Transformers 文档

RWKV

Transformers

加入 Hugging Face 社区

并获得增强的文档体验

在模型、数据集和 Spaces 上进行协作

通过加速推理获得更快的示例

切换文档主题

开始使用

RWKV

概述

RWKV 模型是在此仓库中提出的。

它建议对传统 Transformer 注意力机制进行调整，使其线性化。通过这种方式，模型可以用作循环网络：同时传递时间戳 0 和时间戳 1 的输入，与先传递时间戳 0 的输入，然后传递时间戳 1 的输入以及时间戳 0 的状态是相同的（参见以下示例）。

这比常规 Transformer 更高效，并且可以处理任意长度的句子（即使模型在训练时使用固定的上下文长度）。

该模型由 sgugger 贡献。原始代码可在此处找到。

使用示例

import torch
from transformers import AutoTokenizer, RwkvConfig, RwkvModel

model = RwkvModel.from_pretrained("sgugger/rwkv-430M-pile")
tokenizer = AutoTokenizer.from_pretrained("sgugger/rwkv-430M-pile")

inputs = tokenizer("This is an example.", return_tensors="pt")
# Feed everything to the model
outputs = model(inputs["input_ids"])
output_whole = outputs.last_hidden_state

outputs = model(inputs["input_ids"][:, :2])
output_one = outputs.last_hidden_state

# Using the state computed on the first inputs, we will get the same output
outputs = model(inputs["input_ids"][:, 2:], state=outputs.state)
output_two = outputs.last_hidden_state

torch.allclose(torch.cat([output_one, output_two], dim=1), output_whole, atol=1e-5)

如果你想确保模型在检测到 '\n\n' 时停止生成，我们建议使用以下停止标准：

from transformers import StoppingCriteria

class RwkvStoppingCriteria(StoppingCriteria):
    def __init__(self, eos_sequence = [187,187], eos_token_id = 537):
        self.eos_sequence = eos_sequence
        self.eos_token_id = eos_token_id

    def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor, **kwargs) -> bool:
        last_2_ids = input_ids[:,-2:].tolist()
        return self.eos_sequence in last_2_ids


output = model.generate(inputs["input_ids"], max_new_tokens=64, stopping_criteria = [RwkvStoppingCriteria()])

RwkvConfig

class transformers.RwkvConfig

< 源 >

( vocab_size = 50277 context_length = 1024 hidden_size = 4096 num_hidden_layers = 32 attention_hidden_size = None intermediate_size = None layer_norm_epsilon = 1e-05 bos_token_id = 0 eos_token_id = 0 rescale_every = 6 tie_word_embeddings = False use_cache = True **kwargs )

参数

vocab_size (int, 可选, 默认为 50277) — RWKV 模型的词汇表大小。定义了调用 RwkvModel 时传递的 inputs_ids 可以表示的不同标记的数量。
context_length (int, 可选, 默认为 1024) — 此模型在单次前向传播中可使用的最大序列长度（在 RNN 模式下，它可以使用任意序列长度）。
hidden_size (int, 可选, 默认为 4096) — 嵌入和隐藏状态的维度。
num_hidden_layers (int, 可选, 默认为 32) — 模型中的隐藏层数量。
attention_hidden_size (int, 可选) — 注意力隐藏状态的维度。如果未设置，将默认为 hidden_size。
intermediate_size (int, 可选) — 内部前馈层的维度。如果未设置，将默认为 hidden_size 的 4 倍。
layer_norm_epsilon (float, 可选, 默认为 1e-05) — 层归一化层中使用的 epsilon。
bos_token_id (int, 可选, 默认为 0) — 词汇表中句子开始标记的 ID。默认为 0，因为 RWKV 使用与 GPTNeoX 相同的分词器。
eos_token_id (int, 可选, 默认为 0) — 词汇表中句子结束标记的 ID。默认为 0，因为 RWKV 使用与 GPTNeoX 相同的分词器。
rescale_every (int, 可选, 默认为 6) — 在推理时，隐藏状态（以及相应输出层的权重）每 rescale_every 层除以 2。如果设置为 0 或负数，则不进行缩放。
tie_word_embeddings (bool, 可选, 默认为 False) — 是否将词嵌入与输入标记嵌入绑定。
use_cache (bool, 可选, 默认为 True) — 模型是否应返回最后一个状态。

这是用于存储 RwkvModel 配置的配置类。它用于根据指定参数实例化 RWKV 模型，定义模型架构。使用默认值实例化配置将生成与 RWVK-4 RWKV/rwkv-4-169m-pile 架构类似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PretrainedConfig 的文档。

示例

>>> from transformers import RwkvConfig, RwkvModel

>>> # Initializing a Rwkv configuration
>>> configuration = RwkvConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = RwkvModel(configuration)

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

RwkvModel

class transformers.RwkvModel

< 源 >

( config )

参数

config (RwkvModel) — 模型的配置类，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，只加载配置。查看 from_pretrained() 方法以加载模型权重。

