SwitchTransformers
概述
SwitchTransformers 模型由 William Fedus、Barret Zoph 和 Noam Shazeer 在 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中提出。
Switch Transformer 模型使用稀疏的 T5 编码器-解码器架构,其中 MLP 被混合专家 (MoE) 替换。路由机制(在本例中为 top 1)将每个标记与其中一个专家关联,每个专家都是一个密集的 MLP。虽然 switch transformers 比其等效的密集模型具有更多的权重,但稀疏性允许更好的扩展性和更好的规模化微调性能。在正向传递期间,只使用一小部分权重。路由机制允许模型动态选择相关权重,从而提高模型容量,而不会增加操作数量。
论文中的摘要如下:
在深度学习中,模型通常对所有输入重用相同的参数。混合专家 (MoE) 挑战了这一点,而是为每个传入示例选择不同的参数。结果是一个稀疏激活的模型——具有惊人的参数数量——但计算成本恒定。然而,尽管 MoE 取得了一些显著的成功,但其广泛应用却受到复杂性、通信成本和训练不稳定的阻碍——我们通过 Switch Transformer 解决这些问题。我们简化了 MoE 路由算法,并设计了具有直观改进的模型,以降低通信和计算成本。我们提出的训练技术有助于控制不稳定性,我们展示了大型稀疏模型可以首次使用较低精度 (bfloat16) 格式进行训练。我们基于 T5-Base 和 T5-Large 设计模型,以获得在相同计算资源下高达 7 倍的预训练速度提升。这些改进扩展到多语言设置,在所有 101 种语言中我们都衡量了对 mT5-Base 版本的增益。最后,我们通过在“庞大的干净爬取语料库”上预训练高达万亿参数的模型来推动当前语言模型的规模,并在 T5-XXL 模型的基础上实现 4 倍的速度提升。
该模型由 Younes Belkada 和 Arthur Zucker 贡献。原始代码可在 此处 找到。
使用技巧
- SwitchTransformers 使用 T5Tokenizer,可以直接从每个模型的仓库中加载。
- 发布的权重是在英语 掩码语言建模 任务上预训练的,应该进行微调。
资源
SwitchTransformersConfig
class transformers.SwitchTransformersConfig
< source >( vocab_size = 32128 d_model = 768 d_kv = 64 d_ff = 2048 expert_capacity = 64 num_layers = 12 num_sparse_encoder_layers = 3 num_decoder_layers = 12 num_sparse_decoder_layers = 3 num_heads = 12 num_experts = 8 router_bias = False router_jitter_noise = 0.01 router_dtype = 'float32' router_ignore_padding_tokens = False relative_attention_num_buckets = 32 relative_attention_max_distance = 128 dropout_rate = 0.1 layer_norm_epsilon = 1e-06 router_z_loss_coef = 0.001 router_aux_loss_coef = 0.001 initializer_factor = 1.0 dense_act_fn = 'relu' is_encoder_decoder = True add_router_probs = False use_cache = True pad_token_id = 0 eos_token_id = 1 **kwargs )
参数
- vocab_size (
int
, 可选, 默认值为 32128) — SwitchTransformers 模型的词汇量大小。 定义了调用 SwitchTransformersModel 时传递的inputs_ids
可以表示的不同标记数量。 - d_model (
int
, 可选, 默认值为 768) — 编码器层和池化层的尺寸。 - d_kv (
int
, 可选, 默认值为 64) — 每个注意力头的键、查询、值投影的大小。d_kv
必须等于d_model // num_heads
。 - d_ff (
int
, 可选, 默认值为 2048) — 每个SwitchTransformersBlock
中的中间前馈层的尺寸。 - expert_capacity (
int
, 可选, 默认值为 64) — 每个专家可以存储的标记数量。 如果设置为 1,模型将表现得像一个普通的 Transformer。 - num_layers (
int
, 可选, 默认值为 12) — Transformer 编码器层中的密集隐藏层的数量。 - num_sparse_encoder_layers (
int
, 可选, 默认值为 3) — Transformer 编码器层中的稀疏 (MoE) 密集隐藏层的数量。 - num_decoder_layers (
int
, 可选, 默认值为 12) — Transformer 解码器中的隐藏层的数量。 如果未设置,将使用与num_layers
相同的值。 - num_sparse_decoder_layers (
int
, 可选, 默认值为 3) — Transformer 解码器层中的稀疏 (MoE) 密集隐藏层的数量。 - num_heads (
int
, 可选, 默认值为 12) — Transformer 编码器中每个注意力层的注意力头的数量。 - router_jitter_noise (
float
, 可选, 默认为 0.01) — 添加到路由器的噪声量。 - router_dtype (
str
, 可选, 默认为"float32"
) — 路由器使用的dtype
。 优先使用"float32"
作为dtype
,正如 论文 中选择性精度部分所述。 - router_ignore_padding_tokens (
bool
, 可选, 默认为False
) — 路由时是否忽略填充 token。 - relative_attention_num_buckets (
int
, 可选, 默认为 32) — 每个注意力层的桶数。 - relative_attention_max_distance (
int
, 可选, 默认为 128) — 用于桶分隔的更长序列的最大距离。 - dropout_rate (
float
, 可选, 默认为 0.1) — 所有 dropout 层的比例。 - layer_norm_eps (
float
, 可选, 默认为 1e-6) — 层归一化层使用的 epsilon。 - router_z_loss_coef (
float
, 可选, 默认为 0.001) — 总损失的 z 损失因子。 - router_aux_loss_coef (
float
, 可选, 默认为 0.001) — 总损失的辅助损失因子。 - add_router_probs (
bool
, 可选, 默认值为False
) — 是否输出路由器概率以计算路由器辅助损失。 - use_cache (
bool
, 可选, 默认值为True
) — 模型是否应返回最后一个键/值注意力(并非所有模型都使用)。
