Hugging Face 的 LOGO

Transformers 文档

T5Gemma

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

T5Gemma

T5Gemma（又称编码器-解码器 Gemma）由 Google 在一份研究论文中提出。它是一个编码器-解码器大型语言模型家族，通过将预训练的仅解码器模型改编为编码器-解码器模型开发而成。T5Gemma 包括预训练和指令微调变体。其架构基于遵循 T5 的 Transformer 编码器-解码器设计，并改进了 Gemma 2 的 GQA、RoPE、GeGLU 激活、RMSNorm 和交错式局部/全局注意力。

T5Gemma 有两组模型大小：1) Gemma 2 大小（2B-2B、9B-2B 和 9B-9B），它们基于官方 Gemma 2 模型（2B 和 9B）；2) T5 大小（小型、基础型、大型和特大型），它们在 Gemma 2 框架下根据 T5 配置进行预训练。此外，我们还提供了一个 ML 大小（中大型，总计约 2B）的模型，它介于 T5 大型和 T5 特大型之间。

预训练变体分别通过两个目标进行训练：带有知识蒸馏的前缀语言建模 (PrefixLM) 和 UL2。我们为每种模型大小发布了这两种变体。指令微调变体通过监督微调和强化学习进行后训练。

以下示例演示如何使用 Pipeline 或 AutoModel 类，以及通过命令行与模型进行聊天。

<hfoptions id="usage"> <hfoption id="Pipeline">
import torch
from transformers import pipeline

pipe = pipeline(
    task="text2text-generation",
    model="google/t5gemma-placeholder",
    torch_dtype=torch.bfloat16,
    device="cuda",
)

pipe("Question: Why is the sky blue?\nAnswer:", max_new_tokens=50)
</hfoption> <hfoption id="AutoModel">
import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
model = AutoModelForSeq2SeqLM.from_pretrained(
    "google/t5gemma-placeholder",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

input_text = "Question: Why is the sky blue?\nAnswer:"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
</hfoption> <hfoption id="transformers CLI">
echo -e "Question: Why is the sky blue? Answer:" | transformers run --task text2text-generation --model google/t5gemma-placeholder --device 0

T5GemmaConfig

class transformers.T5GemmaConfig

< >

( encoder: typing.Union[transformers.models.t5gemma.configuration_t5gemma.T5GemmaModuleConfig, dict[typing.Any, typing.Any], NoneType] = None decoder: typing.Union[transformers.models.t5gemma.configuration_t5gemma.T5GemmaModuleConfig, dict[typing.Any, typing.Any], NoneType] = None is_encoder_decoder: bool = True dropout_rate: float = 0.0 classifier_dropout_rate: float = 0.0 attention_dropout: float = 0.0 tie_word_embeddings: bool = True **kwargs )

参数

  • encoder (Union[T5GemmaModuleConfig, dict], optional, 可选) — 编码器配置。
  • decoder (Union[T5GemmaModuleConfig, dict], optional, 可选) — 解码器配置。
  • is_encoder_decoder (bool, optional, 可选, 默认为 True) — 模型是否用作编码器/解码器。
  • dropout_rate (float, 可选, 默认为 0.0) — 所有 dropout 层的比率（遵循 T5）。
  • classifier_dropout_rate (float, 可选, 默认为 0.0) — 分类器 dropout 比率（遵循 T5）。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力 dropout 比率。
  • tie_word_embeddings (bool, 可选, 默认为 True) — 是否绑定输入和输出嵌入。
  • kwargs (附加关键字参数, optional, 可选) — 将传递给 PretrainedConfig 基类。

这是用于存储 T5GemmaModel 配置的配置类。它用于根据指定参数实例化 T5Gemma 模型，定义模型架构。使用默认值实例化配置将生成与假设的平衡 Gemma2 编码器-解码器模型类似的配置。例如 google/t5gemma-placeholder

>>> from transformers import T5GemmaConfig, T5GemmaModel
>>> t5gemma_config = T5GemmaConfig.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaModel(t5gemma_config)
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。

T5GemmaModuleConfig

class transformers.T5GemmaModuleConfig

< >

( vocab_size = 256000 hidden_size = 2304 intermediate_size = 9216 num_hidden_layers = 26 num_attention_heads = 8 num_key_value_heads = 4 head_dim = 256 hidden_activation = 'gelu_pytorch_tanh' max_position_embeddings = 8192 initializer_range = 0.02 rms_norm_eps = 1e-06 use_cache = True pad_token_id = 0 eos_token_id = 1 bos_token_id = 2 tie_word_embeddings = True rope_theta = 10000.0 attention_bias = False attention_dropout = 0.0 query_pre_attn_scalar = 256 sliding_window = 4096 layer_types = None final_logit_softcapping = 30.0 attn_logit_softcapping = 50.0 **kwargs )

