Transformers 文档

MPNet

Hugging Face's logo
加入Hugging Face社区

并获得增强文档体验

开始使用

MPNet

概述

MPNet 模型由 Kaitao Song、Xu Tan、Tao Qin、Jianfeng Lu 和 Tie-Yan Liu 在 MPNet:用于语言理解的掩码和置换预训练 中提出。

MPNet 采用了一种名为掩码和置换语言建模的新颖预训练方法,以继承掩码语言建模和置换语言建模在自然语言理解方面的优势。

论文摘要如下:

BERT 采用掩码语言建模 (MLM) 进行预训练,是迄今为止最成功的预训练模型之一。由于 BERT 忽略了预测标记之间的依赖性,XLNet 引入了置换语言建模 (PLM) 进行预训练来解决这个问题。然而,XLNet 没有利用句子的完整位置信息,因此在预训练和微调之间存在位置差异。在本文中,我们提出了 MPNet,一种继承了 BERT 和 XLNet 的优点并避免了其局限性的新型预训练方法。MPNet 通过置换语言建模 (与 BERT 中的 MLM 相比) 利用预测标记之间的依赖关系,并以辅助位置信息作为输入,使模型能够看到完整句子,从而减少位置差异 (与 XLNet 中的 PLM 相比)。我们在一个大型数据集 (超过 160GB 的文本语料库) 上预训练 MPNet,并在各种下游任务 (GLUE、SQuAD 等) 上进行微调。实验结果表明,MPNet 在相同模型设置下,在这些任务上的表现明显优于 MLM 和 PLM,并且与之前的最先进的预训练方法 (例如 BERT、XLNet、RoBERTa) 相比,取得了更好的结果。

原始代码可以从 这里 找到。

使用技巧

MPNet 没有 token_type_ids,您不需要指定哪个标记属于哪个片段。只需使用分隔标记 tokenizer.sep_token(或 [sep])分隔您的片段。

资源

MPNetConfig

class transformers.MPNetConfig

< >

( vocab_size = 30527 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 initializer_range = 0.02 layer_norm_eps = 1e-12 relative_attention_num_buckets = 32 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 **kwargs )

参数

  • vocab_size (int, 可选, 默认值 30527) — MPNet 模型的词汇量。定义了调用 MPNetModelTFMPNetModel 时可以由 inputs_ids 表示的不同标记的数量。
  • hidden_size (int, 可选, 默认值 768) — 编码器层和池化层的维度。
  • num_hidden_layers (int, 可选, 默认值 12) — Transformer 编码器中的隐藏层数。
  • 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的数量。
  • intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”(通常称为前馈)层的维度。
  • hidden_act (strCallable, 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""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 比例。
  • 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)。
  • initializer_range (float, 可选, 默认为 0.02) — 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。
  • relative_attention_num_buckets (int, 可选, 默认为 32) — 每个注意力层使用的桶数。

这是用于存储 MPNetModelTFMPNetModel 配置的配置类。 它用于根据指定参数实例化 MPNet 模型,定义模型架构。 使用默认值实例化配置将生成与 MPNet microsoft/mpnet-base 架构类似的配置。

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。

示例

>>> from transformers import MPNetModel, MPNetConfig

>>> # Initializing a MPNet mpnet-base style configuration
>>> configuration = MPNetConfig()

>>> # Initializing a model from the mpnet-base style configuration
>>> model = MPNetModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

MPNetTokenizer

class transformers.MPNetTokenizer

  • vocab_file (str) — 词汇文件路径。
  • do_lower_case (bool, 可选, 默认为 True) — 是否在分词时将输入转换为小写。
  • do_basic_tokenize (bool, 可选, 默认为 True) — 是否在 WordPiece 之前进行基本分词。
  • never_split (Iterable, 可选) — 在分词期间永远不会被拆分的标记集合。 仅在 do_basic_tokenize=True 时有效。
  • bos_token (str, 可选, 默认为 "<s>") — 在预训练期间使用的序列开始标记。 可以用作序列分类标记。

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

  • eos_token (str, 可选, 默认为 "</s>") — 序列结束标记。

    使用特殊标记构建序列时,这不是用于序列结尾的标记。 使用的标记是 sep_token

  • sep_token (str, 可选, 默认为 "</s>") — 分隔符标记,用于从多个序列构建序列,例如序列分类的两个序列或问答的文本和问题。 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, 可选, 默认为 "<s>") — 分类标记,用于进行序列分类(对整个序列进行分类,而不是对每个标记进行分类)。 使用特殊标记构建序列时,它是序列的第一个标记。
  • unk_token (str, 可选, 默认为 "[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, 可选, 默认值为 "<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, 可选, 默认值为 "<mask>") — 用于掩盖值的标记。这是在使用掩盖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。
  • tokenize_chinese_chars (bool, 可选, 默认值为 True) — 是否对中文汉字进行分词。

    对于日语,这应该被禁用(参见此 问题)。

  • strip_accents (bool, 可选) — 是否去除所有音调符号。 如果未指定此选项,则将由 lowercase 的值决定(与原始 BERT 中一样)。
  • clean_up_tokenization_spaces (bool, 可选, 默认值为 True) — 是否在解码后清理空格,清理包括删除潜在的伪影,例如多余的空格。