这是一个配置类,用于存储 SwitchTransformersModel 的配置。它用于根据指定的参数实例化 SwitchTransformers 模型,定义模型架构。使用默认值实例化配置将生成与 SwitchTransformers google/switch-base-8 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 的文档以了解更多信息。
SwitchTransformersTop1Router
使用令牌选择前 1 名专家的路由器。
此路由器使用与 Switch Transformer (https://arxiv.org/abs/2101.03961) 和 V-MoE (https://arxiv.org/abs/2106.05974) 相同的机制:令牌选择其顶级专家。项目按 router_probs 排序,然后路由到他们选择的专家,直到专家的 expert_capacity 达到为止。不能保证每个令牌都由专家处理,或者每个专家至少接收一个令牌。
_compute_router_probabilities
< 源代码 > ( hidden_states: Tensor ) → router_probabilities (torch.Tensor
)
参数
- hidden_states (
torch.Tensor
) — (batch_size, sequence_length, hidden_dim) 用于计算路由器概率。
返回值
router_probabilities (torch.Tensor
)
形状为 (batch_size, sequence_length, num_experts) 的张量,对应于每个令牌和专家的概率。用于将令牌路由到专家。router_logits (torch.Tensor
): 形状为 (batch_size, sequence_length, num_experts) 的 logits 张量,对应于原始路由器 logits。这将在以后用于计算路由器 z 损失。
从输入隐藏状态计算路由器概率。
forward
< 源代码 > ( hidden_states: Tensor )
参数
- hidden_states (
torch.Tensor
) — [num_groups, tokens_per_group, hidden_dim] 发送给专家的输入。
每个路由器类的通用前向函数。每个路由器都希望具有相同的输入隐藏状态 (hidden_states
),对应于每个令牌的隐藏状态,expert_capacity
对应于路由器将发送到每个专家的令牌数量,一些路由器可以最多将少量令牌发送到每个专家。
每个路由器的工作原理如下:它希望获得每个令牌的隐藏状态,从 router_weights
获取 router_probs
和 router_logits
。这将为每个令牌分配一个被分配到专家的原始概率。然后每个路由器类都必须定义自己的 _compute_routing_instructions
。
SwitchTransformersSparseMLP
class transformers.SwitchTransformersSparseMLP
< source >( config: SwitchTransformersConfig expert_class: Module = <class 'transformers.models.switch_transformers.modeling_switch_transformers.SwitchTransformersDenseActDense'> )
Switch Transformers Sparse MLP 模块的实现。
等等,这有点难理解。按照正确的顺序,MoE 层执行以下操作:
1- 从路由器获取 router_mask
。掩码的形状为 (batch_size, sequence_length, num_expert)
,对应于 router_probs
的 argmax。在计算隐藏状态时需要概率:它们被广播到隐藏状态值(可以解释为缩放因子)。
2- 将标记分配到其关联的专家。我们对专家进行经典的 for 循环,并为每个专家分配相应的隐藏状态。
SwitchTransformersModel
class transformers.SwitchTransformersModel
< source >( config: SwitchTransformersConfig )
参数
- config (SwitchTransformersConfig) — 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() 方法来加载模型权重。
不带任何特定头的 SWITCH_TRANSFORMERS 模型,输出原始的隐藏状态。
SWITCH_TRANSFORMERS 模型由 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中的 William Fedus、Barret Zoph 和 Noam Shazeer 提出。它是一个类似 T5 的编码器-解码器模型,具有稀疏的前馈网络,代表专家混合 (MoE) 架构。
该模型继承自 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、裁剪头部等)。
该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。
forward
< source > ( input_ids: Optional = 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 output_router_logits: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.Seq2SeqMoEModelOutput
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。SWITCH_TRANSFORMERS 是一个使用相对位置嵌入的模型,因此您应该能够在左右两侧填充输入。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
要详细了解如何为预训练准备
input_ids
,请查看 SWITCH_TRANSFORMERS 训练。 - 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。在[0, 1]
中选择掩码值:- 1 代表未被掩码的标记,
- 0 代表被掩码的标记。
- decoder_input_ids (
torch.LongTensor
形状为(batch_size, target_sequence_length)
,可选) — 词汇表中解码器输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
SWITCH_TRANSFORMERS 使用
pad_token_id
作为decoder_input_ids
生成器开始标记。如果使用past_key_values
,可以选择只输入最后一个decoder_input_ids
(参见past_key_values
)。要详细了解如何为预训练准备
decoder_input_ids
,请查看 SWITCH_TRANSFORMERS 训练。 - decoder_attention_mask (
torch.BoolTensor
形状为(batch_size, target_sequence_length)
,可选) — 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。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于使编码器中自注意力模块的选定头无效。在[0, 1]
