Transformers文档

MVP

Hugging Face's logo
加入Hugging Face社区

并享受增强的文档体验

开始使用

MVP

概述

MVP模型由Tianyi Tang、Junyi Li、Wayne Xin Zhao和Ji-Rong Wen在《MVP: Multi-task Supervised Pre-training for Natural Language Generation》中提出。

根据摘要,

  • MVP遵循标准的Transformer编码器-解码器架构。
  • MVP使用带标签的数据集进行监督预训练。
  • MVP还具有特定于任务的软提示以激发模型在执行特定任务的能力。
  • 多用途生成模型(MVP)专门设计用于自然语言生成,并且能够适应广泛的生成任务,包括但不限于摘要、数据到文本生成、开放式对话系统、故事生成、问答、问题生成、任务对话系统、常识生成、释义生成、文本风格转换和文本简化。我们的模型也可以适应自然语言理解任务,例如序列分类和(基于抽取的)问答。

本模型由 Tianyi Tang 贡献。详细信息和使用说明请参阅 此处

使用技巧

  • 我们在此发布了包括 MVP、带有任务特定提示的 MVP 和多任务预训练变体等一系列模型 此处
  • 如果您想使用不带提示的模型(标准 Transformer),您可以通过 MvpForConditionalGeneration.from_pretrained('RUCAIBox/mvp') 载入。
  • 如果您想使用具有特定任务提示的模型,例如摘要,您可以通过 MvpForConditionalGeneration.from_pretrained('RUCAIBox/mvp-summarization') 载入。
  • 我们的模型支持轻量级提示调整,并遵循 Prefix-tuning 方法,并通过 set_lightweight_tuning() 进行调整。

使用示例

对于摘要,使用 MVP 和具有摘要特定提示的 MVP 的示例。

>>> from transformers import MvpTokenizer, MvpForConditionalGeneration

>>> tokenizer = MvpTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mvp")
>>> model_with_prompt = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mvp-summarization")

>>> inputs = tokenizer(
...     "Summarize: You may want to stick it to your boss and leave your job, but don't do it if these are your reasons.",
...     return_tensors="pt",
... )
>>> generated_ids = model.generate(**inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
["Why You Shouldn't Quit Your Job"]

>>> generated_ids = model_with_prompt.generate(**inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
["Don't do it if these are your reasons"]

对于数据到文本生成,使用 MVP 和多任务预训练变体的示例。

>>> from transformers import MvpTokenizerFast, MvpForConditionalGeneration

>>> tokenizer = MvpTokenizerFast.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mvp")
>>> model_with_mtl = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mtl-data-to-text")

>>> inputs = tokenizer(
...     "Describe the following data: Iron Man | instance of | Superhero [SEP] Stan Lee | creator | Iron Man",
...     return_tensors="pt",
... )
>>> generated_ids = model.generate(**inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
['Stan Lee created the character of Iron Man, a fictional superhero appearing in American comic']

>>> generated_ids = model_with_mtl.generate(**inputs)
>>> tokenizer.batch_decode(generated_ids, skip_special_tokens=True)
['Iron Man is a fictional superhero appearing in American comic books published by Marvel Comics.']

对于轻量级调整,即固定模型只调整提示,您可以加载带有随机初始化提示或带有特定任务提示的 MVP。我们的代码还支持按照 原始论文 的方法进行 Prefix-tuning 的 BART。

>>> from transformers import MvpForConditionalGeneration

>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mvp", use_prompt=True)
>>> # the number of trainable parameters (full tuning)
>>> sum(p.numel() for p in model.parameters() if p.requires_grad)
468116832

>>> # lightweight tuning with randomly initialized prompts
>>> model.set_lightweight_tuning()
>>> # the number of trainable parameters (lightweight tuning)
>>> sum(p.numel() for p in model.parameters() if p.requires_grad)
61823328

>>> # lightweight tuning with task-specific prompts
>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mtl-data-to-text")
>>> model.set_lightweight_tuning()
>>> # original lightweight Prefix-tuning
>>> model = MvpForConditionalGeneration.from_pretrained("facebook/bart-large", use_prompt=True)
>>> model.set_lightweight_tuning()

资源

MvpConfig

transformers.MvpConfig

< >

( vocab_size = 50267 max_position_embeddings = 1024 encoder_layers = 12 encoder_ffn_dim = 4096 encoder_attention_heads = 16 decoder_layers = 12 decoder_ffn_dim = 4096 decoder_attention_heads = 16 encoder_layerdrop = 0.0 decoder_layerdrop = 0.0 activation_function = 'gelu' d_model = 1024 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 classifier_dropout = 0.0 scale_embedding = False use_cache = True pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 is_encoder_decoder = True decoder_start_token_id = 2 forced_eos_token_id = 2 use_prompt = False prompt_length = 100 prompt_mid_dim = 800 **kwargs )

