['input_ids', 'token_type_ids', 'attention_mask', 'xpath_tags_seq', 'xpath_subs_seq'])
用例 2:网页分类 (训练、推理) + 标记分类 (推理),parse_html=False
如果已经获得了所有节点和 xpath,则不需要特征提取器。在这种情况下,应将节点和相应的 xpath 本身提供给处理器,并确保将 parse_html
设置为 False
。
>>> from transformers import MarkupLMProcessor
>>> processor = MarkupLMProcessor.from_pretrained("microsoft/markuplm-base")
>>> processor.parse_html = False
>>> nodes = ["hello", "world", "how", "are"]
>>> xpaths = ["/html/body/div/li[1]/div/span", "/html/body/div/li[1]/div/span", "html/body", "html/body/div"]
>>> encoding = processor(nodes=nodes, xpaths=xpaths, return_tensors="pt")
>>> print(encoding.keys())
dict_keys(['input_ids', 'token_type_ids', 'attention_mask', 'xpath_tags_seq', 'xpath_subs_seq'])
用例 3:标记分类 (训练),parse_html=False
对于标记分类任务(例如 SWDE),还可以提供相应的节点标签以训练模型。然后,处理器将将其转换为标记级别的 labels
。默认情况下,它只会标记一个单词的第一个词片,并将剩余的词片标记为 -100,这是 PyTorch 的 CrossEntropyLoss 的 ignore_index
。如果您希望标记一个单词的所有词片,可以将 only_label_first_subword
设置为 False
初始化分词器。
>>> from transformers import MarkupLMProcessor
>>> processor = MarkupLMProcessor.from_pretrained("microsoft/markuplm-base")
>>> processor.parse_html = False
>>> nodes = ["hello", "world", "how", "are"]
>>> xpaths = ["/html/body/div/li[1]/div/span", "/html/body/div/li[1]/div/span", "html/body", "html/body/div"]
>>> node_labels = [1, 2, 2, 1]
>>> encoding = processor(nodes=nodes, xpaths=xpaths, node_labels=node_labels, return_tensors="pt")
>>> print(encoding.keys())
dict_keys(['input_ids', 'token_type_ids', 'attention_mask', 'xpath_tags_seq', 'xpath_subs_seq', 'labels'])
用例 4:网页问答 (推理),parse_html=True
对于网页上的问答任务,可以将问题提供给处理器。默认情况下,处理器将使用特征提取器获取所有节点和 xpath,并创建 [CLS] 问题标记 [SEP] 词标记 [SEP]。
>>> from transformers import MarkupLMProcessor
>>> processor = MarkupLMProcessor.from_pretrained("microsoft/markuplm-base")
>>> html_string = """
... <!DOCTYPE html>
... <html>
... <head>
... <title>Hello world</title>
... </head>
... <body>
... <h1>Welcome</h1>
... <p>My name is Niels.</p>
... </body>
... </html>"""
>>> question = "What's his name?"
>>> encoding = processor(html_string, questions=question, return_tensors="pt")
>>> print(encoding.keys())
dict_keys(['input_ids', 'token_type_ids', 'attention_mask', 'xpath_tags_seq', 'xpath_subs_seq'])
用例 5:网页问答(推理),parse_html=False
对于问答任务(如 WebSRC),你可以向处理器提供一个问题。如果你已经自己提取了所有节点和 xpath,你可以直接将它们提供给处理器。确保将 parse_html
设置为 False
。
>>> from transformers import MarkupLMProcessor
>>> processor = MarkupLMProcessor.from_pretrained("microsoft/markuplm-base")
>>> processor.parse_html = False
>>> nodes = ["hello", "world", "how", "are"]
>>> xpaths = ["/html/body/div/li[1]/div/span", "/html/body/div/li[1]/div/span", "html/body", "html/body/div"]
>>> question = "What's his name?"
