Transformers 文档

MarkupLM

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

MarkupLM

PyTorch

概述

MarkupLM 模型由 Junlong Li、Yiheng Xu、Lei Cui 和 Furu Wei 在 MarkupLM: Pre-training of Text and Markup Language for Visually-rich Document Understanding 中提出。MarkupLM 是 BERT 的一个变体,但应用于 HTML 页面而非原始文本文档。该模型引入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取得了最先进的结果:

  • WebSRC,一个用于基于 Web 的结构化阅读理解的数据集(有点像 SQuAD,但针对网页)
  • SWDE,一个用于网页信息提取的数据集(本质上是网页上的命名实体识别)

论文摘要如下:

将文本、布局和图像多模态预训练已在富视觉文档理解 (VrDU) 方面取得了显著进展,尤其是扫描文档图像等固定布局文档。然而,仍有大量数字文档的布局信息不固定,需要交互式动态渲染才能可视化,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 用于以标记语言(如 HTML/XML 文档)为骨干的文档理解任务,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中显著优于现有的强大基线模型。预训练模型和代码将公开发布。

该模型由 nielsr 贡献。原始代码可在 此处 找到。

使用技巧

  • 除了 input_idsforward() 还需要 2 个额外的输入,即 xpath_tags_seqxpath_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
drawing MarkupLM 架构。摘自原始论文。

用法:MarkupLMProcessor

为模型准备数据的最简单方法是使用 MarkupLMProcessor,它内部结合了特征提取器(MarkupLMFeatureExtractor)和分词器(MarkupLMTokenizerMarkupLMTokenizerFast)。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输入(input_ids 等)。请注意,如果您只想处理两个任务中的一个,仍然可以单独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,您可以向 MarkupLMProcessor 提供 HTML 字符串(以及可能的附加数据),它将创建模型期望的输入。在内部,处理器首先使用 MarkupLMFeatureExtractor 获取节点列表和相应的 xpath。然后将节点和 xpath 提供给 MarkupLMTokenizerMarkupLMTokenizerFast,后者将其转换为标记级 input_idsattention_masktoken_type_idsxpath_subs_seqxpath_tags_seq。可选地,可以向处理器提供节点标签,这些标签将转换为标记级 labels

MarkupLMFeatureExtractor 在内部使用 Beautiful Soup,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选择的解析解决方案,并将节点和 xpath 自己提供给 MarkupLMTokenizerMarkupLMTokenizerFast

总共有 5 种处理器支持的用例。下面,我们将列出所有这些用例。请注意,每个用例都适用于批量和非批量输入(我们将以非批量输入为例进行说明)。

用例 1:网页分类(训练、推理)+ 标记分类(推理),parse_html = True

这是最简单的情况,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

如果已经获取了所有节点和 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 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来训练模型。然后,处理器将这些标签转换为标记级 labels。默认情况下,它只会标记单词的第一个词片段,并将剩余的词片段标记为 -100,这是 PyTorch 的 CrossEntropyLoss 的 ignore_index。如果您希望标记单词的所有词片段,可以将分词器初始化为 only_label_first_subword 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"]
>>> 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,您可以向处理器提供一个问题。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] 单词标记 [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(例如 WebSRC),您可以向处理器提供一个问题。如果您已自行提取所有节点和 xpath,则可以直接将它们提供给处理器。请务必将 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