参数

  • vocab_size (int, 可选, 默认为 256000) — T5GemmaModule 模型的词汇表大小。定义了调用 T5GemmaModuleModel 时传递的 inputs_ids 可以表示的不同词元数量。
  • hidden_size (int, 可选, 默认为 2304) — 隐藏表示的维度。
  • intermediate_size (int, 可选, 默认为 9216) — MLP 表示的维度。
  • num_hidden_layers (int, 可选, 默认为 26) — Transformer 解码器中隐藏层的数量。
  • num_attention_heads (int, 可选, 默认为 8) — Transformer 解码器中每个注意力层的注意力头数量。
  • num_key_value_heads (int, 可选, 默认为 4) — 用于实现分组查询注意力的键值头数量。如果 num_key_value_heads=num_attention_heads，模型将使用多头注意力 (MHA)，如果 num_key_value_heads=1，模型将使用多查询注意力 (MQA)，否则使用 GQA。在将多头检查点转换为 GQA 检查点时，每个分组键值头应通过对该组内的所有原始头进行均值池化来构建。有关更多详细信息，请查看这篇论文。如果未指定，则默认为 num_attention_heads。
  • head_dim (int, 可选, 默认为 256) — 注意力头维度。
  • hidden_activation (str 或 function, 可选, 默认为 "gelu_pytorch_tanh") — 解码器中的非线性激活函数（函数或字符串）。如果未指定，则默认为 "gelu_pytorch_tanh"。"gelu_pytorch_tanh" 使用 "gelu" 激活函数的近似值。
  • max_position_embeddings (int, 可选, 默认为 8192) — 此模型可能使用的最大序列长度。
  • initializer_range (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • rms_norm_eps (float, 可选, 默认为 1e-06) — RMS 归一化层使用的 epsilon。
  • use_cache (bool, 可选, 默认为 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）。仅在 config.is_decoder=True 时相关。
  • pad_token_id (int, 可选, 默认为 0) — 填充词元 ID。
  • eos_token_id (int, 可选, 默认为 1) — 流结束词元 ID。
  • bos_token_id (int, 可选, 默认为 2) — 流开始词元 ID。
  • tie_word_embeddings (bool, 可选, 默认为 True) — 是否绑定词嵌入。
  • rope_theta (float, 可选, 默认为 10000.0) — RoPE 嵌入的基周期。
  • attention_bias (bool, 默认为 False, 可选, 默认为 False) — 在自注意力机制中，是否在查询、键、值和输出投影层中使用偏置。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • query_pre_attn_scalar (float, 可选, 默认为 256) — 用于注意力分数上的缩放因子。
  • sliding_window (int, 可选, 默认为 4096) — 在 T5GemmaModule 中，每隔一层使用滑动窗口注意力。这是滑动窗口的大小。
  • layer_types (list, 可选) — 每层的注意力模式。
  • final_logit_softcapping (float, 可选, 默认为 30.0) — 对 logits 应用 tanh 软上限时的缩放因子。
  • attn_logit_softcapping (float, 可选, 默认为 50.0) — 对注意力分数应用 tanh 软上限时的缩放因子。

这是一个配置类，用于存储 T5GemmaModuleModel 的配置。它用于根据指定参数实例化 T5GemmaModule 模型，定义模型架构。使用默认值实例化配置将生成与 T5GemmaModule-7B 类似的配置。例如 google/t5_gemma_module-7b 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。

>>> from transformers import T5GemmaModuleModel, T5GemmaModuleConfig
>>> # Initializing a T5GemmaModule t5_gemma_module-7b style configuration
>>> configuration = T5GemmaModuleConfig()
>>> # Initializing a model from the t5_gemma_module-7b style configuration
>>> model = T5GemmaModuleModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
模块配置（编码器或解码器）：与 Gemma2Config 相同。

T5GemmaModel

class transformers.T5GemmaModel

< >

( config: T5GemmaConfig )

参数

  • config (T5GemmaConfig) — 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，只加载配置。请查看 from_pretrained() 方法加载模型权重。

T5Gemma 裸模型，直接输出隐藏状态，不带任何特定头部。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（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 的子类。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

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None past_key_values: typing.Optional[transformers.cache_utils.EncoderDecoderCache] = 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 cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。默认情况下会忽略填充。

