Transformers 文档
SwitchTransformers
并获取增强的文档体验
开始使用
SwitchTransformers
概述
SwitchTransformers 模型在 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity (William Fedus, Barret Zoph, Noam Shazeer 提出)。
Switch Transformer 模型使用稀疏的 T5 编码器-解码器架构,其中 MLP 被专家混合 (MoE) 模型取代。路由机制(本例中为 top 1)将每个 token 与一个专家关联,其中每个专家都是一个密集的 MLP。虽然 switch transformers 比同等的密集模型拥有更多的权重,但稀疏性允许更好的扩展和更大规模的微调性能。在前向传递期间,仅使用一部分权重。路由机制允许模型动态选择相关权重,从而在不增加操作数量的情况下增加模型容量。
以下是论文的摘要
在深度学习中,模型通常对所有输入重用相同的参数。专家混合 (MoE) 颠覆了这一点,而是为每个传入的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,但由于复杂性、通信成本和训练不稳定性,广泛采用受到了阻碍 —— 我们通过 Switch Transformer 解决了这些问题。我们简化了 MoE 路由算法,并设计了直观的改进模型,从而降低了通信和计算成本。我们提出的训练技术有助于控制不稳定性,并且我们首次展示了可以使用较低精度 (bfloat16) 格式训练大型稀疏模型。我们基于 T5-Base 和 T5-Large 设计模型,在相同的计算资源下,预训练速度提高了 7 倍。这些改进扩展到多语言设置,我们在所有 101 种语言中衡量了相对于 mT5-Base 版本的增益。最后,我们通过在“Colossal Clean Crawled Corpus”上预训练高达万亿参数的模型,提高了当前语言模型的规模,并实现了比 T5-XXL 模型快 4 倍的速度提升。
此模型由 Younes Belkada 和 Arthur Zucker 贡献。原始代码可以在这里找到。
使用技巧
- SwitchTransformers 使用 T5Tokenizer,它可以直接从每个模型的仓库中加载。
- 发布的权重是在英语 Masked Language Modeling 任务上预训练的,应该进行微调。
资源
SwitchTransformersConfig
class transformers.SwitchTransformersConfig
< 源码 >( 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
, optional, defaults to 32128) — SwitchTransformers 模型的词汇表大小。定义了在调用 SwitchTransformersModel 时传递的inputs_ids
可以表示的不同 token 的数量。 - d_model (
int
, optional, defaults to 768) — 编码器层和池化层的大小。 - d_kv (
int
, optional, defaults to 64) — 每个 attention head 的 key, query, value 投影的大小。d_kv
必须等于d_model // num_heads
。 - d_ff (
int
, optional, defaults to 2048) — 每个SwitchTransformersBlock
中间 feed forward 层的大小。 - expert_capacity (
int
, optional, defaults to 64) — 每个 expert 可以存储的 token 数量。如果设置为 1,模型将表现得像一个普通的 Transformer。 - num_layers (
int
, optional, defaults to 12) — Transformer 编码器层中密集隐藏层的数量。 - num_sparse_encoder_layers (
int
, optional, defaults to 3) — Transformer 编码器层中稀疏 (MoE) 密集隐藏层的数量。 - num_decoder_layers (
int
, optional, defaults to 12) — Transformer 解码器中隐藏层的数量。如果未设置,将使用与num_layers
相同的值。 - num_sparse_decoder_layers (
int
, optional, defaults to 3) — Transformer 解码器层中稀疏 (MoE) 密集隐藏层的数量。 - num_heads (
int
, optional, defaults to 12) — Transformer 编码器中每个 attention 层的 attention head 数量。 - num_experts (
int
, optional, defaults to 8) — 每个 SwitchTransformer 层的 expert 数量。 - router_bias (
bool
, optional, defaults toFalse
) — 是否向 router 添加 bias。 - router_jitter_noise (
float
, optional, defaults to 0.01) — 添加到 router 的噪声量。 - router_dtype (
str
, optional, default to"float32"
) — 用于 router 的dtype
。最好将dtype
保留为"float32"
,如 论文 中 selective precision 讨论中所述。 - router_ignore_padding_tokens (
bool
, optional, defaults toFalse
) — 在路由时是否忽略 padding token。 - relative_attention_num_buckets (
int
, optional, defaults to 32) — 用于每个 attention layer 的 bucket 数量。 - relative_attention_max_distance (
int
, optional, defaults to 128) — 用于 bucket 分离的较长序列的最大距离。 - dropout_rate (
float
, optional, defaults to 0.1) — 所有 dropout 层的比率。 - layer_norm_eps (
float
, optional, defaults to 1e-6) — layer normalization 层使用的 epsilon 值。 - router_z_loss_coef (
float
, optional, defaults to 0.001) — 总损失的 z 损失因子。 - router_aux_loss_coef (
float
, optional, defaults to 0.001) — 总损失的 aux 损失因子。 - initializer_factor (
float
, optional, defaults to 1.0) — 用于初始化所有权重矩阵的因子 (应保持为 1,内部用于初始化测试)。 - dense_act_fn (
string
, optional, defaults to"relu"
) — 要使用的 feed forward 层类型。应为"relu"
或"gated-gelu"
之一。SwitchTransformersv1.1 使用"gated-gelu"
feed forward 投影。原始 SwitchTransformers 使用"relu"
。 - add_router_probs (
bool
, optional, defaults toFalse
) — 是否输出 router 概率以计算 router 辅助损失。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。
这是用于存储 SwitchTransformersModel 配置的配置类。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类似于 SwitchTransformers google/switch-base-8 架构的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
SwitchTransformersTop1Router
路由器使用 tokens 选择 top-1 专家分配。
