TAPAS
概览
TAPAS模型由Jonathan Herzig、Paweł Krzysztof Nowak、Thomas Müller、Francesco Piccinno和Julian Martin Eisenschlos在《TAPAS:弱监督表格解析通过预训练》中提出,见https://www.aclweb.org/anthology/2020.acl-main.398。这是一个基于BERT的模型,专门设计(和预训练)用于回答关于表格数据的问题。与BERT相比,TAPAS使用相对位置嵌入,有7种标记类型,用于编码表格结构。TAPAS在大数据集上进行了预训练,该数据集包含来自英语维基百科的数百万个表格和相应的文本,训练目标是掩码语言建模(MLM)。
在问答任务中,TAPAS在顶部拥有两个头部:一个单元格选择头部和一个聚合头部,用于(可选地)对选定的单元格进行聚合操作(例如计数或求和)。TAPAS已在多个数据集上进行了微调。
它在SQA和WTQ上都实现了最先进的性能,在WikiSQL上也具有与SOTA相当的性能,但架构更为简单。
论文的摘要如下:
在表格上回答自然语言问题通常被视为一个语义解析任务。为了减少获取完整逻辑形式的成本,一种流行的方法专注于由指称而非逻辑形式组成的弱监督。然而,从弱监督中训练语义解析器具有困难,而且生成的逻辑形式仅作为检索指称之前的一个中间步骤。在本文中,我们提出了TAPAS,一种无需生成逻辑形式的表格问答方法。TAPAS从弱监督中学习,通过选择表格单元格并可选地应用相应的聚合运算符来预测指称。TAPAS扩展了BERT的架构以对表格进行编码作为输入,从来自维基百科的文本片段和表格的有效联合预训练中初始化,并从头到尾进行训练。我们实验了三个不同的语义解析数据集,发现TAPAS在SQA上的准确率从55.1提高到了67.2,在WIKISQL和WIKITQ上与最先进的方法相当,但模型架构更为简单。此外,我们发现从WIKISQL迁移到WIKITQ的迁移学习效果显著,准确率达到了48.7,领先于最先进的方法4.2个百分点。
此外,作者还进一步微调了TAPAS以识别<强>表格蕴涵强>,通过创建数百万个自动生成的训练示例数据集,这些示例在微调之前的中间步骤中学习。TAPAS的作者将这种进一步预训练称为中间预训练(因为TAPAS首先在MLM上预训练,然后在另一个数据集上预训练)。他们发现中间预训练进一步提高了SQA的性能,实现了新的最先进成果,在获得了访问量大的数据集TabFact(一个包含16k维基百科表格的大型数据集,用于表格蕴涵,是一个二分类任务)上也达到了最先进水平。更多细节请参考他们的后续论文:Julian Martin Eisenschlos,Syrine Krichene和Thomas Müller发表的Understanding tables with intermediate pre-training。
TAPAS架构。来自原始博客文章。此模型由nielsr贡献。此模型的Tensorflow版本由kamalkraj贡献。原始代码可在此找到此处。
使用技巧
- TAPAS 是一个默认使用相对位置嵌入的模型(在每个表格单元上重新启动位置嵌入)。请注意,这是在原始 TAPAS 论文发表后添加的功能。根据作者的说法,这通常会导致性能略有提升,并允许你编码更长的序列而不会耗尽嵌入。这反映在
reset_position_index_per_cell
参数中,该参数在 TapasConfig 中设置为True
。在 hub 上可用的所有模型默认都使用相对位置嵌入。你还可以通过在调用from_pretrained()
方法时传递额外参数revision="no_reset"
使用带有绝对位置嵌入的模型。请注意,通常建议将输入在右边填充而非左边。 - TAPAS 基于伯特,例如
TAPAS-base
对应于BERT-base
架构。当然,TAPAS-large
将带来最佳性能(论文中报告的结果来自TAPAS-large
)。不同尺寸模型的性能在 原始 GitHub 存储库 中显示。 - Tapas 在 SQA 上进行了微调,可以回答有关表格的对话设置中的问题。这意味着你可以提出与先前问题相关的问题,例如“他是多大年纪?”请注意,在对话设置中,TAPAS 的前向传递略有不同:在这种情况下,你必须逐个将每个表-问题对输入到模型中,以便将
prev_labels
标记类型 ID 覆写为前一个问题的模型预测的labels
。关于更多信息,请参考“使用”部分。 - Tapas 与伯特类似,因此依赖于掩码语言建模(MLM)目标。因此,它在预测掩码标记和总体 NLU 方面上很有效,但不适用于文本生成。具有因果语言建模(CLM)目标的训练模型在此方面表现更好。请注意,Tapas 可以作为编码器在 EncoderDecoderModel 框架中用于,并结合自动回归文本解码器,如 GPT-2。
使用:微调
以下是关于如何在您的数据集上微调TapasForQuestionAnswering的详细说明。
步骤1:选择以下3种使用TAPAS的方式之一,或者进行实验
基本上,存在3种微调TapasForQuestionAnswering的不同方法,这对应于Tapas上微调的不同数据集
- SQA:如果您对在一个对话设置中提出与表格相关的后续问题感兴趣。例如,如果首先问“第一个演员的名字是什么?”然后您可以提出一个后续问题,例如“他多大了?”。在这里,问题不涉及任何聚合(所有问题都是单元格选择问题)。
- WTQ:如果您对在对话设置中提问不感兴趣,而是只想提出有关表格的问题,这些问题可能涉及聚合,例如计算行数、单元格值的总和或平均值。例如,您可以问“C罗在其职业生涯中总共进了多少球?”。这种情况也称为弱监督,因为模型本身必须根据仅有的答案学习适当的聚合操作符(SUM/COUNT/AVERAGE/NONE)。
- WikiSQL监督:这个数据集基于WikiSQL,模型在训练期间被赋予了地面真理聚合操作符。这也称为强监督。在这里,学习适当的聚合操作符要容易得多。
总结
任务 | 示例数据集 | 描述 |
---|---|---|
对话 | SQA | 对话,只有单元格选择问题 |
聚合的弱监督 | WTQ | 问题可能涉及聚合,模型必须根据仅有的答案作为监督学习这一点 |
聚合的强监督 | WikiSQL监督 | 问题可能涉及聚合,模型必须根据黄金聚合操作符学习这一点 |
如下所示,可以通过使用从hub预先训练的基础模型和随机初始化的分类头来初始化模型。
>>> from transformers import TapasConfig, TapasForQuestionAnswering
>>> # for example, the base sized model with default SQA configuration
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base")
>>> # or, the base sized model with WTQ configuration
>>> config = TapasConfig.from_pretrained("google/tapas-base-finetuned-wtq")
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
>>> # or, the base sized model with WikiSQL configuration
>>> config = TapasConfig("google-base-finetuned-wikisql-supervised")
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
当然,您不一定必须遵循TAPAS微调的这三种方法之一。您也可以在初始化TapasConfig时定义任何想要的超参数,然后创建一个基于该配置的TapasForQuestionAnswering。例如,如果您有一个同时包含对话问题和可能涉及聚合的问题的数据集,则可以这样做。以下是一个示例
>>> from transformers import TapasConfig, TapasForQuestionAnswering