此标记器继承自 BertTokenizer,其中包含大多数方法。 用户应该参考超类以获取有关方法的更多信息。

build_inputs_with_special_tokens

< >

( token_ids_0: List token_ids_1: Optional = 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], 可选) — 序列对的可选第二个 ID 列表。

返回值

List[int]

包含适当特殊标记的 输入 ID 列表。

通过串联和添加特殊标记,为序列分类任务从一个序列或一对序列构建模型输入。 MPNet 序列具有以下格式

  • 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: Optional = None already_has_special_tokens: bool = False ) List[int]

参数

  • token_ids_1 (List[int], 可选) — 序列对的可选第二个 ID 列表。
  • already_has_special_tokens (bool, 可选, 默认值为 False) — 如果令牌列表已使用模型的特殊令牌进行格式化,则设置为 True

返回值

List[int]

范围在 [0, 1] 内的整数列表:1 代表特殊令牌,0 代表序列令牌。

从没有添加特殊令牌的令牌列表中检索序列 ID。当使用分词器 prepare_for_model 方法添加特殊令牌时,会调用此方法。

create_token_type_ids_from_sequences

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], 可选) — 序列对的可选第二个 ID 列表。

返回值

List[int]

零列表。

从传递的两个序列中创建一个掩码,用于序列对分类任务。MPNet 不使用令牌类型 ID,因此返回一个零列表。

save_vocabulary

< >

( save_directory: str filename_prefix: Optional = None )

MPNetTokenizerFast

transformers.MPNetTokenizerFast

< >

( vocab_file = None tokenizer_file = None do_lower_case = True bos_token = '<s>' eos_token = '</s>' sep_token = '</s>' cls_token = '<s>' unk_token = '[UNK]' pad_token = '<pad>' mask_token = '<mask>' tokenize_chinese_chars = True strip_accents = None **kwargs )

参数

  • vocab_file (str) —
  • do_lower_case (bool, 可选, 默认为 True) — 是否在分词时将输入转换为小写。
  • bos_token (str, 可选, 默认为 "<s>") — 预训练过程中使用的序列开始标记。可以作为序列分类标记。
  • eos_token (str, 可选, 默认为 "</s>") — 序列结束标记。
  • sep_token (str, 可选, 默认为 "</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用于问答的文本和问题。它也被用作使用特殊标记构建的序列的最后一个标记。
  • cls_token (str, 可选, 默认为 "<s>") — 用于进行序列分类的分类器标记(对整个序列进行分类而不是对每个标记进行分类)。它是使用特殊标记构建的序列的第一个标记。
  • unk_token (str, 可选, 默认为 "[UNK]") — 未知标记。不在词汇表中的标记无法转换为 ID,因此设置为此标记。
  • pad_token (str, 可选, 默认为 "<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, 可选, 默认为 "<mask>") — 用于屏蔽值的标记。这是在使用屏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。
  • tokenize_chinese_chars (bool, 可选, 默认为 True) — 是否对汉字进行分词。对于日语,这可能应该被禁用(参见 此问题)。
  • strip_accents (bool, 可选) — 是否去除所有音调符号。如果未指定此选项,则将由 lowercase 的值确定(与原始 BERT 中相同)。

构建一个“快速” MPNet 分词器(由 HuggingFace 的 tokenizers 库支持)。基于 WordPiece。

此分词器继承自 PreTrainedTokenizerFast,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。

create_token_type_ids_from_sequences

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], 可选) — 用于序列对的可选第二个 ID 列表

返回值

List[int]

零列表。

从传递的两个序列创建掩码,用于序列对分类任务。MPNet 不使用 token 类型 ID,因此返回一个零列表

Pytorch
隐藏 Pytorch 内容

MPNetModel

class transformers.MPNetModel

< >

( config add_pooling_layer = True )

参数

  • config (MPNetConfig) — 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,只会加载配置。查看 from_pretrained() 方法以加载模型权重。

不带任何特定头部,输出原始隐藏状态的裸 MPNet 模型转换器。

此模型继承自 PreTrainedModel。查看超类文档以了解库为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、修剪头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

正向

< >

( input_ids: Optional = None attention_mask: 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 **kwargs ) transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 词汇表中输入序列 token 的索引。

    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?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length), 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示未被掩码的 token,
    • 0 表示被掩码的 token。

    什么是注意力掩码?

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列 token 在位置嵌入中的位置索引。在 [0, config.max_position_embeddings - 1] 范围内选择。

    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。如果您希望比模型的内部嵌入查找矩阵对如何将 input_ids 索引转换为相关向量有更多控制权,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。有关更多详细信息,请参见返回的张量中的 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,请参见返回的张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 元组(如果传递了 return_dict=False 或者当 config.return_dict=False 时),包括根据配置 (MPNetConfig) 和输入的不同元素。

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

  • pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size)) — 序列的第一个 token(分类 token)的最后一层隐藏状态,在经过用于辅助预训练任务的层进一步处理后。例如,对于 BERT 家族的模型,这将在经过线性层和 tanh 激活函数处理后返回分类 token。线性层权重是在预训练期间从下一个句子预测(分类)目标中训练的。

  • hidden_states (tuple(torch.FloatTensor), 可选, 在传递 output_hidden_states=True 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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 MPNetModel 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MPNetModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetModel.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

MPNetForMaskedLM

class transformers.MPNetForMaskedLM

< >

( config )

正向

< >

( input_ids: Optional = None attention_mask: 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.MaskedLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列 token 在词汇表中的索引。

    可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 ID?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length), 可选) — 掩码用于避免对填充 token 索引执行注意力。掩码值在 [0, 1] 中选择:

    • 1 表示未被掩盖的 token,
    • 0 表示被掩盖的 token。

    什么是注意力掩码?