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

    什么是输入 ID？

  • attention_mask (形状为 (batch_size, sequence_length) 的 torch.FloatTensor, 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：

    • 1 表示**未被掩码**的 token，
    • 0 表示**被掩码**的 token。

    什么是注意力掩码？

  • position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列 token 在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • 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。

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

    什么是解码器输入 ID？

  • decoder_attention_mask (形状为 (batch_size, target_sequence_length) 的 torch.BoolTensor, 可选) — 用于避免对特定 token 索引执行注意力的掩码。默认情况下，将使用因果掩码，以确保模型只能查看以前的输入来预测未来。
  • decoder_position_ids (形状为 (batch_size, decoder_sequence_length) 的 torch.LongTensor, 可选) — 每个解码器输入序列 token 在位置嵌入中的位置索引。选择范围为 [0, config.decoder.n_positions - 1]。 什么是位置 ID？
  • **flash_attn_kwargs — flash attention 相关参数。
  • encoder_outputs (~modeling_outputs.BaseModelOutput, 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), 可选) 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 (~cache_utils.EncoderDecoderCache, 可选) — 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），可用于加速序列解码。这通常包括模型在解码上一阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

    允许两种格式：

    • Cache 实例，请参阅我们的 kv 缓存指南；
    • 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）。这也被称为旧版缓存格式。

    模型将输出与输入相同的缓存格式。如果未传入 past_key_values，将返回旧版缓存格式。

    如果使用 past_key_values，用户可以选择仅输入最后一个 input_ids（那些未将过去的键值状态提供给此模型的 token），形状为 (batch_size, 1)，而不是所有 input_ids，形状为 (batch_size, sequence_length)。

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.Tensor, 可选) — 可选地，你可以选择直接传入嵌入表示，而不是传入 input_ids。如果你想对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制，这很有用。
  • decoder_inputs_embeds (形状为 (batch_size, target_sequence_length, hidden_size) 的 torch.Tensor, 可选) — 可选地，你可以选择直接传入嵌入表示，而不是传入 decoder_input_ids。如果使用 past_key_values，可选地只需输入最后一个 decoder_inputs_embeds（请参阅 past_key_values）。如果你想对如何将 decoder_input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制，这很有用。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未设置，则 decoder_inputs_embeds 将采用 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。有关详细信息，请参阅返回张量中的 attentions。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量中的 hidden_states。
  • cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 表示输入序列 token 在序列中的位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。

返回

transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqModelOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (T5GemmaConfig) 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的隐藏状态序列。

    如果使用了 past_key_values，则只输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

  • past_key_values (EncoderDecoderCache, 可选, 当传入 use_cache=True 或当 config.use_cache=True 时返回) — 它是一个 EncoderDecoderCache 实例。有关详细信息，请参阅我们的 kv 缓存指南。

    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, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    解码器在每个层输出的隐藏状态，加上可选的初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

  • cross_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

  • 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的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    编码器在每个层输出的隐藏状态，加上可选的初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

T5GemmaModel 的 forward 方法，重写了 __call__ 特殊方法。

虽然必须在此函数中定义前向传播的配方，但在此之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者则默默忽略它们。

T5GemmaEncoderModel

class transformers.T5GemmaEncoderModel

< >

( config: T5GemmaConfig )

参数

  • config (T5GemmaConfig) — 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，只加载配置。请查看 from_pretrained() 方法加载模型权重。

T5Gemma 裸模型，直接输出隐藏状态，不带任何特定头部。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（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 的子类。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

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。默认情况下会忽略填充。

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

    什么是输入 ID？

  • attention_mask (形状为 (batch_size, sequence_length) 的 torch.FloatTensor, 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：

    • 1 表示**未被掩码**的 token，
    • 0 表示**被掩码**的 token。

    什么是注意力掩码？

  • position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列 token 在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.Tensor, 可选) — 可选地，你可以选择直接传入嵌入表示，而不是传入 input_ids。如果你想对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更多的控制，这很有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，请参阅返回张量中的 attentions。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量中的 hidden_states。

返回

transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (T5GemmaConfig) 和输入。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    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 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

T5GemmaEncoderModel 的 forward 方法，重写了 __call__ 特殊方法。

虽然必须在此函数中定义前向传播的配方，但在此之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者则默默忽略它们。

T5GemmaForConditionalGeneration

class transformers.T5GemmaForConditionalGeneration

< >

( config: T5GemmaConfig )

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None past_key_values: typing.Optional[transformers.cache_utils.EncoderDecoderCache] = 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 cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **loss_kwargs ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 词汇表中输入序列 token 的索引。默认情况下会忽略填充。