>>> # you can initialize the classification heads any way you want (see docs of TapasConfig)
>>> config = TapasConfig(num_aggregation_labels=3, average_logits_per_cell=True)
>>> # initializing the pre-trained base sized model with our custom classification heads
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
如下所示,可以通过使用从hub预先训练的基础模型和随机初始化的分类头来初始化模型。请确保已安装tensorflow_probability依赖关系
>>> from transformers import TapasConfig, TFTapasForQuestionAnswering
>>> # for example, the base sized model with default SQA configuration
>>> model = TFTapasForQuestionAnswering.from_pretrained("google/tapas-base")
>>> # or, the base sized model with WTQ configuration
>>> config = TapasConfig.from_pretrained("google/tapas-base-finetuned-wtq")
>>> model = TFTapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
>>> # or, the base sized model with WikiSQL configuration
>>> config = TapasConfig("google-base-finetuned-wikisql-supervised")
>>> model = TFTapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
当然,您不一定必须遵循TAPAS微调的这三种方法之一。您也可以在初始化TapasConfig时定义任何想要的超参数,然后创建一个基于该配置的TFTapasForQuestionAnswering。例如,如果您有一个同时包含对话问题和可能涉及聚合的问题的数据集,则可以这样做。以下是一个示例
>>> from transformers import TapasConfig, TFTapasForQuestionAnswering
>>> # you can initialize the classification heads any way you want (see docs of TapasConfig)
>>> config = TapasConfig(num_aggregation_labels=3, average_logits_per_cell=True)
>>> # initializing the pre-trained base sized model with our custom classification heads
>>> model = TFTapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
您还可以从已经微调好的检查点开始。需要注意的是,WTQ上预先微调好的检查点有一些由于L2损失而较为脆弱的问题。有关更多信息,请参见此处。
有关HuggingFace的hub上可用的所有预训练和微调好的TAPAS检查点的列表,请参见此处。
步骤2:以SQA格式准备您的数据
其次,无论你选择上面提到的哪种类型,你都应该准备好你的数据集,并且按照SQA格式进行。这种格式是一种TSV/CSV文件,包含以下列:
id
:可选,表格-问题对的可选id,用于账目管理。annotator
:可选,对表格-问题对进行注释的人的id,用于账目管理。position
:整数,表示问题相对于表格的第一、第二、第三…相关程度。仅在对话设置(SQA)中需要。如果你选择进行WTQ/WikiSQL监督,不需要此列。question
:字符串table_file
:字符串,包含表格数据的csv文件的名称answer_coordinates
:一组或更多元组列表(每个元组都是一个单元格坐标,即构成答案的行列对)answer_text
:一组或更多字符串列表(每个字符串都是构成答案的单元格值)aggregation_label
:聚合操作符的索引。仅在需要进行强监督聚合(如WikiSQL监督)时需要。float_answer
:问题的浮点数答案,如果有(没有则表示为np.nan)。仅在需要进行弱监督聚合(如WTQ和WikiSQL)时需要。
表格本身应位于一个文件夹中,每个表格都对应一个单独的csv文件。注意,使用TAPAS算法的作者使用了包含一些自动化逻辑的转换脚本,用于将其他数据集(WTQ,WikiSQL)转换为SQA格式。作者在此处解释了这一点。一个适用于HuggingFace实现的脚本转换可以在这里找到。有趣的是,这些转换脚本并不完美(根据answer_text
填充answer_coordinates
和float_answer
字段),这意味着WTQ和WikiSQL的结果实际上可以更好地改进。
步骤3:使用TapasTokenizer将您的数据转换为张量
第三,鉴于您已将数据准备好为这种TSV/CSV格式(以及相应的包含表格数据的CSV文件),您可以使用TapasTokenizer将表格-问题对转换为input_ids
、attention_mask
、token_type_ids
等。同样,根据您上述选择的三个案例之一,TapasForQuestionAnswering需要不同的输入来进行微调
任务 | 所需输入 |
---|---|
对话 | input_ids 、attention_mask 、token_type_ids 、labels |
聚合的弱监督 | input_ids 、attention_mask 、token_type_ids 、labels 、numeric_values 、numeric_values_scale 、float_answer |
聚合的强监督 | input_ids 、attention_mask 、token_type_ids 、labels 、aggregation_labels |
TapasTokenizer根据TSV文件的answer_coordinates
和answer_text
列创建labels
、numeric_values
和numeric_values_scale
。此处的float_answer
和aggregation_labels
已经在第2步的TSV文件中。以下是一个例子
>>> from transformers import TapasTokenizer
>>> import pandas as pd
>>> model_name = "google/tapas-base"
>>> tokenizer = TapasTokenizer.from_pretrained(model_name)
>>> data = {"Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"], "Number of movies": ["87", "53", "69"]}
>>> queries = [
... "What is the name of the first actor?",
... "How many movies has George Clooney played in?",
... "What is the total number of movies?",
... ]
>>> answer_coordinates = [[(0, 0)], [(2, 1)], [(0, 1), (1, 1), (2, 1)]]
>>> answer_text = [["Brad Pitt"], ["69"], ["209"]]