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 每个输入序列 token 在位置嵌入中的位置索引。在 [0, config.max_position_embeddings - 1] 范围内选择。

    什么是位置 ID?

  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 掩码用于使自注意力模块中选定的头无效。掩码值在 [0, 1] 中选择:

    • 1 表示未被掩盖的头,
    • 0 表示被掩盖的头。
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,您也可以选择直接传入嵌入表示,而不是传入 input_ids。如果您希望比模型的内部嵌入查找矩阵更精确地控制如何将input_ids 索引转换为关联的向量,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。查看返回张量中的 attentions 获取更多详细信息。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。查看返回张量中的 hidden_states 获取更多详细信息。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。
  • labels (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 用于计算掩码语言建模损失的标签。索引应在 [-100, 0, ..., config.vocab_size] 中(参见 input_ids 文档字符串)索引设置为 -100 的标记将被忽略(掩码),损失仅针对标签在 [0, ..., config.vocab_size] 中的标记计算

返回值

transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.MaskedLMOutputtorch.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 (MPNetConfig) 和输入的不同元素。

  • 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)) — 语言建模头的预测得分(SoftMax 之前每个词汇标记的得分)。

  • hidden_states (tuple(torch.FloatTensor), 可选, 在传递 output_hidden_states=True 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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 MPNetForMaskedLM forward 方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MPNetForMaskedLM
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForMaskedLM.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # retrieve index of [MASK]
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]

>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)

>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-[MASK] tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)

>>> outputs = model(**inputs, labels=labels)

MPNetForSequenceClassification

class transformers.MPNetForSequenceClassification

< >

( config )

参数

  • config (MPNetConfig) — 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,只加载配置。查看 from_pretrained() 方法加载模型权重。

MPNet 模型转换器,在其顶部有一个序列分类/回归头(在池化输出之上的线性层),例如用于 GLUE 任务。

此模型继承自 PreTrainedModel。查看超类文档以了解库为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、修剪头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

正向

< >

( input_ids: Optional = None attention_mask: 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.SequenceClassifierOutputtuple(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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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] 中选择的掩码值:

    • 1 用于未被掩码的标记,
    • 0 用于被掩码的标记。

    什么是注意力掩码?

  • 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。选择范围在 [0, config.max_position_embeddings - 1] 之间。

    什么是位置 ID?

  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 掩码以使自注意力模块中选定的头无效。掩码值选择在 [0, 1] 之间:

    • 1 表示头未被屏蔽
    • 0 表示头被屏蔽
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,除了传递 input_ids 之外,您还可以选择直接传递嵌入表示。如果您希望对如何将 input_ids 索引转换为关联向量进行更多控制,这很有用,而不是模型的内部嵌入查找矩阵。
  • 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
  • return_dict (bool可选) — 是否返回一个 ModelOutput 而不是一个普通元组。
  • 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] 之间。如果 config.num_labels == 1,则计算回归损失(均方损失),如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回值

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutputtorch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含取决于配置 (MPNetConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,在提供 labels 时返回) — 分类(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(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 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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。

MPNetForSequenceClassification 正向方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

单标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, MPNetForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForSequenceClassification.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = MPNetForSequenceClassification.from_pretrained("microsoft/mpnet-base", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss

多标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, MPNetForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForSequenceClassification.from_pretrained("microsoft/mpnet-base", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = MPNetForSequenceClassification.from_pretrained(
...     "microsoft/mpnet-base", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

MPNetForMultipleChoice

class transformers.MPNetForMultipleChoice

< >

( config )

参数

  • config (MPNetConfig) — 模型配置类,包含模型的所有参数。使用配置文

在 MPNet 模型顶端添加多项选择分类头(在池化输出顶端添加线性层和 softmax),例如用于 RocStories/SWAG 任务。

此模型继承自 PreTrainedModel。查看超类文档以了解库为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、修剪头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

正向

< >

( input_ids: Optional = None attention_mask: 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.MultipleChoiceModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, num_choices, sequence_length)) — 词汇表中输入序列令牌的索引。

    可以使用AutoTokenizer 获取索引。查看PreTrainedTokenizer.encode()PreTrainedTokenizer.call()了解详情。

    什么是输入 ID?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length), 可选) — 掩码以避免对填充令牌索引执行注意力。掩码值选择在 [0, 1] 中:

    • 1 代表未被掩码的令牌,
    • 0 代表被掩码的令牌。

    什么是注意力掩码?

  • position_ids (torch.LongTensor 形状为 (batch_size, num_choices, sequence_length), 可选) — 位置嵌入中每个输入序列令牌位置的索引。选择在 [0, config.max_position_embeddings - 1] 范围内。

    什么是位置 ID?

