Transformers 文档
REALM
并获取增强的文档体验
开始使用
REALM
此模型仅处于维护模式,我们不接受任何更改其代码的新 PR。如果您在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.40.2。您可以通过运行以下命令来执行此操作:pip install -U transformers==4.40.2
。
概述
REALM 模型由 Kelvin Guu、Kenton Lee、Zora Tung、Panupong Pasupat 和 Ming-Wei Chang 在 REALM: Retrieval-Augmented Language Model Pre-Training 中提出。它是一种检索增强语言模型,首先从文本知识语料库中检索文档,然后利用检索到的文档来处理问答任务。
该论文的摘要如下:
语言模型预训练已被证明可以捕获惊人的世界知识量,这对于诸如问答等 NLP 任务至关重要。然而,这些知识隐式地存储在神经网络的参数中,需要越来越大的网络来覆盖更多的 facts(事实/知识点)。为了以更模块化和可解释的方式捕获知识,我们使用潜在知识检索器增强语言模型预训练,这允许模型在预训练、微调和推理期间检索和关注来自大型语料库(例如维基百科)的文档。我们首次展示了如何以无监督的方式预训练这种知识检索器,使用 masked language modeling(掩码语言建模)作为学习信号,并通过考虑数百万文档的检索步骤进行反向传播。我们通过在具有挑战性的 Open-domain Question Answering (Open-QA)(开放域问答)任务上进行微调,证明了 Retrieval-Augmented Language Model pre-training (REALM)(检索增强语言模型预训练 (REALM))的有效性。我们在三个流行的 Open-QA 基准上与显式和隐式知识存储的最先进模型进行了比较,发现我们以显着优势(绝对准确率提高 4-16%)优于所有以前的方法,同时还提供了诸如可解释性和模块化等定性优势。
RealmConfig
class transformers.RealmConfig
< source >( vocab_size = 30522 hidden_size = 768 retriever_proj_size = 128 num_hidden_layers = 12 num_attention_heads = 12 num_candidates = 8 intermediate_size = 3072 hidden_act = 'gelu_new' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 512 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 span_hidden_size = 256 max_span_width = 10 reader_layer_norm_eps = 0.001 reader_beam_size = 5 reader_seq_len = 320 num_block_records = 13353718 searcher_beam_size = 5000 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 **kwargs )
参数
- vocab_size (
int
, optional, 默认为 30522) — REALM 模型的词汇表大小。定义了在调用 RealmEmbedder, RealmScorer, RealmKnowledgeAugEncoder, 或 RealmReader 时传递的inputs_ids
可以表示的不同 token(词元)的数量。 - hidden_size (
int
, optional, 默认为 768) — encoder(编码器)层和 pooler(池化)层的维度。 - retriever_proj_size (
int
, optional, 默认为 128) — 检索器(embedder)投影的维度。 - num_hidden_layers (
int
, optional, 默认为 12) — Transformer encoder(Transformer 编码器)中的隐藏层数。 - num_attention_heads (
int
, optional, 默认为 12) — Transformer encoder(Transformer 编码器)中每个 attention(注意力)层的注意力头数。 - num_candidates (
int
, optional, 默认为 8) — 输入到 RealmScorer 或 RealmKnowledgeAugEncoder 的候选数量。 - intermediate_size (
int
, optional, 默认为 3072) — Transformer encoder(Transformer 编码器)中“intermediate”(即,feed-forward(前馈))层的维度。 - hidden_act (
str
或function
, optional, 默认为"gelu_new"
) — encoder(编码器)和 pooler(池化器)中的非线性激活函数(函数或字符串)。如果是字符串,则支持 “gelu”、“relu”、“selu” 和 “gelu_new”。 - hidden_dropout_prob (
float
, optional, 默认为 0.1) — embeddings(嵌入层)、encoder(编码器)和 pooler(池化器)中所有 fully connected layers(全连接层)的 dropout 概率。 - attention_probs_dropout_prob (
float
, optional, 默认为 0.1) — attention(注意力)概率的 dropout 比率。 - max_position_embeddings (
int
, optional, 默认为 512) — 此模型可能使用的最大序列长度。通常将其设置为较大的值以防万一(例如,512 或 1024 或 2048)。 - type_vocab_size (
int
, optional, 默认为 2) — 在调用 RealmEmbedder, RealmScorer, RealmKnowledgeAugEncoder, 或 RealmReader 时传递的token_type_ids
的词汇表大小。 - initializer_range (
float