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(
... table=table,
... queries=queries,
... answer_coordinates=answer_coordinates,
... answer_text=answer_text,
... padding="max_length",
... return_tensors="pt",
... )
>>> inputs
{'input_ids': tensor([[ ... ]]), 'attention_mask': tensor([[...]]), 'token_type_ids': tensor([[[...]]]),
'numeric_values': tensor([[ ... ]]), 'numeric_values_scale: tensor([[ ... ]]), labels: tensor([[ ... ]])}
请注意,TapasTokenizer期望表格数据为纯文本
。您可以使用.astype(str)
对DataFrame执行操作,将其转换为纯文本数据。当然,这里仅展示了如何编码单个训练示例。建议创建数据加载器迭代批处理。
>>> import torch
>>> import pandas as pd
>>> tsv_path = "your_path_to_the_tsv_file"
>>> table_csv_path = "your_path_to_a_directory_containing_all_csv_files"
>>> class TableDataset(torch.utils.data.Dataset):
... def __init__(self, data, tokenizer):
... self.data = data
... self.tokenizer = tokenizer
... def __getitem__(self, idx):
... item = data.iloc[idx]
... table = pd.read_csv(table_csv_path + item.table_file).astype(
... str
... ) # be sure to make your table data text only
... encoding = self.tokenizer(
... table=table,
... queries=item.question,
... answer_coordinates=item.answer_coordinates,
... answer_text=item.answer_text,
... truncation=True,
... padding="max_length",
... return_tensors="pt",
... )
... # remove the batch dimension which the tokenizer adds by default
... encoding = {key: val.squeeze(0) for key, val in encoding.items()}
... # add the float_answer which is also required (weak supervision for aggregation case)
... encoding["float_answer"] = torch.tensor(item.float_answer)
... return encoding
... def __len__(self):
... return len(self.data)
>>> data = pd.read_csv(tsv_path, sep="\t")
>>> train_dataset = TableDataset(data, tokenizer)
>>> train_dataloader = torch.utils.data.DataLoader(train_dataset, batch_size=32)
第三,鉴于您已经使用TSV/CSV格式(以及包含表格数据的相应CSV文件)准备好您的数据,您可以使用TapasTokenizer将表格-问题对转换为input_ids
、attention_mask
、token_type_ids
等。再次强调,根据您在上面选择的三种情况之一,TFTapasForQuestionAnswering需要不同的输入来进行微调。
任务 | 所需输入 |
---|---|
对话 | input_ids 、attention_mask 、token_type_ids 、labels |
聚合的弱监督 | input_ids 、attention_mask 、token_type_ids 、labels 、numeric_values 、numeric_values_scale 、float_answer |
聚合的强监督 | input_ids 、attention_mask 、token_type_ids 、labels 、aggregation_labels |
TapasTokenizer根据TSV文件的answer_coordinates
和answer_text
列创建labels
、numeric_values
和numeric_values_scale
。此处的float_answer
和aggregation_labels
已经在第2步的TSV文件中。以下是一个例子
>>> from transformers import TapasTokenizer
>>> import pandas as pd
>>> model_name = "google/tapas-base"
>>> tokenizer = TapasTokenizer.from_pretrained(model_name)
>>> data = {"Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"], "Number of movies": ["87", "53", "69"]}
>>> queries = [
... "What is the name of the first actor?",
... "How many movies has George Clooney played in?",
... "What is the total number of movies?",
... ]
>>> answer_coordinates = [[(0, 0)], [(2, 1)], [(0, 1), (1, 1), (2, 1)]]
>>> answer_text = [["Brad Pitt"], ["69"], ["209"]]
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(
... table=table,
... queries=queries,
... answer_coordinates=answer_coordinates,
... answer_text=answer_text,
... padding="max_length",
... return_tensors="tf",
... )
>>> inputs
{'input_ids': tensor([[ ... ]]), 'attention_mask': tensor([[...]]), 'token_type_ids': tensor([[[...]]]),
'numeric_values': tensor([[ ... ]]), 'numeric_values_scale: tensor([[ ... ]]), labels: tensor([[ ... ]])}
请注意,TapasTokenizer期望表格数据为纯文本
。您可以使用.astype(str)
对DataFrame执行操作,将其转换为纯文本数据。当然,这里仅展示了如何编码单个训练示例。建议创建数据加载器迭代批处理。
>>> import tensorflow as tf