>>> encoding = processor(nodes=nodes, xpaths=xpaths, questions=question, return_tensors="pt")
>>> print(encoding.keys())
dict_keys(['input_ids', 'token_type_ids', 'attention_mask', 'xpath_tags_seq', 'xpath_subs_seq'])
资源
MarkupLMConfig
class transformers.MarkupLMConfig
< 源代码 >( vocab_size = 30522 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 512 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 0 bos_token_id = 0 eos_token_id = 2 max_xpath_tag_unit_embeddings = 256 max_xpath_subs_unit_embeddings = 1024 tag_pad_id = 216 subs_pad_id = 1001 xpath_unit_hidden_size = 32 max_depth = 50 position_embedding_type = 'absolute' use_cache = True classifier_dropout = None **kwargs )
参数
- vocab_size (
int
, 可选,默认值为 30522) — MarkupLM 模型的词汇量。定义了可以由传递给 MarkupLMModel 的 forward 方法的 inputs_ids 表示的不同令牌。 - hidden_size (
int
, 可选,默认值为 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int
, 可选,默认值为 12) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选,默认值为 12) — Transformer 编码器中每个注意力层的注意力头数。 - intermediate_size (
int
, 可选,默认值为 3072) — Transformer 编码器中“中间”(即前馈)层的维度。 - hidden_act (
str
或function
, 可选,默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - hidden_dropout_prob (
float
, 可选,默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。 - attention_probs_dropout_prob (
float
, 可选,默认为 0.1) — 注意概率的丢弃率。 - max_position_embeddings (
int
, 可选,默认为 512) — 此模型可能使用的最大序列长度。通常将其设置为一个较大的值,以防万一(例如,512 或 1024 或 2048)。 - type_vocab_size (
int
, 可选,默认为 2) — 传递到 MarkupLMModel 的token_type_ids
的词汇量。 - initializer_range (
float
, 可选,默认为 0.02) — 初始化所有权重矩阵的截断正态初始化的标准差。 - layer_norm_eps (
float
, 可选,默认为 1e-12) — 层归一化层使用的 epsilon。 - max_tree_id_unit_embeddings (
int
, 可选,默认为 1024) — 树 ID 单位嵌入可能使用的最大值。通常将其设置为一个较大的值,以防万一(例如,1024)。 - max_xpath_tag_unit_embeddings (
int
, 可选,默认为 256) — xpath 标签单位嵌入可能使用的最大值。通常将其设置为一个较大的值,以防万一(例如,256)。 - max_xpath_subs_unit_embeddings (
int
, 可选,默认为 1024) — xpath 下标单位嵌入可能使用的最大值。通常将其设置为一个较大的值,以防万一(例如,1024)。 - xpath_tag_unit_hidden_size (
int
, 可选, 默认值 32) — 每个树 ID 单元的隐藏大小。一个完整的树索引将具有 (50*xpath_tag_unit_hidden_size)-dim。 - max_depth (
int
, 可选, 默认值 50) — xpath 中的最大深度。
这是用于存储 MarkupLMModel 配置的配置类。它用于根据指定的参数实例化一个 MarkupLM 模型,定义模型架构。使用默认值实例化配置将产生与 MarkupLM microsoft/markuplm-base 架构类似的配置。
配置对象继承自 BertConfig,可用于控制模型输出。阅读 BertConfig 的文档以了解更多信息。
示例
>>> from transformers import MarkupLMModel, MarkupLMConfig
>>> # Initializing a MarkupLM microsoft/markuplm-base style configuration
>>> configuration = MarkupLMConfig()
>>> # Initializing a model from the microsoft/markuplm-base style configuration
>>> model = MarkupLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
MarkupLMFeatureExtractor
构造一个 MarkupLM 特征提取器。这可以用于从 HTML 字符串中获取节点列表和对应的 xpath。
此特征提取器继承自 PreTrainedFeatureExtractor()
,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。
__call__
< 源代码 > ( html_strings ) → BatchFeature
准备模型一个或多个 HTML 字符串的主要方法。
示例
>>> from transformers import MarkupLMFeatureExtractor
>>> page_name_1 = "page1.html"
>>> page_name_2 = "page2.html"
>>> page_name_3 = "page3.html"
>>> with open(page_name_1) as f:
... single_html_string = f.read()
>>> feature_extractor = MarkupLMFeatureExtractor()
>>> # single example
>>> encoding = feature_extractor(single_html_string)
>>> print(encoding.keys())
>>> # dict_keys(['nodes', 'xpaths'])
>>> # batched example
>>> multi_html_strings = []
>>> with open(page_name_2) as f:
... multi_html_strings.append(f.read())
>>> with open(page_name_3) as f:
... multi_html_strings.append(f.read())
>>> encoding = feature_extractor(multi_html_strings)
>>> print(encoding.keys())
>>> # dict_keys(['nodes', 'xpaths'])
MarkupLMTokenizer
class transformers.MarkupLMTokenizer
< 源代码 >( vocab_file merges_file tags_dict errors = 'replace' bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' add_prefix_space = False max_depth = 50 max_width = 1000 pad_width = 1001 pad_token_label = -100 only_label_first_subword = True **kwargs )
参数
- vocab_file (
str
) — 词汇表文件路径。 - merges_file (
str
) — 合并文件路径。 - errors (
str
, 可选, 默认值为"replace"
) — 解码字节到 UTF-8 时采用的策略。详情请参考 bytes.decode。 - bos_token (
str
, 可选, 默认值为"<s>"