transformers.MarkupLMConfig

< >

( 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, 默认为 30522) — MarkupLM 模型的词汇表大小。定义了传递给 MarkupLMModel 的 forward 方法的 inputs_ids 可以表示的不同标记。
  • hidden_size (int, 可选, 默认为 768) — 编码器层和池化器层的维度。
  • num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数量。
  • intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”(即前馈)层的维度。
  • hidden_act (strfunction, 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,支持 "gelu""relu""silu""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 dropout 概率。
  • attention_probs_dropout_prob (float, 可选, 默认为 0.1) — 注意力概率的 dropout 比率。
  • max_position_embeddings (int, 可选, 默认为 512) — 此模型可能使用的最大序列长度。通常为了以防万一,将其设置为一个较大的值(例如 512、1024 或 2048)。
  • type_vocab_size (int, 可选, 默认为 2) — 传递到 MarkupLMModeltoken_type_ids 的词汇表大小。
  • 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。
  • layer_norm_eps (float, 可选, 默认为 1e-12) — 层归一化层使用的 epsilon 值。
  • max_tree_id_unit_embeddings (int, 可选, 默认为 1024) — 树 ID 单元嵌入可能使用的最大值。通常为了以防万一,将其设置为一个较大的值(例如 1024)。
  • max_xpath_tag_unit_embeddings (int, 可选, 默认为 256) — xpath 标签单元嵌入可能使用的最大值。通常为了以防万一,将其设置为一个较大的值(例如 256)。
  • max_xpath_subs_unit_embeddings (int, optional, defaults to 1024) — xpath 下标单元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)。
  • tag_pad_id (int, optional, defaults to 216) — xpath 标签中的填充标记 ID。
  • subs_pad_id (int, optional, defaults to 1001) — xpath 下标中的填充标记 ID。
  • xpath_tag_unit_hidden_size (int, optional, defaults to 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, optional, defaults to 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 MarkupLM 模型,定义模型架构。使用默认值实例化配置将生成与 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。有关这些方法的更多信息,请参阅 BertConfig 的文档。

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

class transformers.MarkupLMFeatureExtractor

< >

( **kwargs )

构造 MarkupLM 特征提取器。这可用于从 HTML 字符串中获取节点列表和相应的 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__

< >

( html_strings ) BatchFeature

参数

  • html_strings (str, list[str]) — 要从中提取节点和相应 xpath 的 HTML 字符串或 HTML 字符串批处理。

返回

批次特征

一个具有以下字段的 BatchFeature

  • nodes — 节点。
  • xpaths — 相应的 xpath。

准备一个或多个 HTML 字符串以供模型使用的主要方法。

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

< >

( 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) — 词汇表文件的路径。
  • merges_file (str) — 合并文件的路径。
  • errors (str, optional, defaults to "replace") — 解码字节到 UTF-8 时遵循的范式。有关更多信息,请参阅 bytes.decode
  • bos_token (str, optional, defaults to "<s>") — 预训练期间使用的序列开始标记。可用作序列分类器标记。

    当使用特殊标记构建序列时,这不是用于序列开始的标记。使用的标记是 cls_token

  • eos_token (str, optional, defaults to "</s>") — 序列结束标记。

    当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时,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>") — 分类器标记,用于序列分类(整个序列的分类而非每个标记的分类)。当使用特殊标记构建序列时,它是序列的第一个标记。
  • unk_token (str, optional, defaults to "<unk>") — 未知标记。不在词汇表中的标记不能转换为 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>") — 用于遮蔽值的标记。这是在训练此模型时使用掩码语言建模时使用的标记。这是模型将尝试预测的标记。
  • add_prefix_space (bool, optional, defaults to False) — 是否在输入中添加初始空格。这允许将首字视作任何其他单词。(RoBERTa tokenizer 通过前导空格检测单词的开头)。

构造 MarkupLM 分词器。基于字节级字节对编码(BPE)。MarkupLMTokenizer 可用于将 HTML 字符串转换为标记级的 input_idsattention_masktoken_type_idsxpath_tags_seqxpath_tags_seq。此分词器继承自 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

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) list[int]

参数

  • token_ids_0 (list[int]) — 将添加特殊标记的 ID 列表。
  • token_ids_1 (list[int], optional) — 可选的第二个 ID 列表,用于序列对。

返回

list[int]

带有适当特殊标记的输入ID列表。

通过连接和添加特殊标记,从序列或序列对构建序列分类任务的模型输入。RoBERTa 序列的格式如下:

  • 单个序列:<s> X </s>
  • 序列对:<s> A </s></s> B </s>

get_special_tokens_mask

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None already_has_special_tokens: bool = False ) list[int]

参数

  • Retrieve 从未添加特殊标记的标记列表中检索序列 ID。当使用分词器 prepare_for_model 方法添加 —
  • special 标记时调用此方法。 — token_ids_0 (list[int]): ID 列表。 token_ids_1 (list[int], optional): 可选的第二个 ID 列表,用于序列对。 already_has_special_tokens (bool, optional, defaults to False): 标记列表是否已按模型特殊标记格式化。

返回

list[int]

一个范围为 [0, 1] 的整数列表:1 表示特殊标记,0 表示序列标记。

create_token_type_ids_from_sequences

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) list[int]

