Mixtral
概述
Mixtral-8x7B 由 Albert Jiang、Alexandre Sablayrolles、Arthur Mensch、Chris Bamford、Devendra Singh Chaplot、Diego de las Casas、Florian Bressand、Gianna Lengyel、Guillaume Lample、Lélio Renard Lavaud、Lucile Saulnier、Marie-Anne Lachaux、Pierre Stock、Teven Le Scao、Thibaut Lavril、Thomas Wang、Timothée Lacroix 和 William El Sayed 在 Mixtral of Experts 博客文章 中介绍。
博客文章的引言写道
今天，团队自豪地发布 Mixtral 8x7B，这是一个高质量的、权重公开的稀疏专家混合模型 (SMoE)。采用 Apache 2.0 许可证。Mixtral 在大多数基准测试中都优于 Llama 2 70B，推理速度提高了 6 倍。它是拥有宽松许可证的最强大的开放权重模型，并且在成本/性能权衡方面是整体最佳模型。特别是，它在大多数标准基准测试中与 GPT3.5 相匹敌或优于 GPT3.5。
Mixtral-8x7B 是 mistral.ai 发布的第二个大型语言模型 (LLM)，此前发布了 Mistral-7B。
架构细节
Mixtral-8x7B 是一个仅解码器 Transformer，具有以下架构选择
- Mixtral 是一个专家混合 (MoE) 模型，每个 MLP 有 8 个专家，总共有 450 亿个参数。要了解有关专家混合的更多信息，请参阅 博文。
- 尽管模型有 450 亿个参数，但单个前向传递所需的计算量与 140 亿个参数模型相同。这是因为即使每个专家都必须加载到 RAM 中（类似 70B 的 RAM 需求），隐藏状态中的每个标记都会分发两次（前 2 个路由），因此计算量（每次前向计算所需的运算）仅为 2 X sequence_length。
以下实现细节与 Mistral AI 的第一个模型 Mistral-7B 共享
- 滑动窗口注意力 - 使用 8k 上下文长度和固定缓存大小进行训练，理论注意力跨度为 128K 个标记
- GQA（分组查询注意力） - 允许更快的推理和更小的缓存大小。
- 字节回退 BPE 分词器 - 确保字符永远不会映射到词汇表外的标记。
有关更多详细信息，请参阅 发布博文。
许可证
Mixtral-8x7B 使用 Apache 2.0 许可证发布。
使用技巧
Mistral 团队发布了 2 个检查点
- 一个基础模型，Mixtral-8x7B-v0.1，它经过预训练以在互联网规模的数据上预测下一个标记。
- 一个指令调整模型，Mixtral-8x7B-Instruct-v0.1，它是使用监督微调 (SFT) 和直接偏好优化 (DPO) 针对聊天目的优化的基础模型。
基础模型可以按如下方式使用
>>> from transformers import AutoModelForCausalLM, AutoTokenizer
>>> model = AutoModelForCausalLM.from_pretrained("mistralai/Mixtral-8x7B-v0.1", device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mixtral-8x7B-v0.1")
>>> prompt = "My favourite condiment is"
>>> model_inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
>>> model.to(device)
>>> generated_ids = model.generate(**model_inputs, max_new_tokens=100, do_sample=True)
>>> tokenizer.batch_decode(generated_ids)[0]
"My favourite condiment is to ..."指令调整模型可以按如下方式使用
>>> from transformers import AutoModelForCausalLM, AutoTokenizer
>>> model = AutoModelForCausalLM.from_pretrained("mistralai/Mixtral-8x7B-Instruct-v0.1", device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mixtral-8x7B-Instruct-v0.1")
>>> messages = [
... {"role": "user", "content": "What is your favourite condiment?"},
... {"role": "assistant", "content": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"},
... {"role": "user", "content": "Do you have mayonnaise recipes?"}
... ]
>>> model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")
>>> generated_ids = model.generate(model_inputs, max_new_tokens=100, do_sample=True)
>>> tokenizer.batch_decode(generated_ids)[0]
"Mayonnaise can be made as follows: (...)"如您所见，指令调整模型需要应用 聊天模板 以确保输入以正确的格式准备。
使用 Flash Attention 加速 Mixtral
上面的代码片段展示了没有任何优化技巧的推理。但是，可以通过利用 Flash Attention 显着加快模型速度，Flash Attention 是模型内部使用的注意力机制的更快实现。
首先，确保安装最新版本的 Flash Attention 2 以包含滑动窗口注意力功能。
pip install -U flash-attn --no-build-isolation
还要确保您的硬件与 Flash-Attention 2 兼容。在 flash attention 代码库 的官方文档中了解更多信息。还要确保以半精度（例如 torch.float16）加载模型
要使用 Flash Attention-2 加载和运行模型，请参阅下面的代码片段
>>> import torch
>>> from transformers import AutoModelForCausalLM, AutoTokenizer
>>> model = AutoModelForCausalLM.from_pretrained("mistralai/Mixtral-8x7B-v0.1", torch_dtype=torch.float16, attn_implementation="flash_attention_2", device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mixtral-8x7B-v0.1")
>>> prompt = "My favourite condiment is"
>>> model_inputs = tokenizer([prompt], return_tensors="pt").to("cuda")
>>> model.to(device)
>>> generated_ids = model.generate(**model_inputs, max_new_tokens=100, do_sample=True)
>>> tokenizer.batch_decode(generated_ids)[0]
"The expected output"预期加速