) — 在预训练过程中使用的序列起始标记。可用于序列分类标记。 - eos_token (
str
, 可选, 默认值为"</s>"
) — 序列结束标记。 - sep_token (
str
, 可选, 默认值为"</s>"
) — 分隔标记,用于从多个序列构建单个序列,例如用于序列分类的两个序列,或用于问答的文本和问题。它也是使用特殊标记构建的序列的最后一个标记。 - cls_token (
str
, 可选, 默认值为"<s>"
) — 分类标记,用于执行序列分类(对整个序列进行分类,而不是对每个标记进行分类)。它是在使用特殊标记构建序列时的第一个标记。 - unk_token (
str
, 可选, 默认值为"<unk>"
) — 未知标记。词汇表中不存在的标记无法转换为 ID,因此设置为此标记。 - pad_token (
str
, optional, defaults to"<pad>"
) — 用于填充的标记,例如在对不同长度的序列进行批处理时。 - mask_token (
str
, optional, defaults to"<mask>"
) — 用于屏蔽值的标记。这是在使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。 - add_prefix_space (
bool
, optional, defaults toFalse
) — 是否在输入中添加前缀空格。这允许像对待其他单词一样对待第一个单词。(RoBERTa 标记器通过前面的空格检测单词的开头)。
构造一个 MarkupLM 标记器。基于字节级字节对编码 (BPE)。MarkupLMTokenizer 可用于将 HTML 字符串转换为令牌级 input_ids
、attention_mask
、token_type_ids
、xpath_tags_seq
和 xpath_tags_seq
。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,从序列或一对序列为序列分类任务构建模型输入。RoBERTa 序列具有以下格式
- 单个序列:
<s> X </s>
- 一对序列:
<s> A </s></s> B </s>
get_special_tokens_mask
< source > ( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
参数
- Retrieve 从没有添加特殊标记的标记列表中检索序列 ID。当添加 —
- special 使用标记器
prepare_for_model
方法的标记。 — token_ids_0 (List[int]
): ID 列表。 token_ids_1 (List[int]
, optional): 序列对的可选第二个 ID 列表。 already_has_special_tokens (bool
, optional, defaults toFalse
): 标记列表是否已使用模型的特殊标记进行格式化。
返回值
List[int]
范围在 [0, 1] 内的整数列表:特殊标记为 1,序列标记为 0。
create_token_
< source > ( token_ids_0: List token_ids_1: Optional = None ) → List[int]
从传递的两个序列中创建一个掩码,用于序列对分类任务。RoBERTa 不使用令牌类型 ID,因此返回一个零列表。
MarkupLMTokenizerFast
class transformers.MarkupLMTokenizerFast
< source >( vocab_file merges_file tags_dict tokenizer_file = None errors = 'replace' bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '<unk>' pad_token = '<pad>' mask_token = '<mask>' add_prefix_space = False max_depth = 50 max_width = 1000 pad_width = 1001 pad_token_label = -100 only_label_first_subword = True trim_offsets = False **kwargs )
参数
- vocab_file (
str
) — 词汇表文件路径。 - merges_file (
str
) — 合并文件路径。 - eos_token (
str
, optional, defaults to"</s>"
) — 序列结束标记。在使用特殊标记构建序列时,这不是用于序列结束的标记。使用的标记是
sep_token
。 - sep_token (
str
, optional, defaults to"</s>"
) — 分隔符标记,用于从多个序列构建序列,例如用于序列分类的两个序列,或者用于问答的文本和问题。它也用作使用特殊标记构建的序列的最后一个标记。 - cls_token (
str
, optional, defaults to"<s>"
) — 当执行序列分类(对整个序列进行分类而不是对每个标记进行分类)时使用的分类标记。它是使用特殊标记构建的序列的第一个标记。 - unk_token (
str
, optional, defaults to"<unk>"
) — 未知标记。不在词汇表中的标记无法转换为 ID,而是设置为此标记。 - pad_token (
str
, optional, defaults to"<pad>"
) — 用于填充的标记,例如在对不同长度的序列进行批处理时。 - mask_token (
str
, optional, defaults to"<mask>"
) — 用于掩蔽值的标记。这是在使用掩蔽语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。 - add_prefix_space (
bool
, optional, defaults toFalse
) — 是否在输入开头添加空格。这允许将前导词与其他任何词一样对待。(RoBERTa 标记器通过前面的空格检测单词的开头)。
构建 MarkupLM 标记器。基于字节级字节对编码(BPE)。
MarkupLMTokenizerFast 可用于将 HTML 字符串转换为标记级 input_ids
、attention_mask
、token_type_ids
、xpath_tags_seq
和 xpath_tags_seq
。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。
batch_encode_plus
< 源代码 > ( batch_text_or_text_pairs: Union is_pair: bool = None xpaths: Optional = None node_labels: Union = None add_special_tokens: bool = True padding: Union = False truncation: Union = None max_length: Optional = None stride: int = 0 pad_to_multiple_of: Optional = None return_tensors: Union = None return_token_type_ids: Optional = None return_attention_mask: Optional = None return_overflowing_tokens: bool = False return_special_tokens_mask: bool = False return_offsets_mapping: bool = False return_length: bool = False verbose: bool = True **kwargs )
add_special_tokens (bool
, 可选, 默认值为 True
): 是否在编码序列时添加特殊标记。这将使用底层的 PretrainedTokenizerBase.build_inputs_with_special_tokens
函数,该函数定义了哪些标记会自动添加到输入 ID 中。如果您想自动添加 bos
或 eos
标记,这将很有用。padding (bool
, str
或 PaddingStrategy, 可选, 默认值为 False
): 激活并控制填充。接受以下值
True
或'longest'
: 填充到批次中最长的序列(如果只提供一个序列,则不填充)。'max_length'
: 填充到使用max_length
参数指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。False
或'do_not_pad'
(默认): 不填充(即,可以输出具有不同长度序列的批次)。truncation (bool
,str
或 TruncationStrategy, 可选, 默认值为False
): 激活并控制截断。接受以下值True