  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 掩码以使自注意力模块的选定头无效。掩码值选择在 [0, 1] 中:

    • 1 表示头未被掩码
    • 0 表示头被掩码
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, num_choices, sequence_length, hidden_size), 可选) — 可选地,您
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。查看返回张量下的 attentions 以了解更多详情。
  • 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
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。
  • labels (torch.LongTensor 形状为 (batch_size,)可选) — 用于计算多项选择分类损失的标签。索引应在 [0, ..., num_choices-1] 中,其中 num_choices 是输入张量的第二维的大小。(参见上面的 input_ids

返回值

transformers.modeling_outputs.MultipleChoiceModelOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.MultipleChoiceModelOutput 或一个 torch.FloatTensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包括根据配置(MPNetConfig)和输入的不同元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,当提供 labels 时返回) — 分类损失。

  • logits (torch.FloatTensor 形状为 (batch_size, num_choices)) — num_choices 是输入张量的第二维。(参见上面的 input_ids)。

    分类分数(在 SoftMax 之前)。

  • hidden_states (tuple(torch.FloatTensor), 可选, 在传递 output_hidden_states=True 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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 MPNetForMultipleChoice 正向方法,覆盖 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MPNetForMultipleChoice
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForMultipleChoice.from_pretrained("microsoft/mpnet-base")

>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> labels = torch.tensor(0).unsqueeze(0)  # choice0 is correct (according to Wikipedia ;)), batch size 1

>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="pt", padding=True)
>>> outputs = model(**{k: v.unsqueeze(0) for k, v in encoding.items()}, labels=labels)  # batch size is 1

>>> # the linear classifier still needs to be trained
>>> loss = outputs.loss
>>> logits = outputs.logits

MPNetForTokenClassification

class transformers.MPNetForTokenClassification

< >

( config )

参数

  • config (MPNetConfig) — 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,只会加载配置。查看 from_pretrained() 方法以加载模型权重。

带有顶部标记分类头的 MPNet 模型(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、修剪头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

正向

< >

( input_ids: Optional = None attention_mask: 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.TokenClassifierOutputtuple(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,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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的掩码。在 [0, 1] 中选择的掩码值:

    • 1 表示未屏蔽的标记,
    • 0 表示屏蔽的标记。

    什么是注意力掩码?

  • 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.max_position_embeddings - 1] 范围内选择。

    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。在 [0, 1] 中选择的掩码值:

    • 1 表示头部未屏蔽
    • 0 表示头部屏蔽
  • 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对如何将input_ids 索引转换为关联向量有更多控制,这将非常有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。
  • 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] 中。

返回值

transformers.modeling_outputs.TokenClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.TokenClassifierOutputtorch.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 (MPNetConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,在提供 labels 时返回) — 分类损失。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.num_labels)) — 分类分数(在 SoftMax 之前)。

  • hidden_states (tuple(torch.FloatTensor), 可选, 在传递 output_hidden_states=True 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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 MPNetForTokenClassification forward 方法,重写 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MPNetForTokenClassification
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForTokenClassification.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
... )

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_token_class_ids = logits.argmax(-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]

>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss

MPNetForQuestionAnswering

class transformers.MPNetForQuestionAnswering

( config )

参数

  • config (MPNetConfig) — 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,只会加载配置。查看 from_pretrained() 方法加载模型权重。

在 MPNet 模型上添加一个跨度分类头,用于 SQuAD 等抽取式问答任务(在隐藏状态输出之上添加线性层,以计算span start logitsspan end logits)。

此模型继承自 PreTrainedModel。查看超类文档以了解库为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、修剪头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

正向

< >

( input_ids: Optional = None attention_mask: 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.QuestionAnsweringModelOutputtuple(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。

    可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 ID?

  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)可选) — 掩码,用于避免对填充标记索引执行注意力。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。

    什么是注意力掩码?

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length)可选) — 每个输入序列标记在位置嵌入中的位置索引。选择在范围 [0, config.max_position_embeddings - 1] 中。

    什么是位置 ID?

  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 掩码,用于使自注意力模块的选定头部失效。掩码值选择在 [0, 1] 中:

    • 1 表示 未掩码 的头部,
    • 0 表示 掩码 的头部。
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选,代替传递 input_ids,可以选择直接传递嵌入表示。如果你希望比模型的内部嵌入查找矩阵更能控制如何将input_ids 索引转换为相关向量,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。查看返回张量中的 attentions 获取更多详细信息。
  • 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
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。
  • start_positions (torch.LongTensor 形状为 (batch_size,), 可选) — 用于计算令牌分类损失的标记跨度的开始位置(索引)的标签。位置被限制在序列的长度(sequence_length)内。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) — 用于计算令牌分类损失的标记跨度的结束位置(索引)的标签。位置被限制在序列的长度(sequence_length)内。序列之外的位置不会被考虑用于计算损失。

返回值

transformers.modeling_outputs.QuestionAnsweringModelOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.QuestionAnsweringModelOutput 或一个 torch.FloatTensor 的元组(如果传递了return_dict=False 或当 config.return_dict=False 时),包含根据配置 (MPNetConfig) 和输入的不同元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选, 当提供labels 时返回) — 总跨度提取损失是起始位置和结束位置的交叉熵的总和。

  • start_logits (torch.FloatTensor 形状为 (batch_size, sequence_length)) — 跨度起始分数(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 或者当 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,加一个用于每一层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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 或者当 config.output_attentions=True 时返回) — torch.FloatTensor 元组(每一层一个),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。