参数

  • vocab_size (int, 可选,默认为 50267) — MVP 模型的词汇表大小。定义了在调用 MvpModel 时通过 inputs_ids 传递的不同标记的数量。
  • d_model (int, 可选, 默认为 1024) — 层数和池化层的维度。
  • encoder_layers (int, 可选, 默认为 12) — 编码器层数。
  • decoder_layers (int, 可选, 默认为 12) — 解码器层数。
  • encoder_attention_heads (int, 可选, 默认为 16) — Transformer编码器中每个注意力层中的注意力头数。
  • decoder_attention_heads (int, 可选,默认为 16) — Transformer 解码器中每个注意力层的注意力头数量。
  • decoder_ffn_dim (int, 可选,默认为 4096) — 解码器中“中间”层(通常称为前馈层)的维度。
  • encoder_ffn_dim (int, 可选,默认为 4096) — 编码器中“中间”层(通常称为前馈层)的维度。
  • activation_function (strfunction可选,默认为 "gelu") — 编码器和池器中的非线性激活函数(函数或字符串)。如果是字符串,支持 "gelu""relu""silu""gelu_new"
  • dropoutfloat可选,默认为0.1)— 适用于嵌入层、编码器层和池化层中所有全连接层的dropout概率。
  • attention_dropoutfloat可选,默认为0.0)— 注意力概率的dropout比率。
  • activation_dropoutfloat可选,默认为0.0)— 适用于全连接层内部的激活的dropout比率。
  • classifier_dropoutfloat可选,默认为0.0)— 对于分类器的dropout比率。
  • max_position_embeddings (int, 可选,默认为 1024) — 该模型可能使用的最大序列长度。通常设置得大一些以防万一(例如,512、1024 或 2048)。
  • init_std (float, 可选,默认为 0.02) — 所有权重矩阵初始化时 truncated_normal_initializer 的标准差。
  • encoder_layerdrop (float, 可选,默认为 0.0) — 编码器的 LayerDrop 概率。详见 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。
  • decoder_layerdrop (float, 可选,默认为 0.0) — 解码器的 LayerDrop 概率。详见 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。
  • scale_embedding (bool, 可选,默认为 False) — 通过除以 sqrt(d_model) 来缩放嵌入的大小。
  • use_cache (bool, 可选,默认为 True) — 模型是否应该返回最后一次键/值注意力(不由所有模型使用)。
  • forced_eos_token_id (int, 可选,默认为 2) — 当 max_length 达到时,强制作为最后一个生成的令牌的令牌 id。通常设置为 eos_token_id
  • use_prompt (bool, 可选,默认为 False) — 是否使用提示文本。
  • prompt_length (int, 可选, 默认为100) — 提示的长度。
  • prompt_mid_dim (int, 可选, 默认为800) — 提示中“中间”层的维度。

这是用于存储MvpModel配置的配置类。它根据指定的参数来实例化一个MVP模型,定义模型架构。使用默认值创建配置将生成类似于RUCAIBox/mvp架构的配置。

配置对象继承自PretrainedConfig,并且可以用来控制模型输出。更多请参阅PretrainedConfig的文档。

示例

>>> from transformers import MvpConfig, MvpModel

>>> # Initializing a MVP RUCAIBox/mvp style configuration
>>> configuration = MvpConfig()

>>> # Initializing a model (with random weights) from the RUCAIBox/mvp style configuration
>>> model = MvpModel(configuration)

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

MvpTokenizer

transformers.MvpTokenizer

< >

( vocab_file merges_file 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 **kwargs )

参数

  • vocab_file (str) — 词汇表文件路径。
  • merges_file (str) — 合并文件的路径。
  • errors (str, 可选, 默认为 "replace") — 将字节解码为UTF-8时遵循的模式。有关更多信息,请参阅 bytes.decode
  • bos_token (str, 可选, 默认为 "<s>") — 预训练期间使用的序列开始标记。可以用作序列分类标记。
  • 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,当使用多个序列构建序列时使用,例如用于序列分类的两个序列或用于问答的一个文本和一个问题。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>") — 分类器标记,用于序列分类(整个序列的分类而不是按标记分类)。当使用特殊标记构建序列时,它是序列的第一个标记。
  • add_prefix_space (bool, 可选,默认为 False) — 是否在输入添加一个空格。这允许将首词视为任何其他词。 (MVP分词器通过前面的空格检测单词的开始)。

使用字节级别的Byte-Pair-Encoding构建与RoBERTa分词器相似的MVP分词器。

该分词器已经训练将空格视为标记的一部分(有点像sentencepiece),所以一个词

在句子开头(没有空格)或不这样做时将会有不同的编码

>>> from transformers import MvpTokenizer

>>> tokenizer = MvpTokenizer.from_pretrained("RUCAIBox/mvp")
>>> tokenizer("Hello world")["input_ids"]
[0, 31414, 232, 2]

>>> tokenizer(" Hello world")["input_ids"]
[0, 20920, 232, 2]

您可以通过在实例化此分词器或在某些文本上调用它时传递add_prefix_space=True来解决这个问题,但由于模型没有被以此方式进行预训练,可能会导致性能下降。

当与is_split_into_words=True一起使用时,此分词器将在每个词前添加一个空格(即使是第一个词)。

此分词器继承自PreTrainedTokenizer,其中包含大多数主要方法。用户应参考这个基类以获取更多关于这些方法的信息。

build_inputs_with_special_tokens

< >

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

参数

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

返回

int列表

包含适当特殊标记的输入ID列表。

通过拼接和添加特殊标记来构建用于序列分类任务的模型输入,单个MVP序列的格式如下:

  • 单序列:<s> X </s>
  • 序列对:<s> A </s></s> B </s>

convert_tokens_to_string

< >

( tokens )