或'longest_first'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将逐个标记进行截断,从对中最长的序列中删除一个标记。'only_first'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将只截断对中的第一个序列。'only_second'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将只截断对中的第二个序列。False
或'do_not_truncate'
(默认): 不截断(即,可以输出序列长度大于模型最大可接受输入大小的批次)。max_length (int
, 可选): 控制截断/填充参数使用的最大长度。
如果未设置或设置为 None
,这将使用预定义的模型最大长度(如果截断/填充参数需要最大长度)。如果模型没有特定的最大输入长度(如 XLNet),则将停用截断/填充到最大长度。stride (int
, 可选, 默认值为 0): 如果与 max_length
一起设置为一个数字,则当 return_overflowing_tokens=True
时返回的溢出标记将包含来自截断序列末尾的一些标记,以便在截断序列和溢出序列之间提供一些重叠。此参数的值定义了重叠标记的数量。is_split_into_words (bool
, 可选, 默认值为 False
): 输入是否已预先标记(例如,拆分为单词)。如果设置为 True
,则标记器假设输入已拆分为单词(例如,通过在空格处拆分),它将对这些单词进行标记。这对于 NER 或标记分类很有用。pad_to_multiple_of (int
, 可选): 如果设置,则将序列填充到提供的值的倍数。需要激活 padding
。这对于在具有计算能力 >= 7.5
(Volta) 的 NVIDIA 硬件上使用 Tensor Core 特别有用。return_tensors (str
或 TensorType, 可选): 如果设置,将返回张量而不是 python 整数列表。可接受的值为
'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
add_special_tokens (bool
, 可选, 默认值为 True
): 是否使用与其模型相关的特殊标记对序列进行编码。padding (bool
, str
或 PaddingStrategy, 可选, 默认值为 False
): 激活并控制填充。接受以下值
True
或'longest'
: 填充到批次中最长的序列(如果只提供一个序列,则不填充)。'max_length'
: 填充到使用max_length
参数指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。False
或'do_not_pad'
(默认): 不填充(即,可以输出具有不同长度序列的批次)。truncation (bool
,str
或 TruncationStrategy, 可选, 默认值为False
): 激活并控制截断。接受以下值True
或'longest_first'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将逐个标记进行截断,从对中最长的序列中删除一个标记。'only_first'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将只截断对中的第一个序列。'only_second'
: 截断到使用max_length
参数指定的最大长度,或者如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批次对),这将只截断对中的第二个序列。False
或'do_not_truncate'
(默认): 不截断(即,可以输出序列长度大于模型最大可接受输入大小的批次)。max_length (int
, 可选): 控制截断/填充参数使用的最大长度。如果未设置或设置为None
,这将使用预定义的模型最大长度(如果截断/填充参数需要最大长度)。如果模型没有特定的最大输入长度(如 XLNet),则将停用截断/填充到最大长度。stride (int
, 可选, 默认值为 0): 如果与max_length
一起设置为一个数字,则当return_overflowing_tokens=True
时返回的溢出标记将包含来自截断序列末尾的一些标记,以便在截断序列和溢出序列之间提供一些重叠。此参数的值定义了重叠标记的数量。pad_to_multiple_of (int
, 可选): 如果设置,则将序列填充到提供的值的倍数。这对于在具有计算能力>= 7.5
(Volta) 的 NVIDIA 硬件上使用 Tensor Core 特别有用。return_tensors (str
或 TensorType, 可选): 如果设置,将返回张量而不是 python 整数列表。可接受的值为'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
build_inputs_with_special_tokens
< 源代码 > ( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接和添加特殊标记,从序列或一对序列为序列分类任务构建模型输入。RoBERTa 序列具有以下格式
- 单个序列:
<s> X </s>
- 一对序列:
<s> A </s></s> B </s>
create_token_
< 源代码 > ( token_ids_0: List token_ids_1: Optional = None ) → List[int]
从传递的两个序列中创建一个掩码,用于序列对分类任务。RoBERTa 不使用令牌类型 ID,因此返回一个零列表。
encode_plus
< 源代码 > ( text: Union text_pair: Optional = None xpaths: Optional = None node_labels: Optional = None add_special_tokens: bool = True padding: Union = False truncation: Union = None max_length: Optional = None stride: int = 0 pad_to_multiple_of: Optional = None return_tensors: Union = None return_token_type_ids: Optional = None return_attention_mask: Optional = None return_overflowing_tokens: bool = False return_special_tokens_mask: bool = False return_offsets_mapping: bool = False return_length: bool = False verbose: bool = True **kwargs )
参数
- text (
str
,List[str]
,List[List[str]]
) — 要编码的第一个序列。这可以是字符串、字符串列表或字符串列表列表。 - text_pair (
List[str]
或List[int]
, 可选) — 要编码的可选的第二个序列。这可以是字符串列表(单个示例的单词)或字符串列表列表(一批示例的单词)。 - add_special_tokens (
bool
, 可选, 默认值为True
) — 编码序列时是否添加特殊标记。这将使用底层的PretrainedTokenizerBase.build_inputs_with_special_tokens
函数,该函数定义了自动添加到输入 ID 的标记。如果您想自动添加bos
或eos
标记,这很有用。 - padding (
bool
,str
或 PaddingStrategy, 可选, 默认值为False
) — 激活并控制填充。接受以下值:True
或'longest'
: 填充到批次中最长的序列(如果只提供单个序列,则不填充)。'max_length'
: 填充到使用参数max_length
指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。False
或'do_not_pad'
(默认): 不填充(即,可以输出具有不同长度序列的批次)。
- 截断 (
bool
,str
或 TruncationStrategy, 可选, 默认值False
) — 激活并控制截断。接受以下值:True
或'longest_first'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将逐个标记进行截断,从最长序列中删除一个标记。'only_first'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将只截断第一条序列。'only_second'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将只截断第二条序列。False
或'do_not_truncate'
(默认): 不进行截断(即可以输出长度超过模型最大可接受输入大小的批次)。