MPNetForQuestionAnswering 正向方法覆盖了__call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MPNetForQuestionAnswering
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = MPNetForQuestionAnswering.from_pretrained("microsoft/mpnet-base")

>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"

>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()

>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]

>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
TensorFlow
隐藏 TensorFlow 内容

TFMPNetModel

class transformers.TFMPNetModel

< >

( config *inputs **kwargs )

参数

  • config (MPNetConfig) — 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() 方法以加载模型权重。

不带任何特定头部,输出原始隐藏状态的裸 MPNet 模型转换器。

此模型继承自 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

transformers 中的 TensorFlow 模型和层接受两种格式作为输入

  • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
  • 将所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

  • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
  • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: Optional[Union[np.array, tf.Tensor]] = None position_ids: Optional[Union[np.array, tf.Tensor]] = None head_mask: Optional[Union[np.array, tf.Tensor]] = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False ) transformers.modeling_tf_outputs.TFBaseModelOutput or tuple(tf.Tensor)

参数

  • input_ids (Numpy 数组tf.Tensor 形状为 (batch_size, sequence_length)) — 输入序列词元的词汇索引。

    索引可以通过 AutoTokenizer 获得。 参见 PreTrainedTokenizer.call()PreTrainedTokenizer.encode() 获取详细信息。

    什么是输入 ID?

  • attention_mask (Numpy 数组tf.Tensor 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操作。 掩码值从 [0, 1] 中选择:

    • 1 表示未被掩码的词元,
    • 0 表示被掩码的词元。

    什么是注意力掩码?

  • position_ids (Numpy 数组tf.Tensor 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。 从范围 [0, config.max_position_embeddings - 1] 中选择。

    什么是位置 ID?

  • head_mask (Numpy 数组tf.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 掩码,用于将自注意力模块中选定的头部设为零。 掩码值从 [0, 1] 中选择:

    • 1 表示未被掩码的头部,
    • 0 表示被掩码的头部。
  • inputs_embeds (tf.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。 如果你想要比模型内部嵌入查找矩阵对如何将 input_ids 索引转换为关联向量有更多控制权,这很有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。 参见返回张量中的 attentions 获取更多详细信息。 此参数仅在急切模式下可用,在图模式下将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。 参见返回张量中的 hidden_states 获取更多详细信息。 此参数仅在急切模式下可用,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 此参数可在急切模式下使用,在图模式下,该值将始终设置为 True。
  • training (bool, 可选, 默认为 False) — 是否以训练模式使用模型 (某些模块,例如 dropout 模块,在训练和评估之间具有不同的行为)。

返回值

transformers.modeling_tf_outputs.TFBaseModelOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFBaseModelOutputtf.Tensor 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 (MPNetConfig) 和输入的各种元素。

  • last_hidden_state (tf.Tensor 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。

  • hidden_states (tuple(tf.FloatTensor), 可选, 在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)tf.Tensor 的元组 (一个用于嵌入的输出 + 一个用于每一层的输出)。

    模型在每一层输出处的隐藏状态加上初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

    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 TFMPNetModel forward method, overrides the __call__ special method.

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, TFMPNetModel
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = TFMPNetModel.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)

>>> last_hidden_states = outputs.last_hidden_state

TFMPNetForMaskedLM

class transformers.TFMPNetForMaskedLM

< >

( config *inputs **kwargs )

参数

  • config (MPNetConfig) — 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。

带有 语言建模 头的 MPNet 模型。

此模型继承自 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

transformers 中的 TensorFlow 模型和层接受两种格式作为输入

  • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
  • 将所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

  • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
  • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFMaskedLMOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy 数组tf.Tensor 形状为 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。

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

    什么是输入 ID?

  • attention_mask (Numpy 数组tf.Tensor 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] 中选择的掩码值:

    • 1 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • position_ids (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length)可选) — 每个输入序列词元的在位置嵌入中的位置索引。选择范围在 [0, config.max_position_embeddings - 1] 之间。

    什么是位置 ID?

  • head_mask (Numpy arraytf.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无效的掩码。掩码值选择范围在 [0, 1] 之间:

    • 1 表示头未被屏蔽
    • 0 表示头被屏蔽
  • inputs_embeds (tf.Tensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,除了传入 input_ids 之外,您可以选择直接传入嵌入式表示。如果您希望比模型内部的嵌入查找矩阵对如何将 input_ids 索引转换为关联向量有更多控制权,这很有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量中的 attentions。此参数只能在急切模式下使用,在图形模式下将使用配置中的值。
  • 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。此参数只能在急切模式下使用,在图形模式下将使用配置中的值。
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。此参数可以在急切模式下使用,在图形模式下,该值将始终设置为 True。
  • training (bool可选,默认为 False) — 是否在训练模式下使用模型(某些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。
  • labels (tf.Tensor 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 [-100, 0, ..., config.vocab_size] 之间(参见 input_ids 文档字符串)索引设置为 -100 的词元被忽略(掩码),损失仅针对标签在 [0, ..., config.vocab_size] 之间的词元计算

返回值

transformers.modeling_tf_outputs.TFMaskedLMOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFMaskedLMOutputtf.Tensor 元组(如果传入 return_dict=Falseconfig.return_dict=False 时),包含根据配置 (MPNetConfig) 和输入的不同元素。

  • loss (tf.Tensor 形状为 (n,)可选,其中 n 是未被屏蔽标签的数量,在提供 labels 时返回) — 掩码语言建模 (MLM) 损失。

  • logits (tf.Tensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数(在 SoftMax 之前每个词汇表词元的得分)。

  • hidden_states (tuple(tf.Tensor)可选,在传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — tf.Tensor 元组(一个用于嵌入输出,另一个用于每个层的输出),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初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

    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 TFMPNetForMaskedLM forward method, overrides the __call__ special method.