将一系列标记(字符串)转换成一个单独的字符串。

create_token_type_ids_from_sequences

< >

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

参数

  • token_ids_0 (整型列表) — ID 列表。
  • token_ids_1 (整型列表, 可选) — 可选的序列对 ID 列表。

返回

int列表

零列表。

从传入的两个序列创建一个掩码,用于序列对分类任务。MVP 不使用标记类型 ID,因此返回一个零列表。

获取特殊标记掩码。

< >

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

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], 可选) — 可选的第二个 ID 列表用于序列对。
  • already_has_special_tokens (bool, 可选,默认为 False) — 表示标记列表是否已经格式化为包含特殊标记的模型。

返回

int列表

在[0, 1]范围内的整数列表:1表示特殊标记,0表示序列标记。

从未添加特殊标记的标记列表中检索序列ID。当使用标记化器的prepare_for_model方法添加特殊标记时,会调用此方法。

MvpTokenizerFast

transformers.MvpTokenizerFast

< >

( vocab_file = None merges_file = None 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 trim_offsets = True **kwargs )

参数

  • vocab_file (str) — 词汇文件路径。
  • merges_file (str) — 合并文件路径。
  • errors (str, 可选, 默认为"replace") — 解码字节到 UTF-8 时遵循的范式。更多信息参见 bytes.decode
  • bos_token (str, 可选, 默认为"<s>") — 预训练期间使用的序列开始的标记。可以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, 可选, 默认为"</s>") — 序列结束的标记。

    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, 可选,默认为 "</s>") — 序列分割符,在从多个序列构建一个序列时使用,例如用于序列分类或用于问答中的一个文本和一个问题。它也用作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>") — 用于序列分类的类标记(对整个序列而不是对每个标记进行分类)。当与特殊标记一起构建序列时,它是序列的第一个标记。
  • unk_token (str, 可选,默认为 "<unk>") — 未知标记。不包含在词汇表中的标记无法转换为ID,并设置为这个标记。
  • (str, 可选, 默认为 "") — 用来填充的标记,例如在处理不同长度序列时。
  • (str, 可选, 默认为 "") — 用来遮蔽值的标记。这是用于训练该模型时使用遮蔽语言模型的标记,模型将尝试预测这个标记。
  • add_prefix_space (bool, 可选, 默认为 False) — 是否向输入添加一个初始空格。这允许将首词视为其他词。 (MVP分词器通过前导空格检测词的首尾)。
  • trim_offsets (bool, 可选, 默认为 True) — 是否在后处理步骤中修剪偏移量以避免包含空格。

构建一个“快速”的MVP分词器(由HuggingFace的tokenizers库支持),基于GPT-2分词器,使用字节级别的字节对编码。

该分词器已经训练将空格视为标记的一部分(有点像sentencepiece),所以一个词

在句子开头(没有空格)或不这样做时将会有不同的编码

>>> from transformers import MvpTokenizerFast

>>> tokenizer = MvpTokenizerFast.from_pretrained("RUCAIBox/mvp")
>>> tokenizer("Hello world")["input_ids"]
[0, 31414, 232, 2]

>>> tokenizer(" Hello world")["input_ids"]
[0, 20920, 232, 2]

您可以通过在实例化此分词器或在某些文本上调用它时传递add_prefix_space=True来解决这个问题,但由于模型没有被以此方式进行预训练,可能会导致性能下降。

当与is_split_into_words=True一起使用时,此分词器需要将add_prefix_space=True实例化。

该分词器继承自PreTrainedTokenizerFast,其中包含大部分主要方法。用户应参考这个超类以获取有关这些方法更多的信息。

create_token_type_ids_from_sequences

< >

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

参数

  • token_ids_0 (整数列表) — ID列表。
  • token_ids_1 (整数列表,可选) — 为序列对可选的第二个ID列表。

返回

int列表

零列表。

从传入的两个序列创建一个掩码,用于序列对分类任务。MVP 不使用标记类型 ID,因此返回一个零列表。

MvpModel

transformers.MvpModel

< >

( config: MvpConfig )

参数

  • config (MvpConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看from_pretrained() 方法以加载模型权重。

裸'MvpModel'模型输出原始隐藏状态,不包含顶部任何特定头。该模型继承自PreTrainedModel。有关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、剪枝头部等)的文档,请参阅超类文档。

该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有内容。

前向

< >

( input_ids: LongTensor = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.Seq2SeqModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状 (batch_size, sequence_length)) — 在词汇表中的输入序列标记的索引。默认情况下,如果提供填充,则将忽略填充。
  • attention_mask (torch.Tensor 形状 (batch_size, sequence_length),可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:
  • decoder_input_ids (形状为 torch.LongTensor(batch_size, target_sequence_length)可选)- 解码器输入序列词元的索引。这些索引可以通过使用 AutoTokenizer 来获得。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    解码器输入ID是什么?