, optional, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - layer_norm_eps (
float
, optional, 默认为 1e-12) — 层归一化层使用的 epsilon 值。 - span_hidden_size (
int
, optional, 默认为 256) — reader(阅读器)的 span(跨度)的维度。 - max_span_width (
int
, optional, 默认为 10) — reader(阅读器)的最大 span(跨度)宽度。 - reader_layer_norm_eps (
float
, optional, 默认为 1e-3) — reader(阅读器)的层归一化层使用的 epsilon 值。 - reader_beam_size (
int
, optional, 默认为 5) — reader(阅读器)的 beam(束搜索)大小。 - reader_seq_len (
int
, optional, 默认为 288+32) — reader(阅读器)的最大序列长度。 - num_block_records (
int
, optional, 默认为 13353718) — block(块)记录数。 - searcher_beam_size (
int
, optional, 默认为 5000) — searcher(搜索器)的 beam(束搜索)大小。 注意:当启用 eval(评估)模式时,searcher_beam_size 将与 reader_beam_size 相同。
这是用于存储以下配置的配置类:
它用于根据指定的参数实例化 REALM 模型,定义模型架构。使用默认值实例化配置将产生与 REALM google/realm-cc-news-pretrained-embedder 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 RealmConfig, RealmEmbedder
>>> # Initializing a REALM realm-cc-news-pretrained-* style configuration
>>> configuration = RealmConfig()
>>> # Initializing a model (with random weights) from the google/realm-cc-news-pretrained-embedder style configuration
>>> model = RealmEmbedder(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
RealmTokenizer
class transformers.RealmTokenizer
< source >( vocab_file do_lower_case = True do_basic_tokenize = True never_split = None unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' tokenize_chinese_chars = True strip_accents = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇表的文件。 - do_lower_case (
bool
, optional, defaults toTrue
) — 是否在分词时将输入文本转换为小写。 - do_basic_tokenize (
bool
, optional, defaults toTrue
) — 是否在 WordPiece 分词之前进行基础分词。 - never_split (
Iterable
, optional) — 在分词期间永远不会被分割的 token 集合。仅当do_basic_tokenize=True
时有效 - unk_token (
str
, optional, defaults to"[UNK]"
) — 未知 token。词汇表中不存在的 token 无法转换为 ID,并将设置为此 token。 - sep_token (
str
, optional, defaults to"[SEP]"
) — 分隔符 token,用于从多个序列构建序列时,例如用于序列分类的两个序列或用于问答的文本和问题。它也用作使用特殊 token 构建的序列的最后一个 token。 - pad_token (
str
, optional, defaults to"[PAD]"
) — 用于填充的 token,例如在批量处理不同长度的序列时。 - cls_token (
str
, optional, defaults to"[CLS]"
) — 分类器 token,用于进行序列分类(对整个序列而不是每个 token 进行分类)。当使用特殊 token 构建时,它是序列的第一个 token。 - mask_token (
str
, optional, defaults to"[MASK]"
) — 用于遮蔽值的 token。这是使用掩码语言建模训练此模型时使用的 token。这是模型将尝试预测的 token。 - tokenize_chinese_chars (
bool
, optional, defaults toTrue
) — 是否对中文字符进行分词。对于日语,可能应该停用此功能 (参见此 issue)。
- strip_accents (
bool
, optional) — 是否去除所有重音符号。如果未指定此选项,则将由lowercase
的值确定(与原始 BERT 中一样)。
构建 REALM 分词器。
RealmTokenizer 与 BertTokenizer 完全相同,并运行端到端分词:标点符号分割和 wordpiece。
此分词器继承自 PreTrainedTokenizer,其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
参数
- token_ids_0 (
List[int]
) — 将在其中添加特殊 token 的 ID 列表。 - token_ids_1 (
List[int]
, optional) — 序列对的可选的第二个 ID 列表。
返回值
List[int]
带有适当特殊 token 的 input IDs 列表。
通过连接并添加特殊 token,从序列或序列对构建模型输入,用于序列分类任务。 REALM 序列具有以下格式