中选择掩码值:- 1 代表未被掩码的头,
- 0 代表被掩码的头。
- decoder_head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于使解码器中自注意力模块的选定头无效。在[0, 1]
中选择掩码值:- 1 代表未被掩码的头,
- 0 代表被掩码的头。
- cross_attn_head_mask (
torch.Tensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于使解码器中交叉注意力模块的选定头无效。在[0, 1]
中选择掩码值:- 1 代表未被掩码的头,
- 0 代表被掩码的头。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
, 可选) — 元组包含 (last_hidden_state
,可选
: hidden_states,可选
: attentions)last_hidden_state
形状为(batch_size, sequence_length, hidden_size)
,是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。 - past_key_values (
tuple(tuple(torch.FloatTensor))
长度为config.n_layers
,每个元组包含 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的张量) — 包含预先计算的注意力块的关键和值隐藏状态。可用于加速解码。如果使用
past_key_values
,用户可以选择仅输入最后的decoder_input_ids
(其过去关键值状态未提供给此模型) 形状为(batch_size, 1)
,而不是所有decoder_input_ids
形状为(batch_size, sequence_length)
。 - inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您希望对如何将input_ids
索引转换为关联向量有更多控制权,而不是模型的内部嵌入查找矩阵,这将很有用。 - 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
。如果使用past_key_values
,可选地只需要输入最后的decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为关联向量有更多控制权,而不是模型的内部嵌入查找矩阵,这将很有用。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,decoder_inputs_embeds
将取inputs_embeds
的值。 - use_cache (
bool
, 可选) — 如果设置为True
,则会返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
。 - output_router_logits (
bool
, 可选) — 是否返回所有路由器的 logits。它们对于计算路由器损失很有用,在推理过程中不应返回。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。
返回值
transformers.modeling_outputs.Seq2SeqMoEModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqMoEModelOutput
或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置 (SwitchTransformersConfig) 和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层的隐藏状态序列。如果使用
past_key_values
,则仅输出形状为(batch_size, 1, hidden_size)
的序列的最后隐藏状态。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)和 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 在传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (对于嵌入层的输出,如果模型具有嵌入层,则有一个,加上每个层的输出有一个) 形状为(batch_size, sequence_length, hidden_size)
。解码器在每个层的输出处的隐藏状态,以及可选的初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力softmax之后,用于计算自注意力头中的加权平均值。
-
decoder_router_logits (
tuple(torch.FloatTensor)
, 可选, 在传入output_router_logits=True
或config.add_router_probs=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, sequence_length, num_experts)
。解码器模型的路由 logits,用于计算混合专家模型的辅助损失。
-
cross_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。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值。
-
encoder_last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 模型编码器最后一层的输出处的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 在传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (对于嵌入层的输出,如果模型具有嵌入层,则有一个,加上每个层的输出有一个) 形状为(batch_size, sequence_length, hidden_size)
。编码器在每个层的输出处的隐藏状态,以及可选的初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。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值。
-
encoder_router_logits (
tuple(torch.FloatTensor)
, 可选, 在传入output_router_logits=True
或config.add_router_probs=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, sequence_length, num_experts)
。编码器模型的路由 logits,用于计算稀疏模块的辅助损失和 z_loss。
The SwitchTransformersModel 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,但应该在之后调用Module
实例,而不是这个函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SwitchTransformersModel