此路由器使用与 Switch Transformer (https://arxiv.org/abs/2101.03961) 和 V-MoE (https://arxiv.org/abs/2106.05974) 中相同的机制:tokens 选择其首选专家。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 达到上限。 不保证每个 token 都由专家处理,也不保证每个专家都收到至少一个 token。
_compute_router_probabilities
< source >( hidden_states: Tensor ) → router_probabilities (torch.Tensor
)
参数
- hidden_states (
torch.Tensor
) — (batch_size, sequence_length, hidden_dim) ,从中计算路由器概率。
返回
router_probabilities (torch.Tensor
)
形状为 (batch_size, sequence_length, num_experts) 的张量,对应于每个 token 和专家的概率。用于将 token 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。这稍后用于计算路由器 z-loss。
从输入的隐藏状态计算路由器概率。
forward
< source >( hidden_states: Tensor )
参数
- hidden_states (
torch.Tensor
) — [num_groups, tokens_per_group, hidden_dim] 发送到专家的输入。
每个 Router 类通用的前向函数。每个 Router 期望具有相同的输入隐藏状态 (hidden_states
),对应于每个 token 的隐藏状态,expert_capacity
对应于 Router 将发送到每个专家的 token 数量,某些 Router 可以向每个专家发送最多几个 token。
每个 Router 的工作方式如下:它期望每个 token 的隐藏状态,从 router_weights
获取 router_probs
和 router_logits
。这将为每个 token 分配分配给专家的原始概率。然后,每个 Router 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。
稍等,这会有点难以理解。按照正确的顺序,MoE 层执行以下操作:
1- 从路由器获取 router_mask
。mask 的形状为 (batch_size, sequence_length, num_expert)
,对应于 router_probs
的 argmax。隐藏状态的计算需要概率:它们被广播到隐藏状态值(可以解释为缩放因子)。
2- 将 token 分派到其关联的专家。我们对专家执行经典 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) — 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关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
裸机 SWITCH_TRANSFORMERS 模型转换器输出原始隐藏状态,顶部没有任何特定的 head。
SWITCH_TRANSFORMERS 模型在 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中由 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。
此模型继承自 PreTrainedModel。查看超类文档,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、剪枝 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解所有与通用用法和行为相关的事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None decoder_head_mask: typing.Optional[torch.FloatTensor] = None cross_attn_head_mask: typing.Optional[torch.Tensor] = None encoder_outputs: typing.Optional[typing.Tuple[typing.Tuple[torch.FloatTensor]]] = None past_key_values: typing.Optional[typing.Tuple[typing.Tuple[torch.FloatTensor]]] = None inputs_embeds: typing.Optional[torch.Tensor] = None decoder_inputs_embeds: typing.Optional[torch.Tensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None output_router_logits: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None ) → transformers.modeling_outputs.Seq2SeqMoEModelOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 token 的索引。 SWITCH_TRANSFORMERS 是一个具有相对位置嵌入的模型,因此您应该能够在右侧和左侧填充输入。索引可以使用 AutoTokenizer 获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
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 (形状为
(batch_size, sequence_length)
的torch.FloatTensor
, 可选) — 遮罩,以避免在 padding token 索引上执行注意力机制。 遮罩值在[0, 1]
中选择:- 1 表示 未被遮罩 的 token,
- 0 表示 被遮罩 的 token。
- decoder_input_ids (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
, 可选) — 词汇表中解码器输入序列 token 的索引。索引可以使用 AutoTokenizer 获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
SWITCH_TRANSFORMERS 使用
pad_token_id
作为decoder_input_ids
生成的起始 token。如果使用past_key_values
,则可以选择仅输入最后的decoder_input_ids
(请参阅past_key_values
)。要了解有关如何为预训练准备
decoder_input_ids
的更多信息,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:生成一个张量,该张量忽略decoder_input_ids
中的填充标记。默认情况下,也将使用因果掩码。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于置空编码器中自注意力模块的选定头的掩码。掩码值选自[0, 1]
:- 1 表示头未被掩蔽,
- 0 表示头被掩蔽。
- decoder_head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于置空解码器中自注意力模块的选定头的掩码。掩码值选自[0, 1]
:- 1 表示头未被掩蔽,
- 0 表示头被掩蔽。
- cross_attn_head_mask (
torch.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于置空解码器中交叉注意力模块的选定头的掩码。掩码值选自[0, 1]
:- 1 表示头未被掩蔽,
- 0 表示头被掩蔽。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
,可选) — 元组由 (last_hidden_state
,optional
:hidden_states,optional
:attentions) 组成。形状为(batch_size, sequence_length, hidden_size)
的last_hidden_state
是编码器最后一层输出端的隐藏状态序列。用于解码器的交叉注意力中。 - past_key_values (
tuple(tuple(torch.FloatTensor))
,长度为config.n_layers