>>> import pandas as pd
>>> tsv_path = "your_path_to_the_tsv_file"
>>> table_csv_path = "your_path_to_a_directory_containing_all_csv_files"
>>> class TableDataset:
... def __init__(self, data, tokenizer):
... self.data = data
... self.tokenizer = tokenizer
... def __iter__(self):
... for idx in range(self.__len__()):
... item = self.data.iloc[idx]
... table = pd.read_csv(table_csv_path + item.table_file).astype(
... str
... ) # be sure to make your table data text only
... encoding = self.tokenizer(
... table=table,
... queries=item.question,
... answer_coordinates=item.answer_coordinates,
... answer_text=item.answer_text,
... truncation=True,
... padding="max_length",
... return_tensors="tf",
... )
... # remove the batch dimension which the tokenizer adds by default
... encoding = {key: tf.squeeze(val, 0) for key, val in encoding.items()}
... # add the float_answer which is also required (weak supervision for aggregation case)
... encoding["float_answer"] = tf.convert_to_tensor(item.float_answer, dtype=tf.float32)
... yield encoding["input_ids"], encoding["attention_mask"], encoding["numeric_values"], encoding[
... "numeric_values_scale"
... ], encoding["token_type_ids"], encoding["labels"], encoding["float_answer"]
... def __len__(self):
... return len(self.data)
>>> data = pd.read_csv(tsv_path, sep="\t")
>>> train_dataset = TableDataset(data, tokenizer)
>>> output_signature = (
... tf.TensorSpec(shape=(512,), dtype=tf.int32),
... tf.TensorSpec(shape=(512,), dtype=tf.int32),
... tf.TensorSpec(shape=(512,), dtype=tf.float32),
... tf.TensorSpec(shape=(512,), dtype=tf.float32),
... tf.TensorSpec(shape=(512, 7), dtype=tf.int32),
... tf.TensorSpec(shape=(512,), dtype=tf.int32),
... tf.TensorSpec(shape=(512,), dtype=tf.float32),
... )
>>> train_dataloader = tf.data.Dataset.from_generator(train_dataset, output_signature=output_signature).batch(32)
请注意,在这里,我们独立对每个表格-问题对进行编码。只要您的数据集不是**对话性的**,这才可以接受。如果您的数据集涉及对话性问题(例如SQA),在编码之前,您应该按照其position
索引顺序将每个表格的queries
、answer_coordinates
和answer_text
分组在一起,并以批处理方式对每个表格及其问题进行编码。这将确保prev_labels
标记类型(参见TapasTokenizer文档)设置正确。有关更多信息,请参阅此notebook。有关使用TensorFlow模型的更多信息,请参阅此notebook。
**第四步:训练(微调)模型
您可以使用以下方法微调TapasForQuestionAnswering(以下为聚合情况下的弱监督示例)
>>> from transformers import TapasConfig, TapasForQuestionAnswering, AdamW
>>> # this is the default WTQ configuration
>>> config = TapasConfig(
... num_aggregation_labels=4,
... use_answer_as_supervision=True,
... answer_loss_cutoff=0.664694,
... cell_selection_preference=0.207951,
... huber_loss_delta=0.121194,
... init_cell_selection_weights_to_zero=True,
... select_one_column=True,
... allow_empty_column_selection=False,
... temperature=0.0352513,
... )
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
>>> optimizer = AdamW(model.parameters(), lr=5e-5)
>>> model.train()
>>> for epoch in range(2): # loop over the dataset multiple times
... for batch in train_dataloader:
... # get the inputs;
... input_ids = batch["input_ids"]
... attention_mask = batch["attention_mask"]
... token_type_ids = batch["token_type_ids"]
... labels = batch["labels"]
... numeric_values = batch["numeric_values"]
... numeric_values_scale = batch["numeric_values_scale"]
... float_answer = batch["float_answer"]
... # zero the parameter gradients
... optimizer.zero_grad()
... # forward + backward + optimize
... outputs = model(
... input_ids=input_ids,
... attention_mask=attention_mask,
... token_type_ids=token_type_ids,
... labels=labels,
... numeric_values=numeric_values,
... numeric_values_scale=numeric_values_scale,
... float_answer=float_answer,
... )