>>> tokenizer = AutoTokenizer.from_pretrained("google/switch-base-8")
>>> model = SwitchTransformersModel.from_pretrained("google/switch-base-8")
>>> input_ids = tokenizer(
... "Studies have been shown that owning a dog is good for you", return_tensors="pt"
... ).input_ids # Batch size 1
>>> decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids # Batch size 1
>>> # preprocess: Prepend decoder_input_ids with start token which is pad token for SwitchTransformersModel.
>>> # This is not needed for torch's SwitchTransformersForConditionalGeneration as it does this internally using labels arg.
>>> decoder_input_ids = model._shift_right(decoder_input_ids)
>>> # forward pass
>>> outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)
>>> last_hidden_states = outputs.last_hidden_state
SwitchTransformersForConditionalGeneration
class transformers.SwitchTransformersForConditionalGeneration
< source >( config: SwitchTransformersConfig )
参数
- config (SwitchTransformersConfig) — 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()方法加载模型权重。
具有语言建模
头的SWITCH_TRANSFORMERS 模型。
SWITCH_TRANSFORMERS 模型由 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中的 William Fedus、Barret Zoph 和 Noam Shazeer 提出。它是一个类似 T5 的编码器-解码器模型,具有稀疏的前馈网络,代表专家混合 (MoE) 架构。
该模型继承自 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、裁剪头部等)。
该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。
forward
< source > ( input_ids: Optional = 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 output_router_logits: Optional = True return_dict: Optional = None ) → transformers.modeling_outputs.Seq2SeqMoEOutput
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。SWITCH_TRANSFORMERS 是一个具有相对位置嵌入的模型,因此您应该能够在左右两侧填充输入。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
要详细了解如何为预训练准备
input_ids
,请查看 SWITCH_TRANSFORMERS 训练。 - 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。[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。
- decoder_input_ids (
torch.LongTensor
形状为(batch_size, target_sequence_length)
, 可选) — 词汇表中解码器输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
SWITCH_TRANSFORMERS 使用
pad_token_id
作为decoder_input_ids
生成 的起始标记。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(参见past_key_values
)。要详细了解如何为预训练准备
decoder_input_ids
,请查看 SWITCH_TRANSFORMERS 训练。 - decoder_attention_mask (
torch.BoolTensor
形状为(batch_size, target_sequence_length)
, 可选) — 默认行为:生成一个忽略decoder_input_ids
中填充标记的张量。因果掩码默认情况下也将被使用。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 掩码,用于使编码器中自注意力模块的选定头部无效。[0, 1]
中选择的掩码值:- 1 表示未屏蔽的头部,
- 0 表示屏蔽的头部。
- decoder_head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 掩码,用于使解码器中自注意力模块的选定头部无效。[0, 1]
中选择的掩码值:- 1 表示未屏蔽的头部,
- 0 表示屏蔽的头部。
- cross_attn_head_mask (
torch.Tensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 掩码,用于使解码器中交叉注意力模块的选定头部无效。[0, 1]
中选择的掩码值:- 1 表示未屏蔽的头部,
- 0 表示屏蔽的头部。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
, 可选) — 元组包含 (last_hidden_state
,可选
: hidden_states,可选
: attentions) 形状为(batch_size, sequence_length, hidden_size)
的last_hidden_state
是编码器最后一层输出处的隐藏状态序列。用于解码器的交叉注意力。 - past_key_values (
tuple(tuple(torch.FloatTensor))
长度为config.n_layers
,每个元组包含 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的张量) — 包含预先计算的注意力块的关键和值隐藏状态。可用于加速解码。如果使用
past_key_values
,则用户可以选择仅输入形状为(batch_size, 1)
的最后一个decoder_input_ids
(那些没有向该模型提供其过去键值状态的),而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。 - inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,您可以选择直接传递嵌入式表示,而不是传递input_ids