下面是一个预期加速图，它比较了使用 mistralai/Mixtral-8x7B-v0.1 检查点的 transformers 中的原生实现与模型的 Flash Attention 2 版本之间的纯推理时间。
滑动窗口注意力
当前实现支持滑动窗口注意力机制和内存高效的缓存管理。要启用滑动窗口注意力，只需确保拥有与滑动窗口注意力兼容的 flash-attn 版本（>=2.3.0）。
Flash Attention-2 模型还使用更内存高效的缓存切片机制 - 按照使用滚动缓存机制的 Mistral 模型的官方实现建议，我们保持缓存大小固定 (self.config.sliding_window)，仅在 padding_side="left" 时支持批量生成，并使用当前标记的绝对位置来计算位置嵌入。
使用量化缩减 Mixtral
由于 Mixtral 模型有 450 亿个参数，因此在半精度 (float16) 下需要大约 90GB 的 GPU RAM，因为每个参数都存储在 2 个字节中。但是，可以使用 量化 缩减模型的大小。如果模型量化为 4 位（或每个参数半字节），则单个具有 40GB RAM 的 A100 足以容纳整个模型，因为在这种情况下仅需要大约 27GB 的 RAM。
量化模型就像向模型传递 quantization_config 一样简单。下面，我们将利用 bitsandbytes 量化库（但请参阅 此页面 以获取其他量化方法）
>>> import torch
>>> from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
>>> # specify how to quantize the model
>>> quantization_config = BitsAndBytesConfig(
... load_in_4bit=True,
... bnb_4bit_quant_type="nf4",
... bnb_4bit_compute_dtype="torch.float16",
... )
>>> model = AutoModelForCausalLM.from_pretrained("mistralai/Mixtral-8x7B-Instruct-v0.1", quantization_config=True, device_map="auto")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mixtral-8x7B-Instruct-v0.1")
>>> prompt = "My favourite condiment is"
>>> messages = [
... {"role": "user", "content": "What is your favourite condiment?"},
... {"role": "assistant", "content": "Well, I'm quite partial to a good squeeze of fresh lemon juice. It adds just the right amount of zesty flavour to whatever I'm cooking up in the kitchen!"},
... {"role": "user", "content": "Do you have mayonnaise recipes?"}
... ]
>>> model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to("cuda")
>>> generated_ids = model.generate(model_inputs, max_new_tokens=100, do_sample=True)
>>> tokenizer.batch_decode(generated_ids)[0]
"The expected output"此模型由 Younes Belkada 和 Arthur Zucker 贡献。原始代码可以在这里找到 这里。
资源
一份来自 Hugging Face 官方和社区（🌎 表示）的资源列表，帮助您开始使用 Mixtral。如果您有兴趣提交资源到此列表，请随时发起 Pull Request，我们会进行审核！理想情况下，该资源应展示一些新内容，而不是重复现有资源。
- 可以在 此处找到一个用于执行 Mixtral-8x7B 的监督微调 (SFT) 的演示笔记本。🌎
- 一篇关于使用 PEFT 微调 Mixtral-8x7B 的 博文。🌎
- Hugging Face 的 对齐手册 包含用于执行监督微调 (SFT) 和直接偏好优化的脚本和方法，适用于 Mistral-7B。这包括用于完整微调、单个 GPU 上的 QLoRa 以及多 GPU 微调的脚本。
- 因果语言建模任务指南
MixtralConfig
类 transformers.MixtralConfig
< 源代码 >( vocab_size = 32000 hidden_size = 4096 intermediate_size = 14336 num_hidden_layers = 32 num_attention_heads = 32 num_key_value_heads = 8 hidden_act = 'silu' max_position_embeddings = 131072 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True pad_token_id = None bos_token_id = 1 eos_token_id = 2 tie_word_embeddings = False rope_theta = 1000000.0 sliding_window = None attention_dropout = 0.0 num_experts_per_tok = 2 num_local_experts = 8 output_router_logits = False router_aux_loss_coef = 0.001 router_jitter_noise = 0.0 **kwargs )
参数
- vocab_size (
int, 可选，默认为 32000) — Mixtral 模型的词汇量大小。定义了调用 MixtralModel 时传递的inputs_ids可以表示的不同标记的数量 - hidden_size (
int, 可选，默认为 4096) — 隐藏表示的维度。 - 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 编码器中的隐藏层数。 - 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数量。 - num_key_value_heads (
int，可选，默认为 8) — 这是用于实现分组查询注意力的键值头数量。如果num_key_value_heads=num_attention_heads，则模型将使用多头注意力 (MHA)，如果num_key_value_heads=1，则模型将使用多查询注意力 (MQA)，否则将使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组键和值头应通过对该组中所有原始头进行平均池化来构建。更多详细信息请查看这篇论文。如果未指定，将默认为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）。 - max_position_embeddings (
int，可选，默认为4096*32) — 此模型可能使用的最大序列长度。Mixtral 的滑动窗口注意力允许最多 4096*32 个标记的序列。 - initializer_range (
float，可选，默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。 - rms_norm_eps (
float，可选，默认为 1e-05) — rms 归一化层使用的 epsilon。 - use_cache (
bool，可选，默认为True) — 模型是否应该返回最后的键/值注意力（并非所有模型都使用）。仅当config.is_decoder=True时才相关。 - pad_token_id (