... loss = outputs.loss
... loss.backward()
... optimizer.step()
您可以使用以下方法微调TFTapasForQuestionAnswering(以下为聚合情况下的弱监督示例)
>>> import tensorflow as tf
>>> from transformers import TapasConfig, TFTapasForQuestionAnswering
>>> # this is the default WTQ configuration
>>> config = TapasConfig(
... num_aggregation_labels=4,
... use_answer_as_supervision=True,
... answer_loss_cutoff=0.664694,
... cell_selection_preference=0.207951,
... huber_loss_delta=0.121194,
... init_cell_selection_weights_to_zero=True,
... select_one_column=True,
... allow_empty_column_selection=False,
... temperature=0.0352513,
... )
>>> model = TFTapasForQuestionAnswering.from_pretrained("google/tapas-base", config=config)
>>> optimizer = tf.keras.optimizers.Adam(learning_rate=5e-5)
>>> for epoch in range(2): # loop over the dataset multiple times
... for batch in train_dataloader:
... # get the inputs;
... input_ids = batch[0]
... attention_mask = batch[1]
... token_type_ids = batch[4]
... labels = batch[-1]
... numeric_values = batch[2]
... numeric_values_scale = batch[3]
... float_answer = batch[6]
... # forward + backward + optimize
... with tf.GradientTape() as tape:
... outputs = model(
... input_ids=input_ids,
... attention_mask=attention_mask,
... token_type_ids=token_type_ids,
... labels=labels,
... numeric_values=numeric_values,
... numeric_values_scale=numeric_values_scale,
... float_answer=float_answer,
... )
... grads = tape.gradient(outputs.loss, model.trainable_weights)
... optimizer.apply_gradients(zip(grads, model.trainable_weights))
用法:推理
在这里,我们解释如何使用TapasForQuestionAnswering或TFTapasForQuestionAnswering进行推理(即在新的数据上做出预测)。对于推理,只需向模型提供以下内容:input_ids
、attention_mask
和token_type_ids
(您可以使用TapasTokenizer获取),即可获得logits。然后,您可以使用强大的~models.tapas.tokenization_tapas.convert_logits_to_predictions
方法将这些转换为预测坐标和可选的聚合索引。
请注意,根据设置是否对话性,推理方法可能有所不同。在非对话设置中,可以在批处理中的所有表格-问题对上并行进行推理。以下是一个示例
>>> from transformers import TapasTokenizer, TapasForQuestionAnswering
>>> import pandas as pd
>>> model_name = "google/tapas-base-finetuned-wtq"
>>> model = TapasForQuestionAnswering.from_pretrained(model_name)
>>> tokenizer = TapasTokenizer.from_pretrained(model_name)
>>> data = {"Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"], "Number of movies": ["87", "53", "69"]}
>>> queries = [
... "What is the name of the first actor?",
... "How many movies has George Clooney played in?",
... "What is the total number of movies?",
... ]
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="pt")
>>> outputs = model(**inputs)
>>> predicted_answer_coordinates, predicted_aggregation_indices = tokenizer.convert_logits_to_predictions(
... inputs, outputs.logits.detach(), outputs.logits_aggregation.detach()
... )
>>> # let's print out the results:
>>> id2aggregation = {0: "NONE", 1: "SUM", 2: "AVERAGE", 3: "COUNT"}
>>> aggregation_predictions_string = [id2aggregation[x] for x in predicted_aggregation_indices]
>>> answers = []
>>> for coordinates in predicted_answer_coordinates:
... if len(coordinates) == 1:
... # only a single cell:
... answers.append(table.iat[coordinates[0]])
... else:
... # multiple cells
... cell_values = []
... for coordinate in coordinates:
... cell_values.append(table.iat[coordinate])
... answers.append(", ".join(cell_values))
>>> display(table)
>>> print("")
>>> for query, answer, predicted_agg in zip(queries, answers, aggregation_predictions_string):
... print(query)
... if predicted_agg == "NONE":
... print("Predicted answer: " + answer)
... else:
... print("Predicted answer: " + predicted_agg + " > " + answer)
What is the name of the first actor?