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

    什么是输入 ID？

  • attention_mask (形状为 (batch_size, sequence_length) 的 torch.FloatTensor, 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值选择在 [0, 1] 之间：

    • 1 表示**未被掩码**的 token，
    • 0 表示**被掩码**的 token。

    什么是注意力掩码？

  • position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列 token 在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • 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。

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

    什么是解码器输入 ID？

  • decoder_attention_mask (形状为 (batch_size, target_sequence_length) 的 torch.BoolTensor，可选) — 遮罩以避免在某些词元索引上执行注意力操作。默认情况下，将使用因果遮罩，以确保模型只能查看先前的输入来预测未来。
  • decoder_position_ids (形状为 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可选) — 解码器输入序列中每个词元在位置嵌入中的位置索引。选择范围为 [0, config.decoder.n_positions - 1]。什么是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，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（可选）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 (~cache_utils.EncoderDecoderCache，可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括模型在解码上一阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

    允许两种格式：

    • 一个 Cache 实例，请参阅我们的 kv cache 指南；
    • 一个长度为 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。这也被称为旧版缓存格式。

    模型将输出与输入相同的缓存格式。如果未传入 past_key_values，将返回旧版缓存格式。

    如果使用 past_key_values，用户可以选择只输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的）而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，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 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这很有用。
  • decoder_inputs_embeds (形状为 (batch_size, target_sequence_length, hidden_size) 的 torch.FloatTensor，可选) — 可选地，你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，可选地只需输入最后一个 decoder_inputs_embeds（参见 past_key_values）。如果你想对如何将 decoder_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。

  • labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 用于计算掩码语言模型损失的标签。索引应在 [0, ..., config.vocab_size] 或 -100 之间（参见 input_ids 文档字符串）。索引设置为 -100 的词元将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的词元计算。
  • use_cache (bool，可选) — 如果设置为 True，则返回 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。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。更多详细信息请参见返回张量下的 hidden_states。
  • cache_position (形状为 (sequence_length) 的 torch.LongTensor，可选) — 表示输入序列词元在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
  • logits_to_keep (Union[int, torch.Tensor]，默认为 0) — 如果是 int，则计算最后 logits_to_keep 个词元的 logits。如果是 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个词元的 logits，仅计算该词元的 logits 可以节省内存，这对于长序列或大词汇量来说非常重要。如果是 torch.Tensor，则必须是与序列长度维度中要保留的索引相对应的 1D 张量。这在使用打包张量格式（批次和序列长度的单个维度）时很有用。

返回

transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqLMOutput 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 (T5GemmaConfig) 和输入的不同元素。

  • loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失。

  • 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）。

  • past_key_values (EncoderDecoderCache, 可选, 当传入 use_cache=True 或当 config.use_cache=True 时返回) — 它是一个 EncoderDecoderCache 实例。有关详细信息，请参阅我们的 kv 缓存指南。

    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, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    解码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

  • cross_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

  • 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的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    编码器在每一层输出时的隐藏状态以及初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

T5GemmaForConditionalGeneration 的 forward 方法，覆盖了 __call__ 特殊方法。

虽然必须在此函数中定义前向传播的配方，但在此之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者则默默忽略它们。

示例

T5GemmaForSequenceClassification

class transformers.T5GemmaForSequenceClassification

< >

( config: T5GemmaConfig is_encoder_decoder: typing.Optional[bool] = None )

参数

  • config (T5GemmaConfig) — 模型的配置类，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相关的权重，只加载配置。请查看 from_pretrained() 方法加载模型权重。
  • is_encoder_decoder (Optional，可选) — 是否使用 encoder_decoder 进行序列分类。当设置为 False 时，仅使用编码器。

T5Gemma 模型，在顶部带有序列分类/回归头，例如用于 GLUE 任务。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（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 的子类。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

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.Tensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

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

    什么是输入 ID？

  • attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor，可选) — 遮罩以避免在填充词元索引上执行注意力操作。遮罩值选择在 [0, 1] 之间：

    • 对于 未被遮罩 的词元，值为 1，
    • 对于 被遮罩 的词元，值为 0。

    什么是注意力遮罩？

  • position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 每个输入序列词元在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • 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词元的索引。