。如果您希望对如何将input_ids
索引转换为相关向量有更多控制权,而不是模型的内部嵌入查找矩阵,这将很有用。 - 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式表示,而不是传递decoder_input_ids
。如果使用past_key_values
,可选地只需要输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为相关向量有更多控制权,而不是模型的内部嵌入查找矩阵,这将很有用。如果
decoder_input_ids
和decoder_inputs_embeds
都未设置,decoder_inputs_embeds
将取inputs_embeds
的值。 - use_cache (
bool
, 可选) — 如果设置为True
,将返回past_key_values
键值状态,可用于加快解码速度 (参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量中的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,请参见返回张量中的hidden_states
。 - output_router_logits (
bool
, 可选) — 是否返回所有路由器的 logits。它们对于计算路由器损失很有用,在推理过程中不应该返回。 - 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
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[-100, 0, ..., config.vocab_size - 1]
中。所有设置为-100
的标签都将被忽略 (屏蔽),损失仅针对[0, ..., config.vocab_size]
中的标签进行计算。
返回值
transformers.modeling_outputs.Seq2SeqMoEOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqMoEOutput
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 (SwitchTransformersConfig) 和输入而变化的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 在提供labels
时返回) — 语言建模损失。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数 (SoftMax 之前的每个词汇表标记的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量)和 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 在传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (对于嵌入层的输出,如果模型具有嵌入层,则有一个,加上每个层的输出有一个) 形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出处的隐藏状态,加上初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的注意力权重,在注意力softmax之后,用于计算自注意力头中的加权平均值。
-
decoder_router_logits (
tuple(torch.FloatTensor)
, 可选, 在传入output_router_logits=True
或config.add_router_probs=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, sequence_length, num_experts)
。解码器模型的路由 logits,用于计算混合专家模型的辅助损失。
-
cross_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。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值。
-
encoder_last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 模型编码器最后一层的输出处的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 在传入output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (对于嵌入层的输出,如果模型具有嵌入层,则有一个,加上每个层的输出有一个) 形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出处的隐藏状态,加上初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
, 可选, 在传入output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, num_heads, sequence_length, sequence_length)
。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值。
-
encoder_router_logits (
tuple(torch.FloatTensor)
, 可选, 在传入output_router_logits=True
或config.add_router_probs=True
时返回) —torch.FloatTensor
元组 (每个层有一个) 形状为(batch_size, sequence_length, num_experts)
。编码器模型的路由器 logits,用于计算专家混合模型的辅助损失和 z_loss。
The SwitchTransformersForConditionalGeneration 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,但应该在之后调用Module
实例,而不是这个函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SwitchTransformersForConditionalGeneration
>>> tokenizer = AutoTokenizer.from_pretrained("google/switch-base-8")
>>> model = SwitchTransformersForConditionalGeneration.from_pretrained("google/switch-base-8")
>>> # training
>>> input_ids = tokenizer("The <extra_id_0> walks in <extra_id_1> park", return_tensors="pt").input_ids
>>> labels = tokenizer("<extra_id_0> cute dog <extra_id_1> the <extra_id_2>", return_tensors="pt").input_ids
>>> outputs = model(input_ids=input_ids, labels=labels)