Predicted answer: Brad Pitt
How many movies has George Clooney played in?
Predicted answer: COUNT > 69
What is the total number of movies?
Predicted answer: SUM > 87, 53, 69
在这里,我们解释如何使用TFTapasForQuestionAnswering进行推理(即在新的数据上做出预测)。对于推理,只需向模型提供以下内容:input_ids
、attention_mask
和token_type_ids
(您可以使用TapasTokenizer获取),即可获得logits。然后,您可以使用强大的~models.tapas.tokenization_tapas.convert_logits_to_predictions
方法将这些转换为预测坐标和可选的聚合索引。
请注意,根据设置是否对话性,推理方法可能有所不同。在非对话设置中,可以在批处理中的所有表格-问题对上并行进行推理。以下是一个示例
>>> from transformers import TapasTokenizer, TFTapasForQuestionAnswering
>>> import pandas as pd
>>> model_name = "google/tapas-base-finetuned-wtq"
>>> model = TFTapasForQuestionAnswering.from_pretrained(model_name)
>>> tokenizer = TapasTokenizer.from_pretrained(model_name)
>>> data = {"Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"], "Number of movies": ["87", "53", "69"]}
>>> queries = [
... "What is the name of the first actor?",
... "How many movies has George Clooney played in?",
... "What is the total number of movies?",
... ]
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="tf")
>>> outputs = model(**inputs)
>>> predicted_answer_coordinates, predicted_aggregation_indices = tokenizer.convert_logits_to_predictions(
... inputs, outputs.logits, outputs.logits_aggregation
... )
>>> # let's print out the results:
>>> id2aggregation = {0: "NONE", 1: "SUM", 2: "AVERAGE", 3: "COUNT"}
>>> aggregation_predictions_string = [id2aggregation[x] for x in predicted_aggregation_indices]
>>> answers = []
>>> for coordinates in predicted_answer_coordinates:
... if len(coordinates) == 1:
... # only a single cell:
... answers.append(table.iat[coordinates[0]])
... else:
... # multiple cells
... cell_values = []
... for coordinate in coordinates:
... cell_values.append(table.iat[coordinate])
... answers.append(", ".join(cell_values))
>>> display(table)
>>> print("")
>>> for query, answer, predicted_agg in zip(queries, answers, aggregation_predictions_string):
... print(query)
... if predicted_agg == "NONE":
... print("Predicted answer: " + answer)
... else:
... print("Predicted answer: " + predicted_agg + " > " + answer)
What is the name of the first actor?
Predicted answer: Brad Pitt
How many movies has George Clooney played in?
Predicted answer: COUNT > 69
What is the total number of movies?
Predicted answer: SUM > 87, 53, 69
在会话设置的情况下,必须按顺序将每个表格-问题对提供给模型,这样之前的 tokenize 标记类型就可以被前一个表格-问题对的预测 labels
覆盖。有关更多信息,请参阅下面的笔记本(PyTorch版):这个笔记本 和 TensorFlow 版本的笔记本:这个笔记本。
资源
TAPAS 特定输出
类 transformers.models.tapas.modeling_tapas.TableQuestionAnsweringOutput
< source >( loss: 可选 = None logits: FloatTensor = None logits_aggregation: FloatTensor = None hidden_states: 可选 = None attentions: 可选 = None )
参数
- loss (
torch.FloatTensor
of shape(1,)
, 可选,在提供labels
(以及可能的answer
、aggregation_labels
、numeric_values
和numeric_values_scale
)时返回) — 总损失为分层单元选择对数似然损失的和(可选)半监督回归损失(可选)和(可选)聚集监督损失。 - logits (
torch.FloatTensor
of shape(batch_size, sequence_length)
) — 单元选择头部的预测分数,针对每个标记。 - logits_aggregation (
torch.FloatTensor
, 可选, 形状为(batch_size, num_aggregation_labels)
) — 对于每个聚合操作,聚合头的预测得分。 - hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或配置中config.output_hidden_states=True
时返回) — 包含所有层输出的torch.FloatTensor
的元组(一个用于嵌入输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的隐藏状态以及初始嵌入输出的隐藏状态。 - attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或配置中config.output_attentions=True