裸露的 Rwkv 模型，输出原始隐藏状态，顶部没有任何特定头部。

此模型继承自 PreTrainedModel。查阅超类文档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 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档以了解所有与一般使用和行为相关的事项。

forward

< 源 >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None state: typing.Optional[list[torch.FloatTensor]] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.rwkv.modeling_rwkv.RwkvOutput 或 tuple(torch.FloatTensor)

参数

input_ids (torch.LongTensor，形状为 (batch_size, input_ids_length)) — 如果 past_key_values 为 None，则 input_ids_length = sequence_length，否则为 past_key_values[0][0].shape[-2] (输入过去的键值状态的 sequence_length)。词汇表中输入序列标记的索引。

如果使用了 past_key_values，则只有未计算过其过去的 input_ids 应作为 input_ids 传递。

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

什么是 input ID？
attention_mask (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选择在 [0, 1] 中：
- 1 表示未被掩盖的标记，
- 0 表示被掩盖的标记。
什么是注意力掩码？
inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地，你可以选择直接传递嵌入表示，而不是传递 input_ids。如果你想对如何将 input_ids 索引转换为相关向量（而不是模型的内部嵌入查找矩阵）有更多控制，这会很有用。
state (五个 torch.FloatTensor 的元组，形状为 (batch_size, hidden_size, num_hidden_layers), 可选) — 如果传入，模型将使用所有块中的先前状态（这将生成所提供的 input_ids 的输出，就像模型将 state_input_ids + input_ids 作为上下文一样）。
use_cache (bool, 可选) — 如果设置为 True，则返回最后一个状态，可用于快速生成下一个 logits。
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。

transformers.models.rwkv.modeling_rwkv.RwkvOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.rwkv.modeling_rwkv.RwkvOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (RwkvConfig) 和输入而变化的各种元素。

last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选，默认为 None) — 模型最后一层输出的隐藏状态序列。
state (五个 torch.FloatTensor 的列表，形状为 (batch_size, hidden_size, num_hidden_layers)) — 模型在最后一个时间步的状态。可在前向方法中与下一个 input_ids 一起使用，以避免提供旧的 input_ids。
hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则包含一个嵌入层输出，加上每个层的一个输出），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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每个层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

RwkvModel 的前向传播方法，覆盖了 __call__ 特殊方法。

尽管前向传播的配方需要在此函数中定义，但之后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。

RwkvLMHeadModel

类 transformers.RwkvForCausalLM

< 源 >

( config )

参数

config (RwkvForCausalLM) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法加载模型权重。

RWKV 模型Transformer，顶部带有一个语言建模头（权重与输入嵌入绑定在一起的线性层）。

此模型继承自 PreTrainedModel。查阅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 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档以了解所有与一般使用和行为相关的事项。

forward

< 源 >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None state: typing.Optional[list[torch.FloatTensor]] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs ) → transformers.models.rwkv.modeling_rwkv.RwkvCausalLMOutput 或 tuple(torch.FloatTensor)

参数

input_ids (torch.LongTensor，形状为 (batch_size, input_ids_length)) — 如果 past_key_values 为 None，则 input_ids_length = sequence_length；否则为 past_key_values[0][0].shape[-2]（输入过去键值状态的 sequence_length）。词汇表中输入序列标记的索引。

如果使用了 past_key_values，则只有未计算其过去的 input_ids 应作为 input_ids 传入。

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

什么是 input ID？
attention_mask (torch.LongTensor，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 表示未被遮盖的标记，
- 0 表示被遮盖的标记。
什么是注意力掩码？
inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以直接传入嵌入表示，而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这将非常有用。
state (形状为 (batch_size, hidden_size, num_hidden_layers) 的五个 torch.FloatTensor 元组，可选) — 如果传入，模型将在所有块中使用先前的状态（这将为提供的 input_ids 提供输出，就像模型将 state_input_ids + input_ids 作为上下文一样）。
labels (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于语言建模的标签。请注意，标签在模型内部是移位的，即您可以设置 labels = input_ids。索引选择范围为 [-100, 0, ..., config.vocab_size]。所有设置为 -100 的标签将被忽略（遮盖），损失仅针对 [0, ..., config.vocab_size] 中的标签计算。
use_cache (bool, 可选) — 如果设置为 True，将返回最后一个状态，可用于快速生成下一个 logits。
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 而不是纯元组。

transformers.models.rwkv.modeling_rwkv.RwkvCausalLMOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.rwkv.modeling_rwkv.RwkvCausalLMOutput 或 torch.FloatTensor 的元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置 (RwkvConfig) 和输入而定的各种元素。

loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。
logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。
state (五个 torch.FloatTensor 的列表，形状为 (batch_size, hidden_size, num_hidden_layers)) — 模型在最后一个时间步的状态。可在前向方法中与下一个 input_ids 一起使用，以避免提供旧的 input_ids。
hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则包含一个嵌入层输出，加上每个层的一个输出），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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每个层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。