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
get_special_tokens_mask
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊 token 的 token 列表中检索序列 ID。当使用分词器的 prepare_for_model
方法添加特殊 token 时,将调用此方法。
create_token_type_ids_from_sequences
< source >( token_ids_0: typing.List[int] token_ids_1: typing.Optional[typing.List[int]] = None ) → List[int]
从传递的两个序列创建一个掩码,用于序列对分类任务。 REALM 序列
如果 token_ids_1
为 None
,则此方法仅返回掩码的第一部分 (0s)。
batch_encode_candidates
< source >( text **kwargs ) → BatchEncoding
编码一批文本或文本对。此方法类似于常规 call 方法,但具有以下差异
- 处理额外的 num_candidate 轴。(batch_size, num_candidates, text)
- 始终将序列填充到 max_length。
- 必须指定 max_length 才能将候选包堆叠成批次。
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
示例
>>> from transformers import RealmTokenizer
>>> # batch_size = 2, num_candidates = 2
>>> text = [["Hello world!", "Nice to meet you!"], ["The cute cat.", "The adorable dog."]]
>>> tokenizer = RealmTokenizer.from_pretrained("google/realm-cc-news-pretrained-encoder")
>>> tokenized_text = tokenizer.batch_encode_candidates(text, max_length=10, return_tensors="pt")
RealmTokenizerFast
class transformers.RealmTokenizerFast
< source >( vocab_file = None tokenizer_file = None do_lower_case = True unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' tokenize_chinese_chars = True strip_accents = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇表的文件。 - do_lower_case (
bool
, optional, defaults toTrue
) — 是否在标记化时将输入转换为小写。 - unk_token (
str
, optional, defaults to"[UNK]"
) — 未知标记。词汇表中不存在的标记无法转换为 ID,而是设置为此标记。 - sep_token (
str
, optional, defaults to"[SEP]"
) — 分隔符标记,用于从多个序列构建序列时,例如用于序列分类的两个序列,或用于问答的文本和问题。它也用作使用特殊标记构建的序列的最后一个标记。 - pad_token (
str
, optional, defaults to"[PAD]"
) — 用于填充的标记,例如在对不同长度的序列进行批处理时。 - cls_token (
str
, optional, defaults to"[CLS]"
) — 分类器标记,用于执行序列分类(对整个序列而不是每个标记进行分类)。当使用特殊标记构建时,它是序列的第一个标记。 - mask_token (
str
, optional, defaults to"[MASK]"
) — 用于屏蔽值的标记。这是使用掩码语言建模训练此模型时使用的标记。这是模型将尝试预测的标记。 - clean_text (
bool
, optional, defaults toTrue
) — 是否在标记化之前清理文本,方法是删除任何控制字符并将所有空格替换为经典空格。 - tokenize_chinese_chars (
bool
, optional, defaults toTrue
) — 是否标记化中文字符。对于日语,这可能应该被停用(请参阅 此问题)。 - strip_accents (
bool
, optional) — 是否去除所有重音符号。如果未指定此选项,则将由lowercase
的值确定(与原始 BERT 中一样)。 - wordpieces_prefix (
str
, optional, defaults to"##"
) — 子词的前缀。
构建一个“快速” REALM 标记器(由 HuggingFace 的 tokenizers 库支持)。基于 WordPiece。
RealmTokenizerFast 与 BertTokenizerFast 相同,并运行端到端标记化:标点符号拆分和 wordpiece。
此标记器继承自 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。
batch_encode_candidates
< source >( text **kwargs ) → BatchEncoding
编码一批文本或文本对。此方法类似于常规 call 方法,但具有以下差异
- 处理额外的 num_candidate 轴。(batch_size, num_candidates, text)
- 始终将序列填充到 max_length。
- 必须指定 max_length 才能将候选包堆叠成批次。
- 单个序列:
[CLS] X [SEP]
- 序列对:
[CLS] A [SEP] B [SEP]
示例
>>> from transformers import RealmTokenizerFast
>>> # batch_size = 2, num_candidates = 2
>>> text = [["Hello world!", "Nice to meet you!"], ["The cute cat.", "The adorable dog."]]