int，可选) — 填充标记的 ID。 - 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。 - 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4096。 - 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 路由的专家数量，也可以解释为top-k路由参数 - num_local_experts (
int，可选，默认为 8) — 每个稀疏 MLP 层的专家数量。 - output_router_logits (
bool，可选，默认为False) — 模型是否应返回路由 logits。启用此选项也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) — 总损失的辅助损失因子。 - router_jitter_noise (
float，可选，默认为 0.0) — 添加到路由器的噪声量。
这是用于存储 MixtralModel 配置的配置类。它用于根据指定的参数实例化 Mixtral 模型，定义模型架构。使用默认值实例化配置将产生与 Mixtral-7B-v0.1 或 Mixtral-7B-Instruct-v0.1 类似的配置。
mixtralai/Mixtral-8x7B mixtralai/Mixtral-7B-Instruct-v0.1
配置对象继承自 PretrainedConfig，可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
>>> from transformers import MixtralModel, MixtralConfig
>>> # Initializing a Mixtral 7B style configuration
>>> configuration = MixtralConfig()
>>> # Initializing a model from the Mixtral 7B style configuration
>>> model = MixtralModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configMixtralModel
类 transformers.MixtralModel
< 源代码 >( config: MixtralConfig )
参数
- config (MixtralConfig) — 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。请查看 from_pretrained() 方法以加载模型权重。 config — MixtralConfig
Mixtral 模型的基本输出，输出原始隐藏状态，没有任何特定的头部。此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
包含 config.num_hidden_layers 层的 Transformer 解码器。每一层都是一个 MixtralDecoderLayer
前向传播
< 源代码 >( 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，则默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor形状为(batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值选择在[0, 1]中：- 1 表示未屏蔽的标记，
- 0 表示屏蔽的标记。
可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后一个decoder_input_ids（其过去键值状态未提供给此模型）（参见past_key_values）。如果要更改填充行为，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，请参阅 论文 中的图 1。- 1 表示头部未屏蔽，
- 0 表示头部屏蔽。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列标记的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
tuple(tuple(torch.FloatTensor)), 可选，当传递use_cache=True或config.use_cache=True时返回) — 长度为config.n_layers的tuple(torch.FloatTensor)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，以及 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的附加张量。包含预计算的隐藏状态（自注意力块和交叉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。如果使用
past_key_values，则用户可以选择仅输入最后一个decoder_input_ids（其过去键值状态未提供给此模型），形状为(batch_size, 1)，而不是所有decoder_input_ids，形状为(batch_size, sequence_length)。 - inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望对如何将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。 - use_cache (
bool, 可选) — 如果设置为True，则返回past_key_values密钥值状态，可用于加速解码（请参阅past_key_values）。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量中的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，在推理过程中不应返回它们。 - 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) — 描述输入序列标记在序列中的位置的索引。与position_ids不同，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。
MixtralModel 的前向方法覆盖了 __call__ 特殊方法。
尽管前向传递的配方需要在此函数中定义，但此后应调用 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，而后者则静默地忽略它们。
MixtralForCausalLM
前向传播
< 源代码 >( 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(batch_size, sequence_length)) — 词汇表中输入序列标记的索引。如果您提供填充，则默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor形状为(batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值选择在[0, 1]中：- 1 表示未被掩码的标记，
- 0 表示被掩码的标记。
可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后一个decoder_input_ids（请参阅past_key_values）。如果要更改填充行为，则应阅读
modeling_opt._prepare_decoder_attention_mask并根据需要进行修改。有关默认策略的更多信息，请参阅 论文 中的图 1。- 1 表示头部未被掩码，
- 0 表示头部被掩码。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列标记的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