    Mvp 使用 eos_token_id 作为 decoder_input_ids 生成时的起始标记。如果使用 past_key_values,则只需输入最后一个 decoder_input_ids(见 past_key_values)。 对于翻译和摘要训练,应提供 decoder_input_ids。如果没有提供 decoder_input_ids,模型将按照论文中的去噪预训练方法,通过将 input_ids 向右移位来创建此张量。

  • decoder_attention_mask (形状为 torch.LongTensor(batch_size, target_sequence_length)可选)- 默认行为:生成一个张量,忽略 decoder_input_ids 中的填充标记。默认情况下还会使用因果掩码。

    如果您想更改填充行为,则应参阅 modeling_mvp._prepare_decoder_attention_mask 并根据需要修改。有关默认策略的更多信息,请参阅 论文 中的图1。

  • head_mask (torch.Tensor 形状为 (encoder_layers, encoder_attention_heads)可选) — 用于使编码器中注意力模块选择的头无效的掩码。掩码值选择在 [0, 1]

    • 1 表示头部无掩码
    • 0 表示头部有掩码
  • decoder_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads)可选) — 用于使解码器中注意力模块选择的头无效的掩码。掩码值选择在 [0, 1]

    • 1 表示头部无掩码
    • 0 表示头部有掩码
  • cross_attn_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads)可选) — 用于使解码器中交叉注意力模块选择的头无效的掩码。掩码值选择在 [0, 1]

    • 1 表示头部无掩码
    • 0 表示头部有掩码
  • inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选地,而不是传递 input_ids,您可以选择直接传递一个嵌入表示。如果您需要比模型的内部嵌入查找矩阵更多的控制权来将 input_ids 索引转换为相关向量,这非常有用。
  • decoder_inputs_embeds (torch.FloatTensor of shape (batch_size, target_sequence_length, hidden_size), optional) — 可选地,而不是传递 decoder_input_ids,您可以选择直接传递一个嵌入表示。如果使用 past_key_values,则可选地只需输入最后 decoder_inputs_embeds(参见 past_key_values)。如果您需要比模型的内部嵌入查找矩阵更多的控制权来将 decoder_input_ids 索引转换为相关向量,这非常有用。
  • use_cache (bool, optional) — 如果设置为 True,则返回 past_key_values 密钥值状态,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。更多详情请见返回的张量下的 attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详情请见返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。

返回

transformers.modeling_outputs.Seq2SeqModelOutputtuple(torch.FloatTensor)

transformers.modeling_outputs.Seq2SeqModelOutput 或一个由 torch.FloatTensor 组成的元组(如果传递参数 return_dict=False 或当 config.return_dict=False),根据配置(MvpConfig)和输入包含各种元素。

  • last_hidden_state (torch.FloatTensor 的形状为 (batch_size, sequence_length, hidden_size)) — 模型解码器最后一层的隐藏状态的序列。

    如果使用 past_key_values,只有形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态被输出。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,在传递use_cache=True或当config.use_cache=True时返回) — 长度为config.n_layers的元组,每个元组包含2个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量,以及2个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的张量。

    包含预先计算的隐藏状态(在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)以加快顺序解码。

  • decoder_hidden_states (tuple(torch.FloatTensor), 可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)torch.FloatTensor元组(如果模型有嵌入层,则为嵌入层的输出加上每层的输出)。

    在每个层输出的解码器的隐藏状态以及可选的初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    解码器的注意力权重,在注意力softmax之后,用于在自注意力头中计算加权平均。

  • cross_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    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。

  • encoder_last_hidden_state (形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor可选) — 模型编码器的最后一个层输出的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)torch.FloatTensor元组(如果模型有嵌入层,则为嵌入层的输出加上每层的输出)。

    编码器在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    编码器的注意力权重,在注意力softmax之后,用于计算自注意力头中的加权平均。

MvpModel的前向方法,覆盖了__call__特殊方法。

尽管前向传递的食谱需要在函数内定义,但应该调用Module实例之后而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, MvpModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpModel.from_pretrained("RUCAIBox/mvp")

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

>>> last_hidden_states = outputs.last_hidden_state

MvpForConditionalGeneration

transformers.MvpForConditionalGeneration

< >

( config: MvpConfig )

参数

  • config (MvpConfig) — 模型配置类,包含模型的全部参数。使用配置文件初始化不会加载与模型关联的权重,只有配置。查看 from_pretrained() 方法来加载模型权重。

带有语言建模头部的 MVP 模型。可用于各种文本生成任务。该模型继承自 PreTrainedModel。检查超类文档以查看库为其实现的所有模型的通用方法(如下载或保存、调整输入嵌入大小、剪枝头部等。)

该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有内容。

前向

< >

( input_ids: LongTensor = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.Seq2SeqLMOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)) — 词汇表中的输入序列标记的索引。如果提供的话,默认会忽略填充。
  • attention_mask (torch.Tensor 的形状为 (batch_size, sequence_length),可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1] 范围内:
    • 1 表示 未掩码 的标记,
    • 0 表示 掩码 的标记。

    什么是注意掩码?

  • decoder_input_ids (可选,形状为 torch.LongTensor(batch_size, target_sequence_length)decoder_input_ids)— 词汇表中解码器输入序列标记的索引。

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

    解码器输入 ID 是什么意思?