>>> tokenizer = RealmTokenizerFast.from_pretrained("google/realm-cc-news-pretrained-encoder")
>>> tokenized_text = tokenizer.batch_encode_candidates(text, max_length=10, return_tensors="pt")
RealmRetriever
class transformers.RealmRetriever
< source >( block_records tokenizer )
参数
- block_records (
np.ndarray
) — 一个包含证据文本的 numpy 数组。 - tokenizer (RealmTokenizer) — 用于编码检索文本的标记器。
REALM 的检索器,输出检索到的证据块以及该块是否包含答案以及答案位置。”
检查 retrieved_blocks 是否包含答案。
RealmEmbedder
class transformers.RealmEmbedder
< source >( config )
参数
- config (RealmConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
REALM 的嵌入器,输出用于计算相关性得分的 projected score。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.deprecated.realm.modeling_realm.RealmEmbedderOutput
or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。
- attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免对 padding 标记索引执行 attention 的掩码。掩码值在[0, 1]
中选择:- 1 表示未掩盖的标记,
- 0 表示已掩盖的标记。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 段落标记索引,用于指示输入的第一个和第二个部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于 nullify self-attention 模块中选定 head 的掩码。掩码值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量,这将非常有用。 - output_attentions (
bool
,可选) — 是否返回所有 attention 层的 attention tensors。有关更多详细信息,请参阅返回的 tensors 下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的 hidden states。有关更多详细信息,请参阅返回的 tensors 下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是纯 tuple。
返回值
transformers.models.deprecated.realm.modeling_realm.RealmEmbedderOutput
or tuple(torch.FloatTensor)
transformers.models.deprecated.realm.modeling_realm.RealmEmbedderOutput
或 torch.FloatTensor
的 tuple(如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含各种元素,具体取决于配置 (RealmConfig) 和输入。
-
projected_score (
torch.FloatTensor
,形状为(batch_size, config.retriever_proj_size)
) — Projected score。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的 tuple(embeddings 的输出一个,每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的 hidden-states 加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的 tuple(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。attention softmax 之后的 attention 权重,用于计算 self-attention heads 中的加权平均值。
RealmEmbedder
的 forward 方法,重写了 __call__
特殊方法。
尽管 forward pass 的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, RealmEmbedder
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("google/realm-cc-news-pretrained-embedder")
>>> model = RealmEmbedder.from_pretrained("google/realm-cc-news-pretrained-embedder")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> projected_score = outputs.projected_score
RealmScorer
class transformers.RealmScorer
< source >( config query_embedder = None )
参数
- config (RealmConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
- query_embedder (RealmEmbedder) — 输入序列的嵌入器。如果未指定,它将使用与候选序列相同的嵌入器。
REALM 的 scorer,输出表示文档候选对象得分(softmax 之前)的相关性得分。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None candidate_input_ids: typing.Optional[torch.LongTensor] = None candidate_attention_mask: typing.Optional[torch.FloatTensor] = None candidate_token_type_ids: typing.Optional[torch.LongTensor] = None candidate_inputs_embeds: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.deprecated.realm.modeling_realm.RealmScorerOutput
or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。
- attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免对 padding 标记索引执行 attention 的掩码。掩码值在[0, 1]
中选择:- 1 表示未掩盖的标记,
- 0 表示已掩盖的标记。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 段落标记索引,用于指示输入的第一个和第二个部分。索引在[0, 1]
中选择:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于 nullify self-attention 模块中选定 head 的掩码。掩码值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量,这将非常有用。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 详见返回张量下的attentions
以获取更多详细信息。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 详见返回张量下的hidden_states
以获取更多详细信息。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是普通元组。 - candidate_input_ids (
torch.LongTensor
of shape(batch_size, num_candidates, sequence_length)
) — 词汇表中候选输入序列标记的索引。索引可以使用 AutoTokenizer 获得。 详见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.__call__() 以获取更多详细信息。
- candidate_attention_mask (
torch.FloatTensor
of shape(batch_size, num_candidates, sequence_length)
, optional) — 用于避免对填充标记索引执行注意力的掩码。 掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
- candidate_token_type_ids (
torch.LongTensor
of shape(batch_size, num_candidates, sequence_length)
, optional) — 分段标记索引,用于指示输入的第一个和第二个部分。 索引在[0, 1]
中选择:- 0 对应于句子 A 标记,
- 1 对应于句子 B 标记。
- candidate_inputs_embeds (
torch.FloatTensor
of shape(batch_size * num_candidates, sequence_length, hidden_size)
, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递candidate_input_ids
。 如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 candidate_input_ids 索引转换为关联向量,这将非常有用。
返回值
transformers.models.deprecated.realm.modeling_realm.RealmScorerOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.realm.modeling_realm.RealmScorerOutput