>>> loss = outputs.loss
>>> logits = outputs.logits
>>> # inference
>>> input_ids = tokenizer(
... "summarize: studies have shown that owning a dog is good for you", return_tensors="pt"
... ).input_ids # Batch size 1
>>> outputs = model.generate(input_ids)
>>> # . To, let’s say you have a dog. To summarize:
>>> # Since the model has been trained on MLM, this will output gibberish
SwitchTransformersEncoderModel
class transformers.SwitchTransformersEncoderModel
< 源代码 >( config: SwitchTransformersConfig )
参数
- config (SwitchTransformersConfig) — 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关联的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
基础的 SWITCH_TRANSFORMERS 模型转换器,输出编码器的原始隐藏状态,没有任何特定头部。
SWITCH_TRANSFORMERS 模型由 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中的 William Fedus、Barret Zoph 和 Noam Shazeer 提出。它是一个类似 T5 的编码器-解码器模型,具有稀疏的前馈网络,代表专家混合 (MoE) 架构。
该模型继承自 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、裁剪头部等)。
该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。
forward
< 源代码 > ( input_ids: Optional = None attention_mask: Optional = None head_mask: Optional = None inputs_embeds: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None output_router_logits: Optional = True return_dict: Optional = None ) → transformers.modeling_outputs.MoEModelOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。SWITCH_TRANSFORMERS 是一个具有相对位置嵌入的模型,因此您应该能够在左右两侧填充输入。索引可以使用 AutoTokenizer 获得。查看 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
要了解有关如何为预训练准备
input_ids
的更多信息,请查看 SWITCH_TRANSFORMERS 训练。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
, 可选) — 掩码,避免对填充标记索引执行注意力操作。掩码值选择在[0, 1]
中:- 1 表示标记 **未被掩码**,
- 0 表示标记 **被掩码**。
- head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 掩码,用于使自注意力模块中选定的头部无效。掩码值选择在[0, 1]
中:- 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
。如果您想要对如何将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。查看返回张量下的hidden_states
以了解更多详情。 - output_router_logits (
bool
, 可选) — 是否返回所有路由器的 logits。这些 logits 对计算路由器损失很有用,在推理过程中不应该返回。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回值
transformers.modeling_outputs.MoEModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MoEModelOutput
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 (SwitchTransformersConfig) 和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出处的隐藏状态序列。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型具有嵌入层,+ 一个用于每一层的输出)形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每一层一个)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。
-
router_probs (
tuple(torch.FloatTensor)
, 可选, 当传递output_router_probs=True
且config.add_router_probs=True
或当config.output_router_probs=True
时返回) —torch.FloatTensor
的元组(每一层一个)形状为(batch_size, sequence_length, num_experts)
。由 MoE 路由器计算的原始路由器概率,这些项用于计算专家混合模型的辅助损失和 z_loss。
该 SwitchTransformersEncoderModel 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,但应该在之后调用Module
实例,而不是这个函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, SwitchTransformersEncoderModel
>>> tokenizer = AutoTokenizer.from_pretrained("google/switch-base-8")
>>> model = SwitchTransformersEncoderModel.from_pretrained("google/switch-base-8")
>>> input_ids = tokenizer(
... "Studies have been shown that owning a dog is good for you", return_tensors="pt"
... ).input_ids # Batch size 1
>>> outputs = model(input_ids=input_ids)
>>> last_hidden_states = outputs.last_hidden_state