    Mvp 使用 eos_token_id 作为 decoder_input_ids 生成时的起始标记。如果使用 past_key_values,则选项性地只需要输入最后 decoder_input_ids(请参阅 past_key_values)。

    对于翻译和摘要训练,应提供 decoder_input_ids。如果没有提供 decoder_input_ids,模型将根据论文创建此张量,通过将 input_ids 向右移动进行降噪预训练。

  • decoder_attention_mask (可选,形状为 torch.LongTensor(batch_size, target_sequence_length)decoder_attention_mask)— 默认行为:生成一个忽略 decoder_input_ids 中填充标记的张量。默认情况下还会使用因果掩码。

    如果您想要更改填充行为,应阅读 modeling_mvp._prepare_decoder_attention_mask 并根据需要进行修改。有关默认策略的更多信息,请参见论文中的图 1。

  • head_mask (形状为 (encoder_layers, encoder_attention_heads)torch.Tensor可选) — 用于取消编码器中注意力模块所选头的遮罩。在 [0, 1] 中选择的遮罩值:

    • 1 表示头未被遮罩,
    • 0 表示头被遮罩。
  • decoder_head_mask (形状为 (decoder_layers, decoder_attention_heads)torch.Tensor可选) — 用于取消解码器中注意力模块所选头的遮罩。在 [0, 1] 中选择的遮罩值:

    • 1 表示头未被遮罩,
    • 0 表示头被遮罩。
  • cross_attn_head_mask (形状为 (decoder_layers, decoder_attention_heads)torch.Tensor可选) — 用于取消解码器中交叉注意力模块所选头的遮罩。在 [0, 1] 中选择的遮罩值:

    • 1 表示头未被遮罩,
    • 0 表示头被遮罩。
  • encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) —— Tuple 由 (last_hidden_state可选: hidden_states可选: attentions) 组成 last_hidden_state 的形状为 (batch_size, sequence_length, hidden_size)可选) 是编码器最后一层输出的隐藏状态序列。在解码器的交叉注意力中用用。
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,当传入 use_cache=True 或当 config.use_cache=True 时返回) —— Tuple 为长度为 config.n_layerstuple(torch.FloatTensor),每个 tuple 包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 2 个额外的形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的张量。

    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)加快序列解码。

    如果使用 past_key_values,用户可选择性地只输入最后一个 decoder_input_ids(那些未向此模型提供过去键值状态的)的形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (torch.Sdk浮点数,形状为 (批量大小, 序列长度, 隐藏大小)可选)- 如果不是传递 input_ids,可以选择直接传递嵌入表示。这在您想更多控制如何将 input_ids 索引转换为相关向量,而不是模型内部嵌入查找矩阵时很有用。
  • decoder_inputs_embeds (torch.Sdk浮点数,形状为 (批量大小, 目标序列长度, 隐藏大小)可选) - 如果不传递 decoder_input_ids,可以选择直接传递嵌入表示。如果使用 past_key_values,则仅需传递最后的 decoder_inputs_embeds (参见 past_key_values)。这在您想更多控制如何将 decoder_input_ids 索引转换为相关向量,而不是模型内部嵌入查找矩阵时很有用。

    如果 decoder_input_idsdecoder_inputs_embeds 都未设置,则 decoder_inputs_embedsinputs_embeds 的值。

  • use_cache (布尔可选) - 如果设置为 True,则返回 past_key_values 密钥值状态,可用于加速解码 (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 而非纯元组。
  • labels (torch.LongTensor 形状为 (batch_size, sequence_length)可选) — 用于计算掩码语言模型损失的标签。索引应在 [0, ..., config.vocab_size] 内,或为 -100(参见 input_ids 文档)。设置为 -100 的索引的标记将被忽略(掩码),损失仅计算 [0, ..., config.vocab_size] 内的标签标记的标记。

返回

transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.Seq2SeqLMOutput 或一个 torch.FloatTensor 元组的组合(如果传递 return_dict=False 或当 config.return_dict=False)包含各种元素,这取决于配置(MvpConfig)和输入。

  • losstorch.FloatTensor 形状为 (1,)可选,当提供 labels 时返回) — 语言模型损失。

  • logitstorch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言模型头部的预测分数(每个词汇的分数在 SoftMax 之前)。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,在传递use_cache=True或当config.use_cache=True时返回) — 长度为config.n_layers的元组,每个元组包含2个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量,以及2个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的张量。

    包含预先计算的隐藏状态(在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)以加快顺序解码。

  • decoder_hidden_states (tuple(torch.FloatTensor), 可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)torch.FloatTensor元组(如果模型有嵌入层,则为嵌入层的输出加上每层的输出)。

    每个层的解码器隐藏状态以及初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    解码器的注意力权重,在注意力softmax之后,用于在自注意力头中计算加权平均。

  • cross_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    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。

  • encoder_last_hidden_state (形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor可选) — 模型编码器的最后一个层输出的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可选,在传递output_hidden_states=True或当config.output_hidden_states=True时返回) — 形状为(batch_size, sequence_length, hidden_size)torch.FloatTensor元组(如果模型有嵌入层,则为嵌入层的输出加上每层的输出)。

    每个层的编码器隐藏状态以及初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    编码器的注意力权重,在注意力softmax之后,用于计算自注意力头中的加权平均。

MvpForConditionalGeneration 前向方法覆盖了 __call__ 特殊方法。

尽管前向传递的食谱需要在函数内定义,但应该调用Module实例之后而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

摘要示例

模型微调

>>> import torch
>>> from transformers import AutoTokenizer, MvpForConditionalGeneration

>>> tokenizer = AutoTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForConditionalGeneration.from_pretrained("RUCAIBox/mvp")

>>> inputs = tokenizer(
...     "Summarize: You may want to stick it to your boss and leave your job, but don't do it if these are your reasons.",
...     return_tensors="pt",
... )
>>> labels = tokenizer("Bad Reasons To Quit Your Job", return_tensors="pt")["input_ids"]

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

模型微调后的推理

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

>>> generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)

MvpForSequenceClassification

transformers.MvpForSequenceClassification

< >

( config: MvpConfig **kwargs )