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, TFMPNetForMaskedLM
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = TFMPNetForMaskedLM.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="tf")
>>> logits = model(**inputs).logits

>>> # retrieve index of [MASK]
>>> mask_token_index = tf.where((inputs.input_ids == tokenizer.mask_token_id)[0])
>>> selected_logits = tf.gather_nd(logits[0], indices=mask_token_index)

>>> predicted_token_id = tf.math.argmax(selected_logits, axis=-1)
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="tf")["input_ids"]
>>> # mask labels of non-[MASK] tokens
>>> labels = tf.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)

>>> outputs = model(**inputs, labels=labels)

TFMPNetForSequenceClassification

class transformers.TFMPNetForSequenceClassification

< >

( config *inputs **kwargs )

参数

  • config (MPNetConfig) — 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。

MPNet 模型转换器,在其顶部有一个序列分类/回归头(在池化输出之上的线性层),例如用于 GLUE 任务。

此模型继承自 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

transformers 中的 TensorFlow 模型和层接受两种格式作为输入

  • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
  • 将所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

  • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
  • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: Optional[Union[np.array, tf.Tensor]] = None position_ids: Optional[Union[np.array, tf.Tensor]] = None head_mask: Optional[Union[np.array, tf.Tensor]] = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFSequenceClassifierOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy arraytf.Tensor 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.call()PreTrainedTokenizer.encode()

    什么是输入 ID?

  • attention_mask (Numpy arraytf.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的掩码。掩码值选择在 [0, 1] 中:

    • 1 用于未掩码的标记,
    • 0 用于掩码的标记。

    什么是注意力掩码?

  • position_ids (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length), 可选) — 输入序列标记在位置嵌入中的位置索引。选择在 [0, config.max_position_embeddings - 1] 范围内。

    什么是位置 ID?

  • head_mask (Numpy arraytf.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使自注意力模块中选定的头部失效的掩码。掩码值选择在 [0, 1] 中:

    • 1 表示头部未掩码
    • 0 表示头部掩码
  • inputs_embeds (tf.Tensor 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。如果您想更好地控制如何将 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),这将很有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参见返回张量下的attentions。此参数仅可在急切模式下使用,在图形模式下将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参见返回张量下的hidden_states。此参数仅可在急切模式下使用,在图形模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。此参数可在急切模式下使用,在图形模式下,该值将始终设置为 True。
  • training (bool, 可选, 默认值 False) — 是否在训练模式下使用模型(某些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。
  • labels (tf.Tensor 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(均方损失),如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回值

transformers.modeling_tf_outputs.TFSequenceClassifierOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一个 tf.Tensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含取决于配置(MPNetConfig)和输入的各种元素。

  • loss (tf.Tensor 形状为 (batch_size, ), 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 (tf.Tensor 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(tf.Tensor)可选,在传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — tf.Tensor 元组(一个用于嵌入输出,另一个用于每个层的输出),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初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

    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 TFMPNetForSequenceClassification 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, TFMPNetForSequenceClassification
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = TFMPNetForSequenceClassification.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")

>>> logits = model(**inputs).logits

>>> predicted_class_id = int(tf.math.argmax(logits, axis=-1)[0])
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = TFMPNetForSequenceClassification.from_pretrained("microsoft/mpnet-base", num_labels=num_labels)

>>> labels = tf.constant(1)
>>> loss = model(**inputs, labels=labels).loss

TFMPNetForMultipleChoice

class transformers.TFMPNetForMultipleChoice

< >

( config *inputs **kwargs )

参数

  • config (MPNetConfig) — 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,只会加载配置。查看 from_pretrained() 方法以加载模型权重。

在 MPNet 模型顶端添加多项选择分类头(在池化输出顶端添加线性层和 softmax),例如用于 RocStories/SWAG 任务。

此模型继承自 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

transformers 中的 TensorFlow 模型和层接受两种格式作为输入

  • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
  • 将所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

  • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
  • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFMultipleChoiceModelOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy 数组tf.Tensor 形状为 (batch_size, num_choices, sequence_length)) — 词汇表中输入序列标记的索引。

    索引可使用 AutoTokenizer 获得。有关详细信息,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是输入 ID?

  • attention_mask (Numpy 数组tf.Tensor 形状为 (batch_size, num_choices, sequence_length), 可选) — 掩码以避免对填充标记索引执行注意力。掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • position_ids (Numpy 数组tf.Tensor 形状为 (batch_size, num_choices, sequence_length), 可选) — 位置嵌入中每个输入序列标记位置的索引。在 [0, config.max_position_embeddings - 1] 范围内选择。

    什么是位置 ID?