时返回) — 包含每个层注意力的torch.FloatTensor
的元组,形状为(batch_size, num_heads, sequence_length, sequence_length)
。用于在自注意力头中进行加权平均的注意力 softmax 后的注意力权重。
TapasForQuestionAnswering 的输出类型。
TapasConfig
类 transformers.TapasConfig
< 来源 >( vocab_size = 30522 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 1024 type_vocab_sizes = [3, 256, 256, 2, 256, 256, 10] initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 0 positive_label_weight = 10.0 num_aggregation_labels = 0 aggregation_loss_weight = 1.0 use_answer_as_supervision = None answer_loss_importance = 1.0 use_normalized_answer_loss = False huber_loss_delta = None temperature = 1.0 aggregation_temperature = 1.0 use_gumbel_for_cells = False use_gumbel_for_aggregation = False average_approximation_function = 'ratio' cell_selection_preference = None answer_loss_cutoff = None max_num_rows = 64 max_num_columns = 32 average_logits_per_cell = False select_one_column = True allow_empty_column_selection = False init_cell_selection_weights_to_zero = False reset_position_index_per_cell = True disable_per_token_loss = False aggregation_labels = None no_aggregation_label_index = None **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 30522) — TAPAS 模型的词汇量。定义了在调用 TapasModel 时inputs_ids
可以表示的不同标记的数量。 - hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int
, 可选, 默认为12) — Transformer编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为12) — Transformer编码器中每个注意层中的注意力头数量。 - intermediate_size (
int
, 可选, 默认为3072) — Transformer编码器中“中间层”(常称为前馈层)的维度。 - hidden_act (
str
或Callable
, 可选, 默认为"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果是字符串,支持"gelu"
、"relu"
、"swish"
和"gelu_new"
。 - hidden_dropout_prob (
float
, 可选, 默认值为0.1) — 在嵌入层、编码器池化层的所有全连接层中的dropout概率。 - attention_probs_dropout_prob (
float
, 可选, 默认值为0.1) — 注意力概率的dropout比例。 - max_position_embeddings (
int
, 可选, 默认值为1024) — 模型可能使用的最大序列长度。通常设置为较大的值以防万一(例如,512、1024或2048)。 - type_vocab_sizes (
List[int]
,可选,默认为[3, 256, 256, 2, 256, 256, 10]
) — 调用 TapasModel 时传入的token_type_ids
的词汇量大小。 - initializer_range (
float
,可选,默认为0.02) — 所有权重矩阵初始化时使用的截断正态分布初值的标准差。 - layer_norm_eps (
float
,可选,默认为1e-12) — 层归一化层使用的epsilon值。 - positive_label_weight (
float
,可选,默认为10.0) — 正标签的权重。 - num_aggregation_labels (
int
, 可选, 默认值 0) — 预测的聚合算子的数量。 - aggregation_loss_weight (
float
, 可选, 默认值 1.0) — 聚合损失的权重。 - use_answer_as_supervision (
bool
, 可选) — 是否将答案作为聚合示例的唯一监督。 - answer_loss_importance (
float
, 可选, 默认值 1.0) — 回归损失的权重。 - use_normalized_answer_loss (
布尔型
,可选,默认值为False
) — 是否通过预测值和期望值中的最大值规范化答案损失。 - huber_loss_delta (
浮点型
,可选) — 用于计算回归损失的 Delta 参数。 - temperature (
浮点型
,可选,默认值为 1.0) — 用于控制(或改变)细胞对数概率偏斜的值。 - aggregation_temperature (
浮点型
,可选,默认值为 1.0) — 放大集合对数,以控制概率偏斜。 - use_gumbel_for_cells (
bool
, 可选, 默认为False
) — 是否应用 Gumbel-Softmax 到单元选择。 - use_gumbel_for_aggregation (
bool
, 可选, 默认为False
) — 是否应用 Gumbel-Softmax 到聚合选择。 - average_approximation_function (
string
, 可选, 默认为"ratio"
) — 在弱监督情况下计算单元期望平均的方法。可以是"ratio"
、"first_order"
或"second_order"
中的一个。 - cell_selection_preference (
float
,可选)— 在模糊情况下的单元格选择优先级。仅适用于聚合(WTQ,WikiSQL)的弱监督情况。如果聚合概率的总质量(排除“NONE”运算符)高于此超参数,则对示例进行聚合预测。 - answer_loss_cutoff (
float
,可选)— 忽略答案损失大于截止值的示例。 - max_num_rows (
int
,可选,默认为64)— 最大行数。 - max_num_columns (
int
,可选,默认为 32)—— 最大列数。 - average_logits_per_cell (
bool
,可选,默认为False
)—— 是否对每个单元的平均 logarithm 进行取平均值。 - select_one_column (
bool
,可选,默认为True