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含取决于配置 (RealmConfig) 和输入的各种元素。
- relevance_score (
torch.FloatTensor
of shape(batch_size, config.num_candidates)
) — 文档候选的相关性得分(softmax 之前)。 - query_score (
torch.FloatTensor
of shape(batch_size, config.retriever_proj_size)
) — 从查询嵌入器派生的查询得分。 - candidate_score (
torch.FloatTensor
of shape(batch_size, config.num_candidates, config.retriever_proj_size)
) — 从嵌入器派生的候选得分。
RealmScorer 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward pass 的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoTokenizer, RealmScorer
>>> tokenizer = AutoTokenizer.from_pretrained("google/realm-cc-news-pretrained-scorer")
>>> model = RealmScorer.from_pretrained("google/realm-cc-news-pretrained-scorer", num_candidates=2)
>>> # batch_size = 2, num_candidates = 2
>>> input_texts = ["How are you?", "What is the item in the picture?"]
>>> candidates_texts = [["Hello world!", "Nice to meet you!"], ["A cute cat.", "An adorable dog."]]
>>> inputs = tokenizer(input_texts, return_tensors="pt")
>>> candidates_inputs = tokenizer.batch_encode_candidates(candidates_texts, max_length=10, return_tensors="pt")
>>> outputs = model(
... **inputs,
... candidate_input_ids=candidates_inputs.input_ids,
... candidate_attention_mask=candidates_inputs.attention_mask,
... candidate_token_type_ids=candidates_inputs.token_type_ids,
... )
>>> relevance_score = outputs.relevance_score
RealmKnowledgeAugEncoder
class transformers.RealmKnowledgeAugEncoder
< source >( config )
参数
- config (RealmConfig) — 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。
REALM 的知识增强型编码器,输出掩码语言模型 logits 和边际对数似然损失。 此模型是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以获取与常规用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None relevance_score: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None mlm_mask: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, num_candidates, sequence_length)
) — 词汇表中输入序列标记的索引。索引可以使用 AutoTokenizer 获得。 详见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.__call__() 以获取更多详细信息。
- attention_mask (
torch.FloatTensor
of shape(batch_size, num_candidates, sequence_length)
, optional) — 用于避免对填充标记索引执行注意力的掩码。 掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
- token_type_ids (
torch.LongTensor
of shape(batch_size, num_candidates, sequence_length)
, optional) — 分段标记索引,用于指示输入的第一个和第二个部分。 索引在[0, 1]
中选择:- 0 对应于句子 A 标记,
- 1 对应于句子 B 标记。
- position_ids (
torch.LongTensor
of shape(batch_size, num_candidates, sequence_length)
, optional) — 位置嵌入中每个输入序列标记的位置索引。 在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, optional) — 用于使自注意力模块的选定头无效的掩码。 掩码值在[0, 1]
中选择:- 1 表示头未被掩码,
- 0 表示头被掩码。
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, num_candidates, sequence_length, hidden_size)
, optional) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。 如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联向量,这将非常有用。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 详见返回张量下的attentions
以获取更多详细信息。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 详见返回张量下的hidden_states
以获取更多详细信息。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是普通元组。 - relevance_score (
torch.FloatTensor
of shape(batch_size, num_candidates)
, optional) — 从 RealmScorer 派生的相关性得分,如果您想计算掩码语言建模损失,则必须指定。 - labels (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 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(请参阅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。 - mlm_mask (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在某些位置计算联合损失的掩码。 如果未指定,则不会掩码损失。 掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
返回值
transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MaskedLMOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含取决于配置 (RealmConfig) 和输入的各种元素。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 掩码语言建模 (MLM) 损失。 -
logits (
torch.FloatTensor
of shape(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前每个词汇表标记的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, returned whenoutput_hidden_states=True
is passed or whenconfig.output_hidden_states=True
) —torch.FloatTensor
元组(如果模型具有嵌入层,则一个用于嵌入的输出;+ 每个层的输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的 tuple(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。attention softmax 之后的 attention 权重,用于计算 self-attention heads 中的加权平均值。
RealmKnowledgeAugEncoder 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward pass 的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoTokenizer, RealmKnowledgeAugEncoder
>>> tokenizer = AutoTokenizer.from_pretrained("google/realm-cc-news-pretrained-encoder")
>>> model = RealmKnowledgeAugEncoder.from_pretrained(
... "google/realm-cc-news-pretrained-encoder", num_candidates=2
... )
>>> # batch_size = 2, num_candidates = 2
>>> text = [["Hello world!", "Nice to meet you!"], ["The cute cat.", "The adorable dog."]]
