Transformers 文档

SwitchTransformers

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验的访问权限

开始使用

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 BelkadaArthur 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

< >

( 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_bias (bool, 可选, 默认为 False) — 是否给路由器添加偏差。
  • 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。
  • dense_act_fn (string, 可选, 默认值为 "relu") — 使用的馈送前向层类型。应该是 "relu""gated-gelu" 之一。SwitchTransformersv1.1 使用 "gated-gelu" 馈送前向投影。原始 SwitchTransformers 使用 "relu"
  • 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

class transformers.SwitchTransformersTop1Router

< >

( config: SwitchTransformersConfig )

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

< >

( 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

< >

( 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_probsrouter_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

< >

( config: SwitchTransformersConfig expert_class: Module = <class 'transformers.models.switch_transformers.modeling_switch_transformers.SwitchTransformersDenseActDense'> )

Switch Transformers Sparse MLP 模块的实现。

forward

< >

( hidden_states )

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

< >

( 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 FedusBarret ZophNoam 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

< >

( 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()PreTrainedTokenizer.call()

    什么是输入 ID?

    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。

    什么是注意力掩码?

  • 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()PreTrainedTokenizer.call()

    什么是解码器输入 ID?

    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,)(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,)(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,)(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_idsdecoder_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.Seq2SeqMoEModelOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqMoEModelOutputtorch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.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=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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

< >

( 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 FedusBarret ZophNoam 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

< >

( 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()PreTrainedTokenizer.call()

    什么是输入 ID?

    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。

    什么是注意力掩码?

  • 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()PreTrainedTokenizer.call()

    什么是解码器输入 ID?

    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,)(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,)(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,)(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)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)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_idsdecoder_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.Seq2SeqMoEOutputtuple(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=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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=Trueconfig.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

< >

( 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 FedusBarret ZophNoam 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

< >

( 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.MoEModelOutputtuple(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()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**。

    什么是注意力掩码?

  • head_mask (torch.FloatTensor 形状为 (num_heads,)(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.MoEModelOutputtuple(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=Trueconfig.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。

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
< > 在 GitHub 上更新