tuple(tuple(torch.FloatTensor))，可选，当传递use_cache=True或config.use_cache=True时返回) — 长度为config.n_layers的tuple(torch.FloatTensor)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）和 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的附加张量。包含预计算的隐藏状态（自注意力块和交叉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。如果使用
past_key_values，则用户可以选择仅输入最后一个decoder_input_ids（那些没有为此模型提供过去键值状态的）形状为(batch_size, 1)，而不是所有decoder_input_ids形状为(batch_size, sequence_length)。 - inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望对如何将input_ids索引转换为关联向量进行比模型内部嵌入查找矩阵更多的控制，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，可用于加速解码（参见past_key_values）。 - output_attentions (
bool，可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量中的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。 - 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) — 描述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。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。索引应在[0, ..., config.vocab_size]或 -100 中（请参阅input_ids文档字符串）。索引设置为-100的令牌将被忽略（掩码），损失仅针对标签在[0, ..., config.vocab_size]中的令牌计算。num_logits_to_keep (
int, 可选): 计算最后num_logits_to_keep个令牌的 logits。如果为0，则计算所有input_ids的 logits（特殊情况）。生成只需要最后一个令牌的 logits，并且仅为该令牌计算它们可以节省内存，对于长序列或大型词汇量来说，这将变得非常重要。
返回
transformers.modeling_outputs.MoeCausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个transformers.modeling_outputs.MoeCausalLMOutputWithPast或一个torch.FloatTensor的元组（如果传递了return_dict=False或当config.return_dict=False时），包含取决于配置(MixtralConfig)和输入的各种元素。
-
loss (
torch.FloatTensor形状为(1,), 可选, 当提供labels时返回) — 语言建模损失（用于下一个令牌预测）。 -
logits (
torch.FloatTensor形状为(batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前每个词汇表令牌的分数）。 -
aux_loss (
torch.FloatTensor, 可选, 当提供labels时返回) — 稀疏模块的辅助损失。 -
router_logits (
tuple(torch.FloatTensor), 可选, 当传递output_router_probs=True和config.add_router_probs=True或当config.output_router_probs=True时返回) —torch.FloatTensor的元组（每个层一个），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），这些项用于计算专家混合模型的辅助损失。
-
past_key_values (
tuple(tuple(torch.FloatTensor)), 可选, 当传递use_cache=True或当config.use_cache=True时返回) — 长度为config.n_layers的tuple(torch.FloatTensor)元组，每个元组有两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量。包含预计算的隐藏状态（自注意力块中的键和值），可用于（请参阅
past_key_values输入）加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入的输出，如果模型具有嵌入层，则加上每个层的输出）形状为(batch_size, sequence_length, hidden_size)。模型在每一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, 当传递output_attentions=True或当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。
MixtralForCausalLM 的前向方法，覆盖了__call__特殊方法。
尽管前向传递的配方需要在此函数中定义，但此后应调用 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，而后者则静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, MixtralForCausalLM
>>> model = MixtralForCausalLM.from_pretrained("mistralai/Mixtral-8x7B-v0.1")
>>> tokenizer = AutoTokenizer.from_pretrained("mistralai/Mixtral-8x7B-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."MixtralForSequenceClassification
类 transformers.MixtralForSequenceClassification
< 源代码 >( config )
参数
- config (MixtralConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看from_pretrained()方法以加载模型权重。
具有序列分类头（线性层）的 Mixtral 模型转换器。
MixtralForSequenceClassification 使用最后一个令牌进行分类，就像其他因果模型（例如 GPT-2）一样。
由于它对最后一个令牌进行分类，因此需要知道最后一个令牌的位置。如果在配置中定义了pad_token_id，它会找到每一行中不是填充令牌的最后一个令牌。如果未定义pad_token_id，它只需获取批次中每一行的最后一个值。由于它无法在传递inputs_embeds而不是input_ids时猜测填充令牌，因此它执行相同的操作（获取批次中每一行的最后一个值）。
此模型继承自PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
前向传播