- 最大长度 (
int
, 可选) — 通过截断/填充参数之一控制要使用的最大长度。如果未设置或设置为
None
,则如果截断/填充参数之一需要最大长度,则将使用预定义的模型最大长度。如果模型没有特定的最大输入长度(如 XLNet),则将停用截断/填充到最大长度。 - 步长 (
int
, 可选, 默认值 0) — 如果与max_length
一起设置为一个数字,当return_overflowing_tokens=True
时返回的溢出标记将包含一些来自截断序列末尾的标记,以便在截断序列和溢出序列之间提供一些重叠。该参数的值定义了重叠标记的数量。 - 是否已拆分为单词 (
bool
, 可选, 默认值False
) — 输入是否已经预先标记化(例如,拆分为单词)。如果设置为True
,则分词器假设输入已经拆分为单词(例如,通过在空格处拆分),它将对这些单词进行分词。这对 NER 或标记分类很有用。 - 填充到倍数 (
int
, 可选) — 如果设置,则将序列填充到提供的值的倍数。要求padding
被激活。这对于在具有计算能力>= 7.5
(Volta) 的 NVIDIA 硬件上启用张量核的使用特别有用。 - 返回张量 (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是 Python 整数列表。'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
- 添加特殊标记 (
bool
, 可选, 默认值True
) — 是否使用相对于其模型的特殊标记对序列进行编码。 - padding (
bool
,str
或 PaddingStrategy, 可选, 默认值为False
) — 激活并控制填充。接受以下值:True
或'longest'
: 填充到批次中最长的序列(如果只提供单个序列,则不填充)。'max_length'
: 填充到使用参数max_length
指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。False
或'do_not_pad'
(默认): 不填充(即,可以输出具有不同长度序列的批次)。
- 截断 (
bool
,str
或 TruncationStrategy, 可选, 默认值False
) — 激活并控制截断。接受以下值:True
或'longest_first'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将逐个标记进行截断,从最长序列中删除一个标记。'only_first'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将只截断第一条序列。'only_second'
: 截断到max_length
参数指定的最大长度,或如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了序列对(或批处理序列对),则将只截断第二条序列。False
或'do_not_truncate'
(默认): 不进行截断(即可以输出长度超过模型最大可接受输入大小的批次)。
- 最大长度 (
int
, 可选) — 通过截断/填充参数之一控制要使用的最大长度。如果未设置或设置为None
,则如果截断/填充参数之一需要最大长度,则将使用预定义的模型最大长度。如果模型没有特定的最大输入长度(如 XLNet),则将停用截断/填充到最大长度。 - 步长 (
int
, 可选, 默认值 0) — 如果与max_length
一起设置为一个数字,当return_overflowing_tokens=True
时返回的溢出标记将包含一些来自截断序列末尾的标记,以便在截断序列和溢出序列之间提供一些重叠。该参数的值定义了重叠标记的数量。 - 填充到倍数 (
int
, 可选) — 如果设置,则将序列填充到提供的值的倍数。这对于在具有计算能力>= 7.5
(Volta) 的 NVIDIA 硬件上启用张量核的使用特别有用。 - 返回张量 (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是 Python 整数列表。'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
分词并为模型准备一个序列或一对序列。.. warning:: 此方法已弃用,应使用 __call__
代替。
给定一个特定节点的 xpath 表达式(例如“/html/body/div/li[1]/div/span[2]”),返回一个包含标签 ID 和对应下标的列表,考虑到最大深度。
MarkupLMProcessor
class transformers.MarkupLMProcessor
< source >( *args **kwargs )
参数
- feature_extractor (
MarkupLMFeatureExtractor
) — MarkupLMFeatureExtractor 的实例。特征提取器是必需的输入。 - tokenizer (
MarkupLMTokenizer
orMarkupLMTokenizerFast
) — MarkupLMTokenizer 或 MarkupLMTokenizerFast 的实例。标记器是必需的输入。 - parse_html (
bool
, optional, defaults toTrue
) — 是否使用MarkupLMFeatureExtractor
将 HTML 字符串解析为节点和相应的 xpath。
构造一个 MarkupLM 处理器,将 MarkupLM 特征提取器和 MarkupLM 标记器组合成一个处理器。
MarkupLMProcessor 提供了为模型准备数据所需的所有功能。
它首先使用 MarkupLMFeatureExtractor 从一个或多个 HTML 字符串中提取节点和相应的 xpath。接下来,将这些节点和 xpath 以及其他参数传递给 MarkupLMTokenizer 或 MarkupLMTokenizerFast,将它们转换为 token 级别的 input_ids
、attention_mask
、token_type_ids
、xpath_tags_seq
和 xpath_subs_seq
。
__call__
< source > ( html_strings = None nodes = None xpaths = None node_labels = None questions = None add_special_tokens: bool = True padding: Union = False truncation: Union = None max_length: Optional = None stride: int = 0 pad_to_multiple_of: Optional = None return_token_type_ids: Optional = None return_attention_mask: Optional = None return_overflowing_tokens: bool = False return_special_tokens_mask: bool = False return_offsets_mapping: bool = False return_length: bool = False verbose: bool = True return_tensors: Union = None **kwargs )
此方法首先将 html_strings
参数转发到 call()。接下来,它将 nodes
和 xpaths
以及其他参数传递给 __call__()
并返回输出。
可以选择提供 text
参数,它作为第一个序列传递。
有关更多信息,请参阅上述两种方法的文档字符串。
MarkupLMModel
class transformers.MarkupLMModel
< source >( config add_pooling_layer = True )
参数
- config (MarkupLMConfig) — 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() 方法加载模型权重。
MarkupLM 模型的裸 Transformer,输出原始隐藏状态,没有任何特定的头部。该模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般使用和行为相关的事宜。
forward
< source > ( input_ids: Optional = None xpath_tags_seq: Optional = None xpath_subs_seq: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)