>>> inputs = tokenizer.batch_encode_candidates(text, max_length=10, return_tensors="pt")
>>> outputs = model(**inputs)
>>> logits = outputs.logits
RealmReader
class transformers.RealmReader
< source >( config )
参数
- config (RealmConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
REALM 的读取器。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None relevance_score: typing.Optional[torch.FloatTensor] = None block_mask: typing.Optional[torch.BoolTensor] = None start_positions: typing.Optional[torch.LongTensor] = None end_positions: typing.Optional[torch.LongTensor] = None has_answers: typing.Optional[torch.BoolTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.deprecated.realm.modeling_realm.RealmReaderOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(reader_beam_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 tokens 的索引。可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(reader_beam_size, sequence_length)
的torch.FloatTensor
, 可选) — 用于避免在 padding token 索引上执行 attention 的掩码。Mask 值在[0, 1]
中选择:- 1 表示 tokens 未被掩盖,
- 0 表示 tokens 已被掩盖。
- token_type_ids (形状为
(reader_beam_size, sequence_length)
的torch.LongTensor
, 可选) — Segment token 索引,用于指示输入的第一部分和第二部分。 索引在[0, 1]
中选择:- 0 对应于 sentence A token,
- 1 对应于 sentence B token。
- position_ids (形状为
(reader_beam_size, sequence_length)
的torch.LongTensor
, 可选) — 位置嵌入中每个输入序列 tokens 的位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (形状为
(num_heads,)
或(num_layers, num_heads)
的torch.FloatTensor
, 可选) — 用于置空 self-attention 模块的选定 head 的掩码。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- inputs_embeds (形状为
(reader_beam_size, sequence_length, hidden_size)
的torch.FloatTensor
, 可选) — (可选)您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 *input_ids* 索引转换为关联的向量,这将非常有用。 - output_attentions (
bool
, 可选) — 是否返回所有 attention 层的 attentions tensors。 有关更多详细信息,请参见返回 tensors 下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的 hidden states。 有关更多详细信息,请参见返回 tensors 下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通 tuple。 - relevance_score (形状为
(searcher_beam_size,)
的torch.FloatTensor
, 可选) — 相关性得分,如果您想计算 logits 和 marginal log loss,则必须指定此项。 - block_mask (形状为
(searcher_beam_size, sequence_length)
的torch.BoolTensor
, 可选) — evidence block 的掩码,如果您想计算 logits 和 marginal log loss,则必须指定此项。 - start_positions (形状为
(searcher_beam_size,)
的torch.LongTensor
, 可选) — 用于计算 token 分类损失的带标签 span 的起始位置(索引)的标签。位置被限制为序列的长度 (sequence_length
)。序列之外的位置不计入损失计算。 - end_positions (形状为
(searcher_beam_size,)
的torch.LongTensor
, 可选) — 用于计算 token 分类损失的带标签 span 的结束位置(索引)的标签。位置被限制为序列的长度 (sequence_length
)。序列之外的位置不计入损失计算。 - has_answers (形状为
(searcher_beam_size,)
的torch.BoolTensor
, 可选) — evidence block 是否有答案。
返回值
transformers.models.deprecated.realm.modeling_realm.RealmReaderOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.realm.modeling_realm.RealmReaderOutput
或一个 torch.FloatTensor
的 tuple(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (RealmConfig) 和输入。
-
loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当提供start_positions
,end_positions
,has_answers
时返回) — 总损失。 -
retriever_loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当提供start_positions
,end_positions
,has_answers
时返回) — 检索器损失。 -
reader_loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当提供start_positions
,end_positions
,has_answers
时返回) — 读取器损失。 -
retriever_correct (形状为
(config.searcher_beam_size,)
的torch.BoolTensor