< 源代码 >( 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)) — 词汇表中输入序列标记的索引。如果您提供填充，则默认情况下填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor形状为(batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行注意力的掩码。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。
可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后一个decoder_input_ids（请参阅past_key_values）。如果要更改填充行为，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，请参阅 论文 中的图 1。- 1 表示头部未掩码，
- 0 表示头部掩码。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.n_positions - 1]范围内选择。 - past_key_values (
tuple(tuple(torch.FloatTensor))，可选，当传递use_cache=True或config.use_cache=True时返回) — 长度为config.n_layers的tuple(torch.FloatTensor)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，以及 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的附加张量。包含预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于（请参阅
past_key_values输入）加速顺序解码。如果使用
past_key_values，则用户可以选择仅输入最后一个decoder_input_ids（形状为(batch_size, 1)，而不是形状为(batch_size, sequence_length)的所有decoder_input_ids）。 - inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将input_ids索引转换为关联向量，这将很有用。 - use_cache (
bool，可选) — 如果设置为True，则返回past_key_values键值状态，可用于加速解码（请参阅past_key_values）。 - output_attentions (
bool，可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回的张量下的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。 - 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不同，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。 - 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）。
MixtralForSequenceClassification 的前向方法覆盖了 __call__ 特殊方法。
尽管前向传递的配方需要在此函数中定义，但此后应调用 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，而后者则静默地忽略它们。
MixtralForTokenClassification
类 transformers.MixtralForTokenClassification
< 源代码 >( config )
参数
- config (MixtralConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
具有 token 分类头的 Mixtral 模型转换器（隐藏状态输出顶部的线性层），例如用于命名实体识别 (NER) 任务。
此模型继承自PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
前向传播
< 源代码 >( input_ids: Optional = 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 return_dict: Optional = None )
参数
- input_ids (
torch.LongTensor形状为(batch_size, sequence_length)) — 词汇表中输入序列标记的索引。如果提供了填充，则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() 和 PreTrainedTokenizer.call()。
- 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。掩码值选择在[0, 1]中：- 1 表示未掩码的标记，
- 0 表示掩码的标记。
可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用了
past_key_values，则可以选择仅输入最后一个decoder_input_ids（参见past_key_values）。如果要更改填充行为，则应阅读
modeling_opt._prepare_decoder_attention_mask并修改为您的需求。有关默认策略的更多信息，请参阅 论文 中的图 1。- 1 表示头部未掩码，
- 0 表示头部掩码。
- position_ids (
torch.LongTensor形状为(batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列标记的位置索引。选择范围为[0, config.n_positions - 1]。 - past_key_values (
tuple(tuple(torch.FloatTensor))，可选，当传递use_cache=True或config.use_cache=True时返回) — 长度为config.n_layers的tuple(torch.FloatTensor)元组，每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量和 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的附加张量。包含预计算的隐藏状态（自注意力块和交叉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。如果使用了
past_key_values，则用户可以选择仅输入最后一个decoder_input_ids（形状为(batch_size, 1)，而不是所有形状为(batch_size, sequence_length)的decoder_input_ids）。 - inputs_embeds (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望比模型的内部嵌入查找矩阵更详细地控制如何将input_ids索引转换为关联向量，这将非常有用。 - use_cache (
bool，可选) — 如果设置为True，则返回past_key_values键值状态，可用于加速解码（参见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，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，在推理过程中不应返回。 - 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（交叉熵损失）。
MixtralForTokenClassification 的前向方法覆盖了 __call__ 特殊方法。
尽管前向传递的配方需要在此函数中定义，但此后应调用 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，而后者则静默地忽略它们。