参数

  • config (MvpConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时不加载与模型关联的权重,只加载配置。查看from_pretrained() 方法来加载模型权重。

Mvp模型在顶部有一个序列分类头部(池化输出的线性层),例如用于GLUE任务。

此模型继承自PreTrainedModel。检查上层类文档以了解库为所有模型实现的一般方法(如下载或保存、调整输入嵌入大小、修剪头等)。

该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有内容。

前向

< >

( input_ids: LongTensor = None attention_mask: 可选 = None decoder_input_ids: 可选 = None decoder_attention_mask: 可选 = None head_mask: 可选 = None decoder_head_mask: 可选 = None cross_attn_head_mask: 可选 = None encoder_outputs: 可选 = None inputs_embeds: 可选 = None decoder_inputs_embeds: 可选 = None labels: 可选 = None use_cache: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None )

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列token在词典中的索引。如果提供,默认会忽略填充。

    索引可以通过 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.Tensor形状为(batch_size, sequence_length)可选) — 避免在填充令牌索引上执行注意力的掩码。掩码值选在[0, 1]

    • 1用于未掩码的令牌,
    • 0用于掩码的令牌。

    什么是注意力掩码?

  • decoder_input_ids (torch.LongTensor形状为(batch_size, target_sequence_length)可选) — 解码器输入序列令牌在词汇表中的索引。

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

    什么是解码器输入ID?

    Mvp使用eos_token_id作为decoder_input_ids生成的起始令牌。如果使用past_key_values,则可选项中只能输入最后的decoder_input_ids(见past_key_values)。

    对于翻译和摘要训练,应该提供decoder_input_ids。如果没有提供decoder_input_ids,模型将根据论文中的去噪预训练方法创建这个张量,将input_ids右移。

    什么是解码器输入ID?

  • decoder_attention_mask (类型为 torch.LongTensor,形状为 (batch_size, target_sequence_length),可选)— 默认行为:生成一个忽略 decoder_input_ids 中的填充标记的张量。默认情况下也会使用因果掩码。

  • head_mask (类型为 torch.Tensor,形状为 (encoder_layers, encoder_attention_heads),可选)— 用于取消编码器中注意力模块选定头的掩码。掩码值选择在 [0, 1]

  • decoder_head_mask (类型为 torch.Tensor,形状为 (decoder_layers, decoder_attention_heads),可选)— 用于取消解码器中注意力模块选定头的掩码。掩码值选择在 [0, 1]

  • cross_attn_head_mask(形状为 (decoder_layers, decoder_attention_heads)torch.Tensor,可选)— 用于解码器中注销跨注意力模块选定头的掩码。掩码值选定在 [0, 1]

    • 1表示头未掩码,
    • 0表示头已掩码。
  • encoder_outputs(形状为 (tuple(tuple(torch.FloatTensor)),可选)— 包含 (last_hidden_state,可选 hidden_states,可选 attentions,)last_hidden_state 的形状为 (batch_size, sequence_length, hidden_size),可选)是编码器最后一层的隐藏状态的序列。用于解码器的跨注意力中。
  • past_key_values(形状为 (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) 的额外张量。

    包含预计算的隐藏状态(自我注意块和跨注意块中的键和值),可以用来(参见 past_key_values 输入)加速顺序解码。

    如果使用 past_key_values,则用户可以选择性地输入仅最后 decoder_input_ids(那些没有向此模型提供过去键值状态的)的形状 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)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。如果需要比模型内部的嵌入查找矩阵更多控制,将索引转换为相关向量,这是有用的。
  • decoder_inputs_embeds (torch.FloatTensor 形状为 (batch_size, target_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 decoder_input_ids。当使用 past_key_values 时,可选地只有最后 decoder_inputs_embeds 需要输入(请参阅 past_key_values)。如果需要比模型内部的嵌入查找矩阵更多控制,将索引转换为相关向量,这是有用的。
  • use_cache (bool, 可选) — 如果设置为 True,则返回 past_key_values 密钥值状态并可用于加速解码(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。关于返回张量下的更多细节,请参阅attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。关于返回张量下的更多细节,请参阅hidden_states
  • return_dict (bool, 可选) — 是否返回一个ModelOutput而不是一个普通的元组。
  • labels (torch.LongTensor of shape (batch_size,), optional) — 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,则计算分类损失(交叉熵)。

MvpForSequenceClassification 前向方法,覆盖了 __call__ 特殊方法。

尽管前向传递的食谱需要在函数内定义,但应该调用Module实例之后而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

单标签分类示例

num_labels 个类别上微调模型

>>> import torch
>>> from transformers import AutoTokenizer, MvpForSequenceClassification

>>> num_labels = 2  # for example, this is a binary classification task
>>> tokenizer = AutoTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForSequenceClassification.from_pretrained("RUCAIBox/mvp", num_labels=num_labels)

>>> inputs = tokenizer("Classify: Hello, my dog is cute", return_tensors="pt")
>>> labels = torch.tensor(1)  # the real label for inputs

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

模型微调后的推理

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

>>> predicted_class_id = logits.argmax()

MvpForQuestionAnswering

transformers.MvpForQuestionAnswering

< >

( 配置 )

参数

  • config (MvpConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化并不会加载与模型关联的权重,只加载配置。查看 from_pretrained() 方法以加载模型权重。

MVP模型,顶部带有跨度分类头,用于SQuAD等抽回答题任务(在隐藏状态输出之上有一个线性层来计算跨度开始logits跨度结束logits)。

此模型继承自PreTrainedModel。检查上层类文档以了解库为所有模型实现的一般方法(如下载或保存、调整输入嵌入大小、修剪头等)。

该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并查阅 PyTorch 文档以了解与一般用法和行为相关的所有内容。

前向

< >

( input_ids: Tensor = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None start_positions: Optional = None end_positions: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: 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 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。如果您提供填充,则默认会忽略填充。

    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.Tensor 形状为 (batch_size, sequence_length)),可选)—— 用于避免在填充标记索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 中:

    • 1 对于未掩码的标记,
    • 0 对于掩码的标记。

    什么是注意力掩码?