  • head_mask (Numpy 数组tf.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 掩码以使自注意力模块的选定头部无效。掩码值在 [0, 1] 中选择:

    • 1 表示头部未掩码,
    • 0 表示头部已掩码。
  • inputs_embeds (tf.Tensor 形状为 (batch_size, num_choices, sequence_length, hidden_size), 可选) — 可选地,而不是传递 input_ids,您可以选择直接传递嵌入表示。如果您想比模型的内部嵌入查找矩阵对如何将 input_ids 索引转换为关联向量有更多控制,这将非常有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions。此参数仅可在急切模式下使用,在图形模式下,将使用配置中的值。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states。此参数仅可在急切模式下使用,在图形模式下,将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。此参数可在急切模式下使用,在图形模式下,该值将始终设置为 True。
  • training (bool
  • labels (tf.Tensor 形状为 (batch_size,), 可选) — 用于计算多选分类损失的标签。 索引应在 [0, ..., num_choices] 中,其中 num_choices 是输入张量第二维的大小。(参见上面的 input_ids

返回值

transformers.modeling_tf_outputs.TFMultipleChoiceModelOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFMultipleChoiceModelOutputtf.Tensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置(MPNetConfig)和输入的不同元素。

  • loss (tf.Tensor 形状为 (batch_size, ), 可选, 当提供 labels 时返回) — 分类损失。

  • logits (tf.Tensor 形状为 (batch_size, num_choices)) — num_choices 是输入张量的第二维大小。(参见上面的 input_ids)。

    分类分数(在 SoftMax 之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — tf.Tensor 元组(一个用于嵌入输出,另一个用于每个层的输出),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初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

    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 TFMPNetForMultipleChoice 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, TFMPNetForMultipleChoice
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = TFMPNetForMultipleChoice.from_pretrained("microsoft/mpnet-base")

>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."

>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="tf", padding=True)
>>> inputs = {k: tf.expand_dims(v, 0) for k, v in encoding.items()}
>>> outputs = model(inputs)  # batch size is 1

>>> # the linear classifier still needs to be trained
>>> logits = outputs.logits

TFMPNetForTokenClassification

class transformers.TFMPNetForTokenClassification

< >

( config *inputs **kwargs )

参数

  • config (MPNetConfig) — 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,只会加载配置。 查看 from_pretrained() 方法来加载模型权重。

带有顶部标记分类头的 MPNet 模型(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 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

transformers 中的 TensorFlow 模型和层接受两种格式作为输入

  • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
  • 将所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

  • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
  • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: tf.Tensor | None = None training: bool = False ) transformers.modeling_tf_outputs.TFTokenClassifierOutputtuple(tf.Tensor)

参数

  • input_ids (NumPy 数组tf.Tensor 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。 查看 PreTrainedTokenizer.call()PreTrainedTokenizer.encode() 以获取详细信息。

    什么是输入 ID?

  • attention_mask (NumPy 数组tf.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 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • position_ids (NumPy 数组tf.Tensor 形状为 (batch_size, sequence_length), 可选) — 输入序列标记在位置嵌入中的位置索引。 选择范围在 [0, config.max_position_embeddings - 1] 内。

    什么是位置 ID?

  • head_mask (Numpy 数组tf.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无效的掩码。在 [0, 1] 中选择的掩码值:

    • 1 表示头部未被掩盖,
    • 0 表示头部被掩盖.
  • inputs_embeds (tf.Tensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,而不是传递 input_ids,您可以选择直接传递嵌入式表示。如果您希望对如何将 input_ids 索引转换为相关的向量比模型的内部嵌入查找矩阵有更多控制,这将很有用。
  • output_attentions (布尔值, 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。此参数仅可在渴望模式下使用,在图模式下,配置中的值将被使用。
  • output_hidden_states (布尔值, 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。此参数仅可在渴望模式下使用,在图模式下,配置中的值将被使用。
  • return_dict (布尔值, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。此参数可在渴望模式下使用,在图模式下,该值始终设置为 True。
  • training (布尔值, 可选, 默认为 False) — 是否在训练模式下使用模型(一些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。
  • labels (tf.Tensor 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] 中。

返回值

transformers.modeling_tf_outputs.TFTokenClassifierOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFTokenClassifierOutput 或一个 tf.Tensor 元组(如果传递 return_dict=False 或当 config.return_dict=False 时),包括根据配置 (MPNetConfig) 和输入的不同元素。

  • loss (tf.Tensor 形状为 (n,), 可选, 其中 n 是未被掩盖标签的数量,当提供 labels 时返回) — 分类损失。

  • logits (tf.Tensor 形状为 (batch_size, sequence_length, config.num_labels)) — 分类分数(在 SoftMax 之前)。

  • hidden_states (tuple(tf.Tensor)可选,在传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — tf.Tensor 元组(一个用于嵌入输出,另一个用于每个层的输出),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初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

    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 TFMPNetForTokenClassification 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoTokenizer, TFMPNetForTokenClassification
>>> import tensorflow as tf

>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
>>> model = TFMPNetForTokenClassification.from_pretrained("microsoft/mpnet-base")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="tf"
... )

>>> logits = model(**inputs).logits
>>> predicted_token_class_ids = tf.math.argmax(logits, axis=-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t] for t in predicted_token_class_ids[0].numpy().tolist()]
>>> labels = predicted_token_class_ids
>>> loss = tf.math.reduce_mean(model(**inputs, labels=labels).loss)