参数

  • token_ids_0 (list[int]) — ID 列表。
  • token_ids_1 (list[int], optional) — 可选的第二个 ID 列表,用于序列对。

返回

list[int]

零列表。

从传递给序列对分类任务的两个序列创建掩码。RoBERTa 不使用标记类型 ID,因此返回一个零列表。

save_vocabulary

< >

( save_directory: str filename_prefix: typing.Optional[str] = None )

MarkupLMTokenizerFast

class transformers.MarkupLMTokenizerFast

< >

( 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) — 词汇表文件的路径。
  • merges_file (str) — 合并文件的路径。
  • errors (str, optional, defaults to "replace") — 解码字节到 UTF-8 时遵循的范式。有关更多信息,请参阅 bytes.decode
  • bos_token (str, optional, defaults to "<s>") — 预训练期间使用的序列开始标记。可用作序列分类器标记。

    当使用特殊标记构建序列时,这不是用于序列开始的标记。使用的标记是 cls_token

  • eos_token (str, optional, defaults to "</s>") — 序列结束标记。

    当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时,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>") — 分类器标记,用于序列分类(整个序列的分类而非每个标记的分类)。当使用特殊标记构建序列时,它是序列的第一个标记。
  • unk_token (str, optional, defaults to "<unk>") — 未知标记。不在词汇表中的标记不能转换为 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>") — 用于遮蔽值的标记。这是在训练此模型时使用掩码语言建模时使用的标记。这是模型将尝试预测的标记。
  • add_prefix_space (bool, optional, defaults to False) — 是否在输入中添加初始空格。这允许将首字视作任何其他单词。(RoBERTa tokenizer 通过前导空格检测单词的开头)。

构造 MarkupLM 分词器。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的 input_idsattention_masktoken_type_idsxpath_tags_seqxpath_tags_seq。此分词器继承自 PreTrainedTokenizer,其中包含大多数主要方法。

用户应查阅此超类以获取有关这些方法的更多信息。

batch_encode_plus

< >

( batch_text_or_text_pairs: typing.Union[list[str], list[tuple[str, str]], list[list[str]]] is_pair: typing.Optional[bool] = None xpaths: typing.Optional[list[list[list[int]]]] = None node_labels: typing.Union[list[int], list[list[int]], NoneType] = None add_special_tokens: bool = True padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False truncation: typing.Union[bool, str, transformers.tokenization_utils_base.TruncationStrategy] = None max_length: typing.Optional[int] = None stride: int = 0 pad_to_multiple_of: typing.Optional[int] = None padding_side: typing.Optional[str] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_token_type_ids: typing.Optional[bool] = None return_attention_mask: typing.Optional[bool] = 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, 默认为 True): 编码序列时是否添加特殊标记。这将使用底层 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 boseos 标记,这将很有用。padding (bool, strPaddingStrategy, 可选, 默认为 False): 激活并控制填充。接受以下值

  • True'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': 填充到由参数 max_length 指定的最大长度,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'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, strTruncationStrategy, 可选, 默认为 False): 激活并控制截断。接受以下值

  • True'longest_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将逐个截断标记,从对中最长的序列中删除一个标记。

  • 'only_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第一个序列。

  • 'only_second': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第二个序列。

  • False'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/填充参数之一要使用的最大长度。

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),则将禁用截断/填充到最大长度。stride (int, 可选, 默认为 0): 如果设置为一个数字,并且同时设置了 max_length,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,以提供截断序列和溢出序列之间的一些重叠。此参数的值定义了重叠标记的数量。is_split_into_words (bool, 可选, 默认为 False): 输入是否已经预分词(例如,分成单词)。如果设置为 True,分词器将假定输入已经分成单词(例如,通过在空白处分割),然后对其进行分词。这对于 NER 或标记分类很有用。pad_to_multiple_of (int, 可选): 如果设置,将序列填充到所提供值的倍数。需要激活 padding。这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件上启用 Tensor Core 的使用特别有用。padding_side (str, 可选): 模型应应用填充的侧面。应在 ['right', 'left'] 之间选择。默认值从同名类属性中选取。return_tensors (strTensorType, 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 TensorFlow tf.constant 对象。
  • 'pt': 返回 PyTorch torch.Tensor 对象。
  • 'np': 返回 Numpy np.ndarray 对象。

add_special_tokens (bool, 可选, 默认为 True): 是否使用与模型相关的特殊标记编码序列。padding (bool, strPaddingStrategy, 可选, 默认为 False): 激活并控制填充。接受以下值