RwkvForCausalLM 的前向传播方法，覆盖了 __call__ 特殊方法。

示例

RWKV 注意力与循环公式

在传统的自回归 Transformer 中，注意力可以表示为 $O = \hbox{softmax}(QK^{T} / \sqrt{d}) V$

，其中 $Q$ , $K$ 和 $V$ 是形状为 seq_len x hidden_size 的矩阵，分别称为查询、键和值（它们实际上是更大的矩阵，具有批次维度和注意力头维度，但我们只对最后两个感兴趣，因为矩阵乘法发生在那里，因此为简化起见，我们只考虑这两个）。乘积 $QK^{T}$ 的形状为 seq_len x seq_len，我们可以与 $V$ 进行矩阵乘法以获得输出 $O$ ，其形状与其它相同。

将 softmax 替换为其值，得到 $O_{i} = \frac{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}} V_{j}}{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}}}$

注意， $QK^{T}$ 中对应于 $j > i$ 的条目被遮盖（求和在 j 处停止），因为注意力不允许查看未来的标记（只能查看过去的标记）。

相比之下，RWKV 注意力由以下公式给出： $O_{i} = \sigma(R_{i}) \frac{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}} V_{j}}{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}}}$

其中 $R$ 是作者所称的新的接收矩阵， $K$ 和 $V$ 仍然是键和值（$\sigma$ 在这里是 sigmoid 函数）。 $W$ 是一个表示标记位置的新向量，其定义为 $W_{0} = u \hbox{ and } W_{k} = (k-1)w \hbox{ for } k \geq 1$

，其中 $u$ 和 $w$ 在代码中分别称为 time_first 和 time_decay 的可学习参数。分子和分母都可以递归表示。将它们命名为 $N_{i}$ 和 $D_{i}$ ，我们有 $N_{i} = e^{u + K_{i}} V_{i} + \hat{N}_{i} \hbox{ where } \hat{N}_{i} = e^{K_{i-1}} V_{i-1} + e^{w + K_{i-2}} V_{i-2} \cdots + e^{(i-2)w + K_{1}} V_{1}$

所以 $\hat{N}_{i}$ （在代码中称为 numerator_state）满足 $\hat{N}_{0} = 0 \hbox{ and } \hat{N}_{j+1} = e^{K_{j}} V_{j} + e^{w} \hat{N}_{j}$

和 $D_{i} = e^{u + K_{i}} + \hat{D}_{i} \hbox{ where } \hat{D}_{i} = e^{K_{i-1}} + e^{w + K_{i-2}} \cdots + e^{(i-2)w + K_{1}}$

所以 $\hat{D}_{i}$ （在代码中称为 denominator_state）满足 $\hat{D}_{0} = 0 \hbox{ and } \hat{D}_{j+1} = e^{K_{j}} + e^{w} \hat{D}_{j}$

实际使用的递归公式稍微复杂一些，因为为了数值稳定性，我们不希望计算大数的指数。通常 softmax 不是直接计算的，而是将最大项的指数除以分子和分母 $\frac{e^{x_{i}}}{\sum_{j=1}^{n} e^{x_{j}}} = \frac{e^{x_{i} - M}}{\sum_{j=1}^{n} e^{x_{j} - M}}$

，其中 $M$ 所有项中的最大值 $x_{j}$ 。因此，除了保存分子状态 ( $\hat{N}$ $\hat{N}$ ) 和分母状态 ( $\hat{D}$ $\hat{D}$ ) 之外，我们还跟踪指数中遇到的所有项的最大值。因此，我们实际使用的是 $\tilde{N}_{i} = e^{-M_{i}} \hat{N}_{i} \hbox{ and } \tilde{D}_{i} = e^{-M_{i}} \hat{D}_{i}$

由以下递归公式定义 $\tilde{N}_{0} = 0 \hbox{ and } \tilde{N}_{j+1} = e^{K_{j} - q} V_{j} + e^{w + M_{j} - q} \tilde{N}_{j} \hbox{ where } q = \max(K_{j}, w + M_{j})$

和 $\tilde{D}_{0} = 0 \hbox{ and } \tilde{D}_{j+1} = e^{K_{j} - q} + e^{w + M_{j} - q} \tilde{D}_{j} \hbox{ where } q = \max(K_{j}, w + M_{j})$

和 $M_{j+1} = q$ 。有了这些，我们就可以计算 $N_{i} = e^{u + K_{i} - q} V_{i} + e^{M_{i}} \tilde{N}_{i} \hbox{ where } q = \max(u + K_{i}, M_{i})$

和 $D_{i} = e^{u + K_{i} - q} + e^{M_{i}} \tilde{D}_{i} \hbox{ where } q = \max(u + K_{i}, M_{i})$

最终得到 $O_{i} = \sigma(R_{i}) \frac{N_{i}}{D_{i}}$

< > 在 GitHub 上更新

←RoFormer Splinter→