,每个元组有 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的张量) — 包含注意力块的预计算的键和值隐藏状态。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一次的decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的),形状为(batch_size, 1)
,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)您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想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。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,可选) — (可选)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
,则可以选择仅输入最后一次的decoder_inputs_embeds
(请参阅past_key_values
)。如果您想比模型的内部嵌入查找矩阵更精细地控制如何将decoder_input_ids
索引转换为关联的向量,这将非常有用。如果
decoder_input_ids
和decoder_inputs_embeds
均未设置,则decoder_inputs_embeds
的值将取inputs_embeds
的值。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(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。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
。 - 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,并且不应在推理期间返回。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,可选) — 索引,描述输入序列标记在序列中的位置。它用于在正确的位置更新缓存,并推断完整的序列长度。
返回
transformers.modeling_outputs.Seq2SeqMoEModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqMoEModelOutput
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含各种元素,具体取决于配置 (SwitchTransformersConfig) 和输入。
-
last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层输出端的隐藏状态序列。如果使用
past_key_values
,则仅输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
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tuple(torch.FloatTensor)
元组,每个元组具有 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)
的附加张量。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),可以用于(请参阅
past_key_values
输入)加速顺序解码。 -
decoder_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
元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 为每层的输出提供一个),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出端的隐藏状态,以及可选的初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),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,当传递output_router_logits=True
或当config.add_router_probs=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, sequence_length, num_experts)
。解码器模型的路由器 logits,可用于计算专家混合模型的辅助损失。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的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输出端的隐藏状态序列。 -
encoder_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
元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 为每层的输出提供一个),形状为(batch_size, sequence_length, hidden_size)
。编码器在每一层输出端的隐藏状态,以及可选的初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),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,当传递output_router_logits=True
或当config.add_router_probs=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, sequence_length, num_experts)
。编码器模型的路由器 logits,可用于计算稀疏模块的辅助损失和 z_loss。
SwitchTransformersModel forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,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,而后者会默默地忽略它们。
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) — 具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关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
带有 language modeling
头的 SWITCH_TRANSFORMERS 模型。
SWITCH_TRANSFORMERS 模型在 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中由 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。
此模型继承自 PreTrainedModel。查看超类文档,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、剪枝 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解所有与通用用法和行为相关的事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None decoder_head_mask: typing.Optional[torch.FloatTensor] = None cross_attn_head_mask: typing.Optional[torch.Tensor] = None encoder_outputs: typing.Optional[typing.Tuple[typing.Tuple[torch.Tensor]]] = None past_key_values: typing.Optional[typing.Tuple[typing.Tuple[torch.Tensor]]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[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 output_router_logits: typing.Optional[bool] = True return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None ) → transformers.modeling_outputs.Seq2SeqMoEOutput