  • True'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': 填充到由参数 max_length 指定的最大长度,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'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, strTruncationStrategy, 可选, 默认为 False): 激活并控制截断。接受以下值

  • True'longest_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将逐个截断标记,从对中最长的序列中删除一个标记。

  • 'only_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第一个序列。

  • 'only_second': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第二个序列。

  • False'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/填充参数之一要使用的最大长度。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),则将禁用截断/填充到最大长度。stride (int, 可选, 默认为 0): 如果设置为一个数字,并且同时设置了 max_length,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,以提供截断序列和溢出序列之间的一些重叠。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,将序列填充到所提供值的倍数。这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件上启用 Tensor Core 的使用特别有用。return_tensors (strTensorType, 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 TensorFlow tf.constant 对象。

  • 'pt': 返回 PyTorch torch.Tensor 对象。

  • 'np': 返回 Numpy np.ndarray 对象。

build_inputs_with_special_tokens

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) list[int]

参数

  • token_ids_0 (list[int]) — 要添加特殊标记的 ID 列表。
  • token_ids_1 (list[int], 可选) — 序列对的第二个 ID 列表(可选)。

返回

list[int]

带有适当特殊标记的输入ID列表。

通过连接和添加特殊标记,从序列或序列对构建序列分类任务的模型输入。RoBERTa 序列的格式如下:

  • 单个序列:<s> X </s>
  • 序列对:<s> A </s></s> B </s>

create_token_type_ids_from_sequences

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) list[int]

参数

  • token_ids_0 (list[int]) — ID 列表。
  • token_ids_1 (list[int], 可选) — 序列对的第二个 ID 列表(可选)。

返回

list[int]

零列表。

从传递给序列对分类任务的两个序列创建掩码。RoBERTa 不使用标记类型 ID,因此返回一个零列表。

encode_plus

< >

( text: typing.Union[str, list[str]] text_pair: typing.Optional[list[str]] = None xpaths: typing.Optional[list[list[int]]] = None node_labels: typing.Optional[list[int]] = None add_special_tokens: bool = True padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False truncation: typing.Union[bool, str, transformers.tokenization_utils_base.TruncationStrategy] = None max_length: typing.Optional[int] = None stride: int = 0 pad_to_multiple_of: typing.Optional[int] = None padding_side: typing.Optional[str] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_token_type_ids: typing.Optional[bool] = None return_attention_mask: typing.Optional[bool] = 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的列表。
  • text_pair (list[str]list[int], 可选) — 要编码的可选第二个序列。这可以是字符串列表(单个示例的单词)或字符串列表的列表(一批示例的单词)。
  • add_special_tokens (bool, 可选, 默认为 True) — 编码序列时是否添加特殊标记。这将使用底层 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 boseos 标记,这将很有用。
  • padding (bool, strPaddingStrategy, 可选, 默认为 False) — 激活并控制填充。接受以下值:

    • True'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': 填充到由参数 max_length 指定的最大长度,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'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, strTruncationStrategy, 可选, 默认为 False) — 激活并控制截断。接受以下值:

    • True'longest_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将逐个截断标记,从对中最长的序列中删除一个标记。
    • 'only_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第一个序列。
    • 'only_second': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。这将只截断对的第二个序列(如果提供了一对序列(或一批对))。
    • False'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/填充参数之一要使用的最大长度。

    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),则将禁用截断/填充到最大长度。

  • stride (int, 可选, 默认为 0) — 如果设置为一个数字,并且同时设置了 max_length,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,以提供截断序列和溢出序列之间的一些重叠。此参数的值定义了重叠标记的数量。
  • is_split_into_words (bool, 可选, 默认为 False) — 输入是否已经预分词(例如,分成单词)。如果设置为 True,分词器将假定输入已经分成单词(例如,通过在空白处分割),然后对其进行分词。这对于 NER 或标记分类很有用。
  • pad_to_multiple_of (int, 可选) — 如果设置,将序列填充到所提供值的倍数。需要激活 padding。这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件上启用 Tensor Core 的使用特别有用。
  • padding_side (str, 可选) — 模型应应用填充的侧面。应在 ['right', 'left'] 之间选择。默认值从同名类属性中选取。
  • return_tensors (strTensorType, 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 TensorFlow tf.constant 对象。
    • 'pt': 返回 PyTorch torch.Tensor 对象。
    • 'np': 返回 Numpy np.ndarray 对象。
  • add_special_tokens (bool, 可选, 默认为 True) — 是否使用与模型相关的特殊标记编码序列。
  • padding (bool, strPaddingStrategy, 可选, 默认为 False) — 激活并控制填充。接受以下值:

    • True'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': 填充到由参数 max_length 指定的最大长度,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'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, strTruncationStrategy, 可选, 默认为 False) — 激活并控制截断。接受以下值:

    • True'longest_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将逐个截断标记,从对中最长的序列中删除一个标记。
    • 'only_first': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将只截断对的第一个序列。
    • 'only_second': 截断到由参数 max_length 指定的最大长度,如果未提供该参数,则截断到模型可接受的最大输入长度。这将只截断对的第二个序列(如果提供了一对序列(或一批对))。
    • False'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/填充参数之一要使用的最大长度。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),则将禁用截断/填充到最大长度。
  • stride (int, 可选, 默认为 0) — 如果设置为一个数字,并且同时设置了 max_length,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,以提供截断序列和溢出序列之间的一些重叠。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,将序列填充到所提供值的倍数。这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件上启用 Tensor Core 的使用特别有用。
  • return_tensors (strTensorType, 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 TensorFlow tf.constant 对象。
    • 'pt': 返回 PyTorch torch.Tensor 对象。
    • 'np': 返回 Numpy np.ndarray 对象。

对序列或序列对进行分词并为模型准备。.. 警告:: 此方法已弃用,应改用 __call__

get_xpath_seq

< >

( xpath )

给定一个特定节点(如“/html/body/div/li[1]/div/span[2]”)的 xpath 表达式,返回一个标记 ID 及其相应下标的列表,同时考虑到最大深度。

MarkupLMProcessor

class transformers.MarkupLMProcessor

< >

( *args **kwargs )

参数

  • feature_extractor (MarkupLMFeatureExtractor) — MarkupLMFeatureExtractor 的一个实例。特征提取器是必需的输入。
  • tokenizer (MarkupLMTokenizerMarkupLMTokenizerFast) — MarkupLMTokenizerMarkupLMTokenizerFast 的一个实例。分词器是必需的输入。
  • parse_html (bool, 可选, 默认为 True) — 是否使用 MarkupLMFeatureExtractor 将 HTML 字符串解析为节点和相应的 xpath。

构建一个 MarkupLM 处理器,它将 MarkupLM 特征提取器和 MarkupLM 分词器组合成一个单一的处理器。

MarkupLMProcessor 提供了准备模型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,这些内容连同附加参数一起提供给 MarkupLMTokenizerMarkupLMTokenizerFast,后者将它们转换为标记级别的 input_idsattention_masktoken_type_idsxpath_tags_seqxpath_subs_seq

__call__

< >

( html_strings = None nodes = None xpaths = None node_labels = None questions = None add_special_tokens: bool = True padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False truncation: typing.Union[bool, str, transformers.tokenization_utils_base.TruncationStrategy] = None max_length: typing.Optional[int] = None stride: int = 0 pad_to_multiple_of: typing.Optional[int] = None return_token_type_ids: typing.Optional[bool] = None return_attention_mask: typing.Optional[bool] = 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: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None **kwargs )

此方法首先将 html_strings 参数转发到 call()。接下来,它将 nodesxpaths 以及附加参数传递给 __call__() 并返回输出。

(可选)还可以提供 text 参数,该参数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

< >

( config add_pooling_layer = True )

参数

  • config (MarkupLMModel) — 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,只加载配置。请查阅 from_pretrained() 方法加载模型权重。
  • add_pooling_layer (bool, 可选, 默认为 True) — 是否添加池化层

裸 MarkupLM 模型,输出原始隐藏状态,顶部没有任何特定头部。

此模型继承自 PreTrainedModel。查阅超类文档,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。将其作为常规 PyTorch 模块使用,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有事项。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None xpath_tags_seq: typing.Optional[torch.LongTensor] = None xpath_subs_seq: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentionstuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选择范围为 [0, 1]

    • 1 表示标记未被掩码
    • 0 表示标记已被掩码

    什么是注意力掩码?