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。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- xpath_tags_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个标记的标记 ID,填充至 config.max_depth。 - xpath_subs_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个标记的下标 ID,填充至 config.max_depth。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 掩码,避免对填充标记索引执行注意力。在[0, 1]
中选择掩码值:1
表示未掩码的标记,0
表示掩码标记。 - token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 段落标记索引,用于指示输入的第一部分和第二部分。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
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[0, config.max_position_embeddings - 1]
范围内选择。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于将自注意力模块的选定头部设为无效的掩码。掩码值在[0, 1]
中选择:1
表示头部未被掩码,0
表示头部被掩码。 - 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
。如果您想比模型的内部嵌入查找矩阵更精确地控制如何将input_ids 索引转换为相关向量,这将非常有用。 - output_attentions (
bool
,可选) — 如果设置为True
,则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) — 如果设置为True
,则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) — 如果设置为True
,模型将返回一个 ModelOutput,而不是一个简单的元组。
返回值
transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一个 torch.FloatTensor
元组(如果传递 return_dict=False
或 config.return_dict=False
),包含根据配置 (MarkupLMConfig) 和输入的不同元素。
-
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。 -
pooler_output (
torch.FloatTensor
形状为(batch_size, hidden_size)
) — 序列第一个标记(分类标记)的最后一层隐藏状态,经过用于辅助预训练任务的层的进一步处理。例如,对于 BERT 系列模型,这将返回经过线性层和 tanh 激活函数处理后的分类标记。线性层权重是在预训练期间从下一个句子预测(分类)目标中训练出来的。 -
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
元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处的隐藏状态,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
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。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,在传递output_attentions=True
和config.add_cross_attention=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均值。
-
past_key_values (
tuple(tuple(torch.FloatTensor))
,可选,在传递use_cache=True
或config.use_cache=True
时返回) —tuple(torch.FloatTensor)
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,并且可选地,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)
的附加张量。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),可以用于(参见past_key_values
输入)加速顺序解码。
MarkupLMModel 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,因为前者负责运行前处理和后处理步骤,而后者则会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, MarkupLMModel
>>> processor = AutoProcessor.from_pretrained("microsoft/markuplm-base")
>>> model = MarkupLMModel.from_pretrained("microsoft/markuplm-base")
>>> html_string = "<html> <head> <title>Page Title</title> </head> </html>"
>>> encoding = processor(html_string, return_tensors="pt")
>>> outputs = model(**encoding)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 4, 768]
MarkupLMForSequenceClassification
class transformers.MarkupLMForSequenceClassification
< source >( config )
参数
- config (MarkupLMConfig) — 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,只加载配置。查看 from_pretrained() 方法加载模型权重。
MarkupLM 模型变压器,在其顶部有一个序列分类/回归头(在池化输出之上有一个线性层),例如用于 GLUE 任务。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关一般使用和行为的所有事项。
forward
< source > ( input_ids: Optional = None xpath_tags_seq: Optional = None xpath_subs_seq: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: 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)
) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。
- xpath_tags_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个标记的标记 ID,填充到 config.max_depth。 - xpath_subs_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个标记的下标 ID,填充到 config.max_depth。 - 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。在[0, 1]
中选择掩码值:1
表示未掩码的标记,0
表示掩码的标记。 - 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个和第二个部分。索引选择范围为[0, 1]
:0
对应于 句子 A 标记,1
对应于 句子 B 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。选择范围为[0, config.max_position_embeddings - 1]
. - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 掩码,用于将自注意力模块的选定头部置为零。掩码值选择范围为[0, 1]
:1
表示头部 未被掩码,0
表示头部 被掩码。 - 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式表示,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。 - output_attentions (
bool
, 可选) — 如果设置为True
,将返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 如果设置为True