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 tokens 的索引。 SWITCH_TRANSFORMERS 是一个使用相对位置嵌入的模型,因此你应该能够左右两侧填充输入。索引可以使用 AutoTokenizer 获得。 参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。
要了解更多关于如何为预训练准备
input_ids
的信息,请查看 SWITCH_TRANSFORMERS 训练。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 掩码,用于避免在 padding token 索引上执行 attention。 掩码值在[0, 1]
中选择:1
表示 tokens 未被掩盖,0
表示 tokens 被掩盖。
- decoder_input_ids (
torch.LongTensor
,形状为(batch_size, target_sequence_length)
,可选) — 词汇表中 decoder 输入序列 tokens 的索引。索引可以使用 AutoTokenizer 获得。 参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。
SWITCH_TRANSFORMERS 使用
pad_token_id
作为decoder_input_ids
生成的起始 token。 如果使用了past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(参见past_key_values
)。要了解更多关于如何为预训练准备
decoder_input_ids
的信息,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 tensor,该 tensor 忽略decoder_input_ids
中的 padding tokens。 默认情况下,也会使用因果掩码。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于置空 encoder 中 self-attention 模块的选定 heads。 掩码值在[0, 1]
中选择:1
表示 head 未被掩盖,0
表示 head 被掩盖。
- decoder_head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于置空 decoder 中 self-attention 模块的选定 heads。 掩码值在[0, 1]
中选择:1
表示 head 未被掩盖,0
表示 head 被掩盖。
- cross_attn_head_mask (
torch.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 掩码,用于置空 decoder 中 cross-attention 模块的选定 heads。 掩码值在[0, 1]
中选择:1
表示 head 未被掩盖,0
表示 head 被掩盖。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
,可选) — 元组由 (last_hidden_state
,optional
: hidden_states,optional
: attentions) 组成。 形状为(batch_size, sequence_length, hidden_size)
的last_hidden_state
是 encoder 最后一层的输出处的 hidden states 序列。 在 decoder 的 cross-attention 中使用。 - past_key_values (
tuple(tuple(torch.FloatTensor))
,长度为config.n_layers
,其中每个元组有 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的 tensors) — 包含 attention 块的预计算 key 和 value hidden states。 可用于加速解码。如果使用了
past_key_values
,用户可以选择仅输入最后一个decoder_input_ids
(那些没有将其 past key value states 提供给此模型的) ,形状为(batch_size, 1)
,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)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。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,可选) — (可选)您可以选择直接传递嵌入表示,而不是传递decoder_input_ids
。 如果使用了past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(参见past_key_values
)。 如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将decoder_input_ids
索引转换为关联的向量,这将非常有用。如果
decoder_input_ids
和decoder_inputs_embeds
均未设置,则decoder_inputs_embeds
取inputs_embeds
的值。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(参见past_key_values
)。 - output_attentions (
bool
,可选) — 是否返回所有 attention 层的 attention tensors。 有关更多详细信息,请参见返回的 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,请参见返回的 tensors 下的hidden_states
。 - output_router_logits (
bool
,可选) — 是否返回所有 routers 的 logits。 它们对于计算 router loss 非常有用,并且不应在推理期间返回。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是纯元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,可选) — 索引,描述输入序列 tokens 在序列中的位置。 它用于在正确的位置更新缓存并推断完整序列长度。 - 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
的标签都会被忽略(掩盖),损失仅针对[0, ..., config.vocab_size]
中的标签计算
返回
transformers.modeling_outputs.Seq2SeqMoEOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqMoEOutput
或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或者当 config.return_dict=False
时),包含各种元素,具体取决于配置 (SwitchTransformersConfig) 和输入。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供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 head 的预测分数(SoftMax 之前每个词汇表 token 的分数)。 -
past_key_values (
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tuple(torch.FloatTensor)
元组,每个元组具有 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)
的附加张量。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),可以用于(请参阅
past_key_values
输入)加速顺序解码。 -
decoder_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
元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 为每层的输出提供一个),形状为(batch_size, sequence_length, hidden_size)