  • token_type_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 用于指示输入的第一部分和第二部分的片段标记索引。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。

    什么是标记类型 ID?

  • 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.n_positions - 1]

    什么是位置 ID?

  • head_mask (torch.FloatTensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择范围为 [0, 1]

    • 1 表示头部未被掩码
    • 0 表示头部已被掩码
  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 另外,除了传递 input_ids,你也可以选择直接传递一个嵌入表示。如果你希望对如何将 input_ids 索引转换为相关向量拥有比模型内部嵌入查找矩阵更多的控制权,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。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。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。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentionstuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一个 torch.FloatTensor 元组(如果传递 return_dict=Falseconfig.return_dict=False),包含根据配置(MarkupLMConfig)和输入而定的各种元素。

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

  • pooler_output (torch.FloatTensor,形状为 (batch_size, hidden_size)) — 经过用于辅助预训练任务的层进一步处理后,序列中第一个标记(分类标记)的最后一层隐藏状态。例如,对于 BERT 家族模型,这会返回经过线性层和 tanh 激活函数处理后的分类标记。线性层权重在预训练期间通过下一个句子预测(分类)目标进行训练。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型有嵌入层,则为嵌入层输出一个,每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.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 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,当传递 output_attentions=Trueconfig.add_cross_attention=Trueconfig.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。

  • past_key_values (Cache可选,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 这是一个 Cache 实例。有关更多详细信息,请参阅我们的 kv 缓存指南

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

MarkupLMModel 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管前向传播的实现需要在该函数中定义,但之后应调用 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,而后者会默默忽略它们。

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

< >

( config )

参数

MarkupLM 模型 Transformer,顶部带有序列分类/回归头部(池化输出顶部的一个线性层),例如用于 GLUE 任务。

此模型继承自 PreTrainedModel。查阅超类文档,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。将其作为常规 PyTorch 模块使用,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有事项。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None xpath_tags_seq: typing.Optional[torch.Tensor] = None xpath_subs_seq: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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) — 输入序列中每个标记的下标 ID,填充至 config.max_depth。
  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选择范围为 [0, 1]

    • 1 表示标记未被掩码
    • 0 表示标记已被掩码

    什么是注意力掩码?

  • token_type_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于指示输入的第一部分和第二部分的片段标记索引。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。

    什么是标记类型 ID?

  • position_ids (torch.Tensor,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.n_positions - 1]

    什么是位置 ID?

  • head_mask (torch.Tensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择范围为 [0, 1]

    • 1 表示头部未被掩码
    • 0 表示头部已被掩码
  • inputs_embeds (torch.Tensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 另外,除了传递 input_ids,你也可以选择直接传递一个嵌入表示。如果你希望对如何将 input_ids 索引转换为相关向量拥有比模型内部嵌入查找矩阵更多的控制权,这将很有用。
  • 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)。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。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。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。

返回

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 元组(如果传递 return_dict=Falseconfig.return_dict=False),包含根据配置(MarkupLMConfig)和输入而定的各种元素。

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

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

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型有嵌入层,则为嵌入层输出一个,每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.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 后的注意力权重,用于计算自注意力头中的加权平均值。

MarkupLMForSequenceClassification 的 forward 方法,覆盖了 __call__ 特殊方法。

尽管前向传播的实现需要在该函数中定义,但之后应调用 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,而后者会默默忽略它们。

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

< >

( config )

参数

MarkupLM 模型,顶部带有 token_classification 头部。

此模型继承自 PreTrainedModel。查阅超类文档,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。将其作为常规 PyTorch 模块使用,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有事项。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None xpath_tags_seq: typing.Optional[torch.Tensor] = None xpath_subs_seq: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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) — 输入序列中每个标记的下标 ID,填充至 config.max_depth。
  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选择范围为 [0, 1]

    • 1 表示标记未被掩码
    • 0 表示标记已被掩码

    什么是注意力掩码?

  • token_type_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于指示输入的第一部分和第二部分的片段标记索引。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。

    什么是标记类型 ID?

  • position_ids (torch.Tensor,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.n_positions - 1]

    什么是位置 ID?