,将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) — 如果设置为True
,模型将返回一个 ModelOutput,而不是一个简单的元组。 - 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]
范围内。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)。
返回值
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含根据配置 (MarkupLMConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 当提供labels
时返回) — 分类(或如果 config.num_labels==1 则为回归)损失。 -
logits (
torch.FloatTensor
形状为(batch_size, config.num_labels)
) — 分类(或如果 config.num_labels==1 则为回归)分数(在 SoftMax 之前)。 -
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
元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处的隐藏状态,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
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。
MarkupLMForSequenceClassification 正向方法,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,因为前者负责运行前处理和后处理步骤,而后者则会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, AutoModelForSequenceClassification
>>> import torch
>>> processor = AutoProcessor.from_pretrained("microsoft/markuplm-base")
>>> model = AutoModelForSequenceClassification.from_pretrained("microsoft/markuplm-base", num_labels=7)
>>> html_string = "<html> <head> <title>Page Title</title> </head> </html>"
>>> encoding = processor(html_string, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**encoding)
>>> loss = outputs.loss
>>> logits = outputs.logits
MarkupLMForTokenClassification
class transformers.MarkupLMForTokenClassification
< 源代码 >( config )
参数
- config (MarkupLMConfig) — 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关联的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
带有 token_classification
头部的 MarkupLM 模型。此模型是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取与一般使用和行为有关的所有事项。
forward
< 源代码 > ( input_ids: Optional = None xpath_tags_seq: Optional = None xpath_subs_seq: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: 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 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列词元在词汇表中的索引。可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
- xpath_tags_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个词元的标签 ID,填充至 config.max_depth。 - xpath_subs_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个词元的下标 ID,填充至 config.max_depth。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 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[0, 1]
中的值:1
表示未被掩码的词元,0
表示被掩码的词元。 - token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 段词元索引,用于指示输入的第一部分和第二部分。索引选择[0, 1]
中的值:0
表示句子 A 词元,1
表示句子 B 词元 - position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 每个输入序列令牌在位置嵌入中的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - 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头部无效的掩码。在[0, 1]
中选择掩码值:1
表示头部未掩码,0
表示头部掩码。 - 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式表示,而不是传递input_ids
。如果您想要比模型的内部嵌入查找矩阵更详细地控制如何将input_ids 索引转换为关联的向量,这将很有用。 - output_attentions (
bool
,可选) — 如果设置为True
,则返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量中的attentions
。 - output_hidden_states (
bool
,可选) — 如果设置为True
,则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) — 如果设置为True
,模型将返回一个 ModelOutput,而不是一个简单的元组。 - labels (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 用于计算令牌分类损失的标签。索引应在[0, ..., config.num_labels - 1]
中。
返回值
transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MaskedLMOutput 或一个 torch.FloatTensor
元组(如果传递 return_dict=False
或当 config.return_dict=False
时),包含根据配置 (MarkupLMConfig) 和输入而变化的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 掩码语言建模 (MLM) 损失。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前的每个词汇表令牌的分数)。 -
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
元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处的隐藏状态,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
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 MarkupLMForTokenClassification 正向方法覆盖了 __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,因为前者负责运行前处理和后处理步骤,而后者则会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, AutoModelForTokenClassification
>>> import torch
>>> processor = AutoProcessor.from_pretrained("microsoft/markuplm-base")