。decoder 在每一层输出端的 hidden-states 加上初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),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,当传递output_router_logits=True
或当config.add_router_probs=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, sequence_length, num_experts)
。解码器模型的路由器 logits,可用于计算专家混合模型的辅助损失。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的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输出端的隐藏状态序列。 -
encoder_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
元组(如果模型具有嵌入层,则为嵌入输出提供一个,+ 为每层的输出提供一个),形状为(batch_size, sequence_length, hidden_size)
。encoder 在每一层输出端的 hidden-states 加上初始嵌入输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),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,当传递output_router_logits=True
或当config.add_router_probs=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, sequence_length, num_experts)
。encoder 模型的 Router logits,可用于计算专家混合模型的辅助损失和 z_loss。
transformers.SwitchTransformersForConditionalGeneration
forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,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,而后者会默默地忽略它们。
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
< source >( config: SwitchTransformersConfig )
参数
- config (SwitchTransformersConfig) — 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关联的权重,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
裸机 SWITCH_TRANSFORMERS 模型 transformer,输出 encoder 的原始 hidden-states,顶部没有任何特定的 head。
SWITCH_TRANSFORMERS 模型在 Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity 中由 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。
此模型继承自 PreTrainedModel。查看超类文档,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、剪枝 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参阅 PyTorch 文档,了解所有与通用用法和行为相关的事项。
forward
< 源代码 >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: 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 output_router_logits: typing.Optional[bool] = True return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.MoEModelOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 tokens 的索引。 SWITCH_TRANSFORMERS 是一个具有相对位置嵌入的模型,因此您应该能够在右侧和左侧填充输入。索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以获取详细信息。
要了解更多关于如何为预训练准备
input_ids
的信息,请查看 SWITCH_TRANSFORMERS 训练。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.FloatTensor
, 可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 tokens 未被 Mask,
- 0 表示 tokens 被 Mask。
- head_mask (形状为
(num_heads,)
或(num_layers, num_heads)
的torch.FloatTensor
, 可选) — 用于置空 self-attention 模块中选定 heads 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 Mask,
- 0 表示 head 被 Mask。
- inputs_embeds (形状为
(batch_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
。 如果您想要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,请参阅返回 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,请参阅返回 tensors 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,并且不应在推理期间返回。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通 tuple。
返回
transformers.modeling_outputs.MoEModelOutput
或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.MoEModelOutput
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 (SwitchTransformersConfig) 和输入。
-
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
) — 模型最后一层的输出处的 hidden-states 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 Tuple (如果模型具有嵌入层,则为嵌入输出,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每层输出处的 Hidden-states 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 后的 Attention 权重,用于计算 self-attention heads 中的加权平均值。
-
router_probs (
tuple(torch.FloatTensor)
, 可选, 当传递output_router_probs=True
和config.add_router_probs=True
或当config.output_router_probs=True
时返回) —torch.FloatTensor
的 Tuple (每层一个),形状为(batch_size, sequence_length, num_experts)
。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。
SwitchTransformersEncoderModel forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,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,而后者会默默地忽略它们。
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