  • head_mask (torch.Tensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择范围为 [0, 1]

    • 1 表示头部未被掩码
    • 0 表示头部已被掩码
  • inputs_embeds (torch.Tensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 另外,除了传递 input_ids,你也可以选择直接传递一个嵌入表示。如果你希望对如何将 input_ids 索引转换为相关向量拥有比模型内部嵌入查找矩阵更多的控制权,这将很有用。
  • labels (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 用于计算标记分类损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。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。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。

返回

transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

一个transformers.modeling_outputs.MaskedLMOutput或一个torch.FloatTensor元组(如果传入return_dict=Falseconfig.return_dict=False),包含根据配置(MarkupLMConfig)和输入的不同元素。

  • loss (形状为 (1,)torch.FloatTensor可选,当提供 labels 时返回) — 掩码语言建模 (MLM) 损失。

  • logits (形状为 (batch_size, sequence_length, config.vocab_size)torch.FloatTensor) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型有嵌入层,则为嵌入层输出一个,每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.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 后的注意力权重,用于计算自注意力头中的加权平均值。

MarkupLMForTokenClassification的前向方法,覆盖了__call__特殊方法。

尽管前向传播的实现需要在该函数中定义,但之后应调用 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,而后者会默默忽略它们。

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

< >

( config )

参数

  • config (MarkupLMForQuestionAnswering) — 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关联的权重,只加载配置。请查看from_pretrained()方法来加载模型权重。

Markuplm Transformer模型,其上带有一个用于SQuAD等抽取式问答任务的跨度分类头部(在隐藏状态输出上添加一个线性层来计算跨度起始 logits跨度结束 logits)。

此模型继承自 PreTrainedModel。查阅超类文档,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。将其作为常规 PyTorch 模块使用,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有事项。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None xpath_tags_seq: typing.Optional[torch.Tensor] = None xpath_subs_seq: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None start_positions: typing.Optional[torch.Tensor] = None end_positions: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.QuestionAnsweringModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 的索引。默认情况下会忽略填充。

    可以使用AutoTokenizer获取索引。有关详细信息,请参阅PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入ID?

  • xpath_tags_seq (torch.LongTensor 形状为 (batch_size, sequence_length, config.max_depth), 可选) — 输入序列中每个 token 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 token 的下标 ID,填充至 config.max_depth。
  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 用于避免对填充 token 索引执行注意力操作的掩码。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

    什么是注意力掩码?

  • token_type_ids (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 用于指示输入的第一部分和第二部分的片段 token 索引。索引在[0, 1]中选择:

    • 0 对应于句子 A token,
    • 1 对应于句子 B token。

    什么是 token 类型 ID?

  • position_ids (torch.Tensor 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[0, config.n_positions - 1]范围内选择。

    什么是位置 ID?

  • head_mask (torch.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值在[0, 1]中选择:

    • 1 表示头部未被掩盖
    • 0 表示头部已被掩盖
  • inputs_embeds (torch.Tensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,您可以选择直接传入嵌入表示,而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制,这将很有用。
  • start_positions (torch.Tensor 形状为 (batch_size,), 可选) — 用于计算 token 分类损失的已标记跨度起始位置(索引)的标签。位置被限制为序列的长度(sequence_length)。序列外的位置不计入损失计算。
  • end_positions (torch.Tensor 形状为 (batch_size,), 可选) — 用于计算 token 分类损失的已标记跨度结束位置(索引)的标签。位置被限制为序列的长度(sequence_length)。序列外的位置不计入损失计算。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。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。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。

返回

transformers.modeling_outputs.QuestionAnsweringModelOutputtuple(torch.FloatTensor)

一个transformers.modeling_outputs.QuestionAnsweringModelOutput或一个torch.FloatTensor元组(如果传入return_dict=Falseconfig.return_dict=False),包含根据配置(MarkupLMConfig)和输入的不同元素。

  • loss (torch.FloatTensor of shape (1,), 可选, 当提供 labels 时返回) — 总范围提取损失是起始位置和结束位置的交叉熵之和。

  • start_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 范围起始分数(SoftMax 之前)。

  • end_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 范围结束分数(SoftMax 之前)。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(如果模型有嵌入层,则为嵌入层输出一个,每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.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 后的注意力权重,用于计算自注意力头中的加权平均值。

MarkupLMForQuestionAnswering的前向方法,覆盖了__call__特殊方法。

尽管前向传播的实现需要在该函数中定义,但之后应调用 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,而后者会默默忽略它们。

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'
< > 在 GitHub 上更新