  • decoder_input_ids(《torch.LongTensor 形状为 (batch_size, target_sequence_length)),可选)—— 编码器输入序列标记的索引,使用词汇表中的索引。

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

    什么是解码器输入 ID?

    Mvp 用于使用 eos_token_id 作为 decoder_input_ids 生成的起始标记。如果使用 past_key_values,则只需输入最后一个 decoder_input_ids(请参阅 past_key_values)。

    对于翻译和摘要训练,应提供 decoder_input_ids。如果没有提供 decoder_input_ids,则模型将根据论文中的去噪预训练方法通过将 input_ids 向右移动来创建此张量。

  • decoder_attention_mask (形状为 (batch_size, target_sequence_length)torch.LongTensor,可选) — 默认行为:生成一个忽略 decoder_input_ids 中的 padding 标记的 tensor。默认情况下还会使用因果掩码。

    如果您想更改填充行为,应阅读 modeling_mvp._prepare_decoder_attention_mask 并修改以满足您的需求。有关默认策略的更多信息,请参阅论文中的图 1(链接)。

  • head_mask (形状为 (encoder_layers, encoder_attention_heads)torch.Tensor,可选) — 用于使编码器注意力模块中选定的头失效的掩码。掩码值选择范围为 [0, 1]

    • 1 表示头部 未遮蔽
    • 0 表示头部 遮蔽
  • decoder_head_mask (形状为 (decoder_layers, decoder_attention_heads)torch.Tensor,可选) — 用于使解码器注意力模块中选定的头失效的掩码。掩码值选择范围为 [0, 1]

    • 1 表示头部 未遮蔽
    • 0 表示头部 遮蔽
  • cross_attn_head_mask (shape为(decoder_layers, decoder_attention_heads)torch.Tensor,可选)——对解码器中跨注意力模块选定头部的掩码。掩码值选择在[0, 1]之间:

    • 1表示头部未被掩码,
    • 0表示头部被掩码。
  • encoder_outputs (shape为(batch_size, sequence_length, hidden_size)last_hidden_state,可选:hidden_states、可选:attentions)——(可选的)元组,包括编码器最后一层的隐藏状态序列last_hidden_state。用于解码器的交叉注意力。
  • past_key_valuestuple(tuple(torch.FloatTensor))可选,返回时传入use_cache=Trueconfig.use_cache=True)—包含长度为config.n_layerstuple(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),可以在(见past_key_values输入)中用于加速顺序解码。

    如果使用past_key_values,则用户可以选择性地输入形状为(batch_size, 1)的最后decoder_input_ids(这些没有将其过去键值状态提供给该模型)而不是所有形状为(batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (形状为torch.FloatTensor(batch_size, sequence_length, hidden_size)的张量,可选)—除了传递input_ids外,您还可以直接传递嵌入表示。这适用于您想更多地控制如何将input_ids索引转换为相关向量,而不仅仅是模型内部的嵌入查找矩阵。
  • decoder_inputs_embeds (torch.FloatTensor of shape (batch_size, target_sequence_length, hidden_size), 可选) — 可选,而不是传递decoder_input_ids,您可以直接传递一个嵌入表示。如果使用past_key_values,则可选地只需输入最后一个decoder_inputs_embeds(请参阅past_key_values)。这非常有助于您更好地控制如何将decoder_input_ids索引转换成相关的向量,而不仅仅是模型内部的嵌入查找矩阵。

    如果既未设置decoder_input_ids也不设置decoder_inputs_embeds,则decoder_inputs_embeds将采用inputs_embeds的值。

  • use_cache (bool, 可选) — 如果设置为True,则past_key_values键值状态将被返回,并且可以用来加速解码(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,请参阅返回张量下的attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。请参见返回的张量中的 hidden_states 获取更多细节。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • start_positions (torch.LongTensor 形状为 (batch_size,), 可选) — 用于计算token分类损失的标记跨度起始位置(索引)的标签。位置将被限制为序列长度(sequence_length)。序列之外的位置不会被考虑用于计算损失。
  • end_positionstorch.LongTensor 形状 (batch_size,)可选) — 计算token分类损失的标签,用于标记有标记的片段末尾的位置。位置被限制在序列长度(sequence_length)之内。序列之外的位置不计入损失计算。

MvpForQuestionAnswering 的 forward 方法,覆盖了特殊方法 __call__

尽管前向传递的食谱需要在函数内定义,但应该调用Module实例之后而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

示例

微调模型用于提取式问答,我们的模型也支持使用 BartForConditionalGeneration 进行生成式问答。

>>> import torch
>>> from transformers import AutoTokenizer, MvpForQuestionAnswering