, 可选) — evidence block 是否包含答案。 -
reader_correct (形状为
(config.reader_beam_size, num_candidates)
的torch.BoolTensor
, 可选) — span 候选是否包含答案。 -
block_idx (形状为
()
的torch.LongTensor
) — 检索到的 evidence block 的索引,其中预测的答案最有可能位于其中。 -
candidate (形状为
()
的torch.LongTensor
) — 检索到的 span 候选项的索引,其中预测的答案最有可能位于其中。 -
start_pos (形状为
()
的torch.IntTensor
) — RealmReader 输入中预测的答案起始位置。 -
end_pos (形状为
()
的torch.IntTensor
) — RealmReader 输入中预测的答案结束位置。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的 tuple(embeddings 的输出一个,每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的 hidden-states 加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的 tuple(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。attention softmax 之后的 attention 权重,用于计算 self-attention heads 中的加权平均值。
RealmReader forward 方法,覆盖了 __call__
特殊方法。
尽管 forward pass 的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
RealmForOpenQA
class transformers.RealmForOpenQA
< source >( config retriever = None )
参数
- config (RealmConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
RealmForOpenQA
用于端到端开放域问题解答。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
将 self.block_emb
发送到特定设备。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None answer_ids: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None ) → transformers.models.deprecated.realm.modeling_realm.RealmForOpenQAOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(1, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 tokens 的索引。可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
, 形状为(1, sequence_length)
, 可选) — 用于避免在 padding 标记索引上执行 attention 的掩码。掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
- token_type_ids (
torch.LongTensor
, 形状为(1, sequence_length)
, 可选) — 分段标记索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:- 0 对应于 sentence A 标记,
- 1 对应于 sentence B 标记(按设计不应在此模型中使用)。
- answer_ids (
list
, 形状为(num_answers, answer_length)
, 可选) — 用于计算边际对数似然损失的答案 ids 列表。索引应在[-1, 0, ..., config.vocab_size]
中(参见input_ids
文档)。索引设置为-1
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。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.deprecated.realm.modeling_realm.RealmForOpenQAOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.realm.modeling_realm.RealmForOpenQAOutput
或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (RealmConfig) 和输入。
- reader_output (
dict
) — Reader 输出。 - predicted_answer_ids (
torch.LongTensor
, 形状为(answer_sequence_length)
) — 预测的答案 ids。
RealmForOpenQA forward 方法,覆盖了 __call__
特殊方法。
尽管 forward pass 的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> import torch
>>> from transformers import RealmForOpenQA, RealmRetriever, AutoTokenizer
>>> retriever = RealmRetriever.from_pretrained("google/realm-orqa-nq-openqa")
>>> tokenizer = AutoTokenizer.from_pretrained("google/realm-orqa-nq-openqa")
>>> model = RealmForOpenQA.from_pretrained("google/realm-orqa-nq-openqa", retriever=retriever)
>>> question = "Who is the pioneer in modern computer science?"
>>> question_ids = tokenizer([question], return_tensors="pt")
>>> answer_ids = tokenizer(
... ["alan mathison turing"],
... add_special_tokens=False,
... return_token_type_ids=False,
... return_attention_mask=False,
... ).input_ids
>>> reader_output, predicted_answer_ids = model(**question_ids, answer_ids=answer_ids, return_dict=False)
>>> predicted_answer = tokenizer.decode(predicted_answer_ids)
>>> loss = reader_output.loss