>>> processor.parse_html = False
>>> model = AutoModelForTokenClassification.from_pretrained("microsoft/markuplm-base", num_labels=7)
>>> nodes = ["hello", "world"]
>>> xpaths = ["/html/body/div/li[1]/div/span", "/html/body/div/li[1]/div/span"]
>>> node_labels = [1, 2]
>>> encoding = processor(nodes=nodes, xpaths=xpaths, node_labels=node_labels, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**encoding)
>>> loss = outputs.loss
>>> logits = outputs.logits
MarkupLMForQuestionAnswering
class transformers.MarkupLMForQuestionAnswering
< 源代码 >( config )
参数
- config (MarkupLMConfig) — 模型配置类,包含模型的所有参数。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()方法来加载模型权重。
带有跨度分类头的 MarkupLM 模型,用于 SQuAD 等提取式问答任务(在隐藏状态输出之上添加一个线性层以计算跨度开始对数
和跨度结束对数
)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关一般使用和行为的所有事项。
forward
< 源代码 > ( input_ids: Optional = None xpath_tags_seq: Optional = None xpath_subs_seq: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None start_positions: Optional = None end_positions: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 输入序列词元在词表的索引。索引可使用 AutoTokenizer 获取。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
- xpath_tags_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个词元的标签 ID,填充到 config.max_depth。 - xpath_subs_seq (
torch.LongTensor
形状为(batch_size, sequence_length, config.max_depth)
, 可选) — 输入序列中每个词元的下标 ID,填充到 config.max_depth。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 掩码,用于避免对填充词元索引执行注意力。掩码值在[0, 1]
中选择:1
表示未掩码的词元,0
表示掩码的词元。 - token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 段词元索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:0
对应于句子 A 词元,1
对应于句子 B 词元 - position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 输入序列词元在位置嵌入中的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - 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头的无效化的掩码。掩码值在[0, 1]
中选择:1
表示头**未被掩码**,0
表示头**被掩码**。 - 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
。如果您想要更多地控制如何将 input_ids 索引转换为关联的向量(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) — 如果设置为True
,则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) — 如果设置为True
,则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) — 如果设置为True
,模型将返回一个 ModelOutput,而不是一个简单的元组。 - start_positions (
torch.LongTensor
形状为(batch_size,)
,可选) — 用于计算标记分类损失的标记跨度开始位置(索引)的标签。位置被限制为序列的长度(sequence_length
)。序列之外的位置不会被考虑用于计算损失。 - end_positions (
torch.LongTensor
形状为(batch_size,)
,可选) — 用于计算标记分类损失的标记跨度结束位置(索引)的标签。位置被限制为序列的长度(sequence_length
)。序列之外的位置不会被考虑用于计算损失。
返回值
transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.QuestionAnsweringModelOutput 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 (MarkupLMConfig) 和输入的不同元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,在提供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 (
torch.FloatTensor
形状为(batch_size, sequence_length)
) — 跨度开始分数(在 SoftMax 之前)。 -
end_logits (
torch.FloatTensor
形状为(batch_size, sequence_length)
) — 跨度结束分数(在 SoftMax 之前)。 -
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
元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处的隐藏状态,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
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 MarkupLMForQuestionAnswering forward method, overrides the __call__
special method.
虽然前向传递的配方需要在此函数内定义,但应该在之后调用 Module
实例,而不是调用此函数,因为前者负责运行前处理和后处理步骤,而后者则会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, MarkupLMForQuestionAnswering
>>> import torch
>>> processor = AutoProcessor.from_pretrained("microsoft/markuplm-base-finetuned-websrc")
>>> model = MarkupLMForQuestionAnswering.from_pretrained("microsoft/markuplm-base-finetuned-websrc")
>>> html_string = "<html> <head> <title>My name is Niels</title> </head> </html>"
>>> question = "What's his name?"
>>> encoding = processor(html_string, questions=question, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**encoding)
>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()
>>> predict_answer_tokens = encoding.input_ids[0, answer_start_index : answer_end_index + 1]
>>> processor.decode(predict_answer_tokens).strip()
'Niels'