>>> tokenizer = AutoTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForQuestionAnswering.from_pretrained("RUCAIBox/mvp")

>>> inputs = tokenizer(
...     "Answer the following question: Who was Jim Henson? [SEP] Jim Henson was a nice puppet",
...     return_tensors="pt",
... )
>>> target_start_index = torch.tensor([18])
>>> target_end_index = torch.tensor([19])

>>> loss = model(**inputs, start_positions=target_start_index, end_positions=target_end_index).loss
>>> loss.backward()

模型微调后的推理

>>> 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]
>>> predict_answer = tokenizer.decode(predict_answer_tokens)

MvpForCausalLM

transformers.MvpForCausalLM

< >

( config )

前向

< >

( input_ids: LongTensor = None attention_mask: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None head_mask: Optional = None cross_attn_head_mask: 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 ) transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或者 tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 视频库中输入序列标记的索引。您提供时,默认会忽略填充。

    您可以使用 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.Tensor 形状为 (batch_size, sequence_length)可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1]

    • 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?

  • encoder_hidden_states (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 编码器最后层的隐藏状态序列。如果模型配置为解码器,则用于交叉注意力。
  • encoder_attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), 可选) — 用于禁止在编码器输入的填充标记索引上执行注意力的掩码。当模型配置为解码器时,此掩码用于交叉注意力。掩码值选择在[0, 1]之间:
  • head_mask (torch.Tensor of shape (decoder_layers, decoder_attention_heads), 可选) — 掩码用于忽略注意力模块中选定的头部。掩码值选择在[0, 1]之间:
    • 1 表示头部未掩码
    • 0 表示头部已掩码
  • cross_attn_head_mask (torch.Tensor of shape (decoder_layers, decoder_attention_heads), 可选) — 掩码用于忽略交叉注意力模块中选定的头部。掩码值选择在[0, 1]之间:
    • 1 表示头部未掩码
    • 0 表示头部已掩码
  • past_key_values (tuple(tuple(torch.FloatTensor))可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 的元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量以及 2 个额外的形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的张量。只有当模型用作序列到序列模型中的解码器时,这两个额外的张量才是必需的。

    包含可用于快速进行序列解码的预计算的隐藏状态(自注意力块和交叉注意力块中的键和值)。

    如果使用 past_key_values,则用户可以选择只输入形状为 (batch_size, 1) 的最后一个 decoder_input_ids(那些没有将过去键值状态给此模型的)而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • labels (torch.LongTensor 形状为 (batch_size, sequence_length)可选) — 对于计算掩码语言模型损失的标签。索引应为 [0, ..., config.vocab_size] 或 -100(请参阅 input_ids 文档字符串)。设置为 -100 的索引的标记将被忽略(掩码),损失仅计算为标签在 [0, ..., config.vocab_size] 范围内的标记。
  • 使用缓存 (布尔值可选) — 如果设置为 True,将返回 past_key_values 关键值状态,并可用于加快解码速度(见 past_key_values)。

    • 对于非掩码标记,为1,
    • 对于掩码标记标记,为0。
  • 返回注意力 (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,请参阅返回张量下的 attentions
  • 返回隐藏状态 (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,请参阅返回张量下的 hidden_states
  • return_dict(《布尔型`, 可选)—— 是否返回ModelOutput而非一个普通的元组。

返回

transformers.modeling_outputs.CausalLMOutputWithCrossAttentionstuple(torch.FloatTensor)

如果transformers.modeling_outputs.CausalLMOutputWithCrossAttentions或一个torch.FloatTensor的元组(如果传递了return_dict=Falseconfig.return_dict=False),它包含根据配置(《MvpConfig》)和输入的不同元素。

  • losstorch.FloatTensor的形状(1,)可选,当提供labels时返回)—— 语言建模损失(用于下一编号预测)。

  • logitstorch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言模型头部的预测分数(每个词汇的分数在 SoftMax 之前)。

  • hidden_states(《tuple(torch.FloatTensor)`),可选,当传递output_hidden_states=Trueconfig.output_hidden_states=True时返回)—— 一个torch.FloatTensor的元组(如果有嵌入层,则为嵌入层的输出,另外每个层的输出为每个层)的形状为(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)—— 一个torch.FloatTensor的元组(每个层有一个),形状为(《batch_size, num_heads, sequence_length, sequence_length》)。

    注意软归一化后的注意力权重,用于在自注意力头中计算加权平均。

  • cross_attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor元组(每个层一个)。

    注意软归一化后的交叉注意力权重,用于在交叉注意力头中计算加权平均。

  • past_key_values(《tuple(tuple(torch.FloatTensor))`),可选,当传递use_cache=Trueconfig.use_cache=True时返回)—— 一个长度为config.n_layerstorch.FloatTensor元组元组,包含如果模型在编码器-解码器设置中使用时的自注意力和交叉注意力层的缓存的键、值状态。只有当config.is_decoder = True时才相关。

    包含预计算的隐藏状态(注意块中的键和值)可用于(按past_key_values输入)加速顺序编码。

示例

>>> from transformers import AutoTokenizer, MvpForCausalLM

>>> tokenizer = AutoTokenizer.from_pretrained("RUCAIBox/mvp")
>>> model = MvpForCausalLM.from_pretrained("RUCAIBox/mvp", add_cross_attention=False)

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

>>> logits = outputs.logits
>>> list(logits.shape)
[1, 8, 50267]
< > 在GitHub上更新