TFMPNetForQuestionAnswering

class transformers.TFMPNetForQuestionAnswering

< >

( config *inputs **kwargs )

参数

  • span start logitsspan end logits)。

    此模型继承自 TFPreTrainedModel。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、调整输入嵌入大小、修剪头部等)。

    此模型也是一个 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档了解有关一般用法和行为的所有事宜。

    transformers 中的 TensorFlow 模型和层接受两种格式作为输入

    • 将所有输入作为关键字参数(类似 PyTorch 模型),或者
    • 将所有输入作为第一个位置参数中的列表、元组或字典。

    支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,事情应该会“正常工作” - 只需将您的输入和标签传递到 model.fit() 支持的任何格式中!但是,如果您想在 Keras 方法(例如 fit()predict())之外使用第二种格式,例如在使用 Keras Functional API 创建自己的层或模型时,您可以使用三种可能性来收集第一个位置参数中的所有输入张量

    • 单个包含仅 input_ids 的张量,没有其他内容:model(input_ids)
    • 一个包含一个或多个输入张量的可变长度列表,按文档字符串中给出的顺序排列:model([input_ids, attention_mask])model([input_ids, attention_mask, token_type_ids])
    • 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入张量:model({"input_ids": input_ids, "token_type_ids": token_type_ids})

    请注意,在使用 子类化 创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他 Python 函数一样传递输入!

    调用

    < >

    ( input_ids: TFModelInputType | None = None attention_mask: Optional[Union[np.array, tf.Tensor]] = None position_ids: Optional[Union[np.array, tf.Tensor]] = None head_mask: Optional[Union[np.array, tf.Tensor]] = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None start_positions: tf.Tensor | None = None end_positions: tf.Tensor | None = None training: bool = False **kwargs ) transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutputtuple(tf.Tensor)

    参数

    • input_ids (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length)) — 输入序列词元的词典索引。

      索引可以通过 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

      什么是输入 ID?

    • attention_mask (Numpy arraytf.Tensor 形状为 (batch_size, sequence_length), 可选) — 掩码以避免对填充词元索引执行注意力。掩码值选择在 [0, 1] 中:

      • 1 表示未掩码的词元,
      • 0 表示掩码的词元。

      什么是注意力掩码?

    • position_ids (Numpy arraytf.Tensor 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。选择在 [0, config.max_position_embeddings - 1] 范围内。

      什么是位置 ID?

    • head_mask (Numpy arraytf.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 掩码以使自注意力模块的选定头部无效。掩码值选择在 [0, 1] 中:

      • 1 表示未掩码的头部,
      • 0 表示掩码的头部。
    • inputs_embeds (tf.Tensor 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。如果您想对如何将 input_ids 索引转换为关联向量进行更多控制,而不是模型的内部嵌入查找矩阵,这将非常有用。
    • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量中的 attentions。此参数仅可在急切模式下使用,在图形模式下,将使用配置中的值。
    • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量中的 hidden_states。此参数仅可在急切模式下使用,在图形模式下,将使用配置中的值。
    • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。此参数可以在 eager 模式下使用,在 graph 模式下,该值将始终设置为 True。
    • training (bool, 可选, 默认为 False) — 是否在训练模式下使用模型(一些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。
    • start_positions (tf.Tensor 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 (tf.Tensor 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_tf_outputs.TFQuestionAnsweringModelOutputtuple(tf.Tensor)

    一个 transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput 或一个 tf.Tensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含取决于配置(MPNetConfig)和输入的不同元素。

    • loss (tf.Tensor 形状为 (batch_size, ), 可选, 当提供 start_positionsend_positions 时返回) — 总跨度提取损失是开始和结束位置的交叉熵的总和。

    • start_logits (tf.Tensor 形状为 (batch_size, sequence_length)) — 跨度开始分数(在 SoftMax 之前)。

    • end_logits (tf.Tensor 形状为 (batch_size, sequence_length)) — 跨度结束分数(在 SoftMax 之前)。

    • hidden_states (tuple(tf.Tensor)可选,在传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — tf.Tensor 元组(一个用于嵌入输出,另一个用于每个层的输出),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初始嵌入输出。

    • attentions (tuple(tf.Tensor), 可选, 在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组 (每一层一个)。

      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 TFMPNetForQuestionAnswering 正向方法,覆盖了 __call__ 特殊方法。

    虽然正向传递的配方需要在此函数中定义,但应该随后调用 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,而后者则静默地忽略它们。

    示例

    >>> from transformers import AutoTokenizer, TFMPNetForQuestionAnswering
    >>> import tensorflow as tf
    
    >>> tokenizer = AutoTokenizer.from_pretrained("microsoft/mpnet-base")
    >>> model = TFMPNetForQuestionAnswering.from_pretrained("microsoft/mpnet-base")
    
    >>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
    
    >>> inputs = tokenizer(question, text, return_tensors="tf")
    >>> outputs = model(**inputs)
    
    >>> answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
    >>> answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])
    
    >>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
    >>> # target is "nice puppet"
    >>> target_start_index = tf.constant([14])
    >>> target_end_index = tf.constant([15])
    
    >>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
    >>> loss = tf.math.reduce_mean(outputs.loss)
< > Update on GitHub