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

    什么是解码器输入 ID？

  • decoder_attention_mask (形状为 (batch_size, target_sequence_length) 的 torch.Tensor，可选) — 遮罩以避免在某些词元索引上执行注意力操作。默认情况下，将使用因果遮罩，以确保模型只能查看先前的输入来预测未来。
  • decoder_position_ids (形状为 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可选) — 解码器输入序列中每个词元在位置嵌入中的位置索引。选择范围为 [0, config.decoder.n_positions - 1]。什么是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，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（可选）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。
  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，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 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这很有用。
  • decoder_inputs_embeds (形状为 (batch_size, target_sequence_length, hidden_size) 的 torch.FloatTensor，可选) — 可选地，你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，可选地只需输入最后一个 decoder_inputs_embeds（参见 past_key_values）。如果你想对如何将 decoder_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。

  • labels (形状为 (batch_size,) 的 torch.LongTensor，可选) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 之间。如果 config.num_labels == 1，则计算回归损失（均方损失），如果 config.num_labels > 1，则计算分类损失（交叉熵）。
  • output_attentions (bool，可选) — 是否返回所有注意力层的注意力张量。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。更多详细信息请参见返回张量下的 hidden_states。

返回

transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutput 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 (T5GemmaConfig) 和输入的不同元素。

  • loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。

  • logits (形状为 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分类（如果 config.num_labels==1，则为回归）分数（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    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 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

T5GemmaForSequenceClassification 的 forward 方法，覆盖了 __call__ 特殊方法。

虽然必须在此函数中定义前向传播的配方，但在此之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者则默默忽略它们。

单标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, T5GemmaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...

多标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, T5GemmaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = T5GemmaForSequenceClassification.from_pretrained(
...     "google/t5gemma-placeholder", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

T5GemmaForTokenClassification

class transformers.T5GemmaForTokenClassification

< >

( config: T5GemmaConfig is_encoder_decoder: typing.Optional[bool] = None )

参数

  • config (T5GemmaConfig) — 模型的配置类，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相关的权重，只加载配置。请查看 from_pretrained() 方法加载模型权重。
  • is_encoder_decoder (Optional，可选) — 是否使用 encoder_decoder 进行词元分类。当设置为 False 时，仅使用编码器。

带有词元分类头（在隐藏状态输出上方的线性层）的 T5Gemma 转换器，例如用于命名实体识别 (NER) 任务。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（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 的子类。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

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.Tensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None ) → transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

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

    什么是输入 ID？

  • attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor，可选) — 遮罩以避免在填充词元索引上执行注意力操作。遮罩值选择在 [0, 1] 之间：

    • 对于 未被遮罩 的词元，值为 1，
    • 对于 被遮罩 的词元，值为 0。

    什么是注意力遮罩？

  • position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 每个输入序列词元在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]。

    什么是位置 ID？

  • 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词元的索引。

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

    什么是解码器输入 ID？

  • decoder_attention_mask (形状为 (batch_size, target_sequence_length) 的 torch.Tensor，可选) — 遮罩以避免在某些词元索引上执行注意力操作。默认情况下，将使用因果遮罩，以确保模型只能查看先前的输入来预测未来。
  • decoder_position_ids (形状为 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可选) — 解码器输入序列中每个词元在位置嵌入中的位置索引。选择范围为 [0, config.decoder.n_positions - 1]。什么是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，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（可选）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。
  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，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 索引转换为关联向量有比模型内部嵌入查找矩阵更多的控制，这很有用。
  • decoder_inputs_embeds (torch.FloatTensor，形状为 (batch_size, target_sequence_length, hidden_size)，可选) — 可选参数，可以直接传递嵌入表示，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比模型内部嵌入查找矩阵更多的控制，这将非常有用。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未设置，则 decoder_inputs_embeds 将取 inputs_embeds 的值。

  • 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 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1，则计算回归损失（均方损失）；如果 config.num_labels > 1，则计算分类损失（交叉熵损失）。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。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。更多详细信息请参见返回张量下的 hidden_states。

返回

transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.TokenClassifierOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（T5GemmaConfig）和输入的不同元素。

  • loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失。

  • logits (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 分类分数（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入输出，加上每层输出）。

    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 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每层一个）。

    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。

T5GemmaForTokenClassification 的 forward 方法，覆盖了 __call__ 特殊方法。

虽然必须在此函数中定义前向传播的配方，但在此之后应调用 Module 实例，而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者则默默忽略它们。

示例

>>> from transformers import AutoTokenizer, T5GemmaForTokenClassification
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForTokenClassification.from_pretrained("google/t5gemma-placeholder")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
... )

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_token_class_ids = logits.argmax(-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]
>>> predicted_tokens_classes
...

>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...
< > 在 GitHub 上更新

←T5 T5v1.1→
© . This site is unofficial and not affiliated with Hugging Face, Inc.