)—— 是否限制模型只从单个列选择单元格。 - allow_empty_column_selection (
bool
,可选,默认为False
)—— 是否允许不选择任何列。 - init_cell_selection_weights_to_zero (bool类型,可选,默认为False)— 是否将单元格选择权重初始化为0,以使初始概率为50%。
- reset_position_index_per_cell (bool类型,可选,默认为True)— 是否在每个单元格处重新启动位置索引(即使用相对位置嵌入)。
- disable_per_token_loss (bool类型,可选,默认为False)— 是否禁用单元格上的任何(强或弱)监督。
- aggregation_labels (
Dict[int, label]
, 可选) — 用于汇总结果的汇总标签。例如,WTQ 模型具有以下汇总标签:{0: "NONE", 1: "SUM", 2: "AVERAGE", 3: "COUNT"}
- no_aggregation_label_index (
int
, 可选) — 如果已定义汇总标签,并且其中一个标签代表“不汇总”,则应将其设置为索引。例如,WTQ 模型的“NONE”汇总标签设置为索引 0,因此对于这些模型应将值设置为 0。
这是存储TapasModel配置的配置类。它用于根据指定的参数实例化 TAPAS 模型,并定义模型架构。使用默认值实例化配置将产生类似于 TAPAS google/tapas-base-finetuned-sqa 架构的配置。
配置对象继承自 PreTrainedConfig
并且可以用来控制模型输出。请阅读PretrainedConfig文档以了解更多信息。
BERT 之外的超参数来自原始实现中的 run_task_main.py
和 hparam_utils.py
。原始实现可在https://github.com/google-research/tapas/tree/master找到。
示例
>>> from transformers import TapasModel, TapasConfig
>>> # Initializing a default (SQA) Tapas configuration
>>> configuration = TapasConfig()
>>> # Initializing a model from the configuration
>>> model = TapasModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
TapasTokenizer
类 transformers.TapasTokenizer
< 源代码 >( vocab_file do_lower_case = True do_basic_tokenize = True never_split = None unk_token = '[UNK]' sep_token = '[SEP]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' empty_token = '[EMPTY]' tokenize_chinese_chars = True strip_accents = None cell_trim_length: int = -1 max_column_id: int = None max_row_id: int = None strip_column_names: bool = False update_answer_coordinates: bool = False min_question_length = None max_question_length = None model_max_length: int = 512 additional_special_tokens: Optional = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇的文件。 - do_lower_case (
bool
, 可选, 默认为True
) — 是否在分词时将输入转换为小写。 - do_basic_tokenize (
bool
, 可选, 默认为True
) — 是否在WordPiece之前执行基本分词。 - never_split (
集合
, 可选) — 在分词过程中永远不会被分割的标记集合。仅在do_basic_tokenize=True
时有效。 - unk_token (
str
, 可选, 默认为"[UNK]"
) — 未知标记。不在词汇表中的标记不能转换成ID,而是设置为此标记。 - sep_token (
str
, 可选, 默认为"[SEP]"
) — 分隔标记,用于将多个序列(例如,用于序列分类的两个序列或用于问答的文本和问题)构建成一个序列。它也用作由特殊标记构建的序列的最后一个标记。 - pad_token (
str
, 可选, 默认为"[PAD]"
) — 填充标记,例如在填充不同长度的序列时使用。 - cls_token (
str
, 可选, 默认为"[CLS]"
) — 在进行序列分类(对整个序列进行分类而不是按词分类)时使用的分类器标记。在与特殊标记构建时,它是序列的第一个标记。 - mask_token (
str
, 可选, 默认为"[MASK]"
) — 用于掩码值的标记。这是在用掩码语言模型训练此模型时使用的标记。这是模型将尝试预测的标记。 - empty_token (
str
, 可选, 默认为"[EMPTY]"
) — 用于表格中空单元格值的标记。空单元格值包括 "", “n/a”, “nan” 和 ”?“。 - tokenize_chinese_chars (
bool
, 可选, 默认为True
) — 是否进行中文字符分词。对于日语,可能需要将该选项禁用(参见此 问题)。 - strip_accents (
bool
, 可选) — 是否移除所有的重音符号。如果未指定此选项,则默认由lowercase
的值确定(如原版 BERT 所用)。 - cell_trim_length (
int
, 可选, 默认为 -1) — 如果 > 0:裁剪单元格长度保证不大于该值。同时禁用进一步的单元格裁剪,因此应将truncation
设置为True
。 - max_column_id (
int
, 可选) — 提取的最大的列ID。 - max_row_id (
int
, 可选) — 提取的最大的行ID。 - strip_column_names (
bool
, 可选, 默认为False
) — 是否用空字符串代替列名。 - update_answer_coordinates (
bool
, 可选, 默认为False
) — 是否从答案文本重新计算答案坐标。 - min_question_length (
int
, 可选) — 每个问题的最小长度,以标记为单位(否则将跳过)。 - max_question_length (
int
, 可选) — 每个问题的最大长度,以标记为单位(否则将跳过)。
构建一个TAPAS分词器。基于WordPiece。将表格和一个或多个相关句子平坦化,供TAPAS模型使用。
此分词器继承自PreTrainedTokenizer,其中包含大多数主要方法。用户应参考这个超类来获取更多关于这些方法的信息。《TapasTokenizer》创建了几个标记类型ID来编码表格结构。更精确地说,它添加了7个标记类型ID,按以下顺序:segment_ids
、column_ids
、row_ids
、prev_labels
、column_ranks
、inv_column_ranks
和 numeric_relations
- segment_ids:指示一个标记是否属于问题(0)或表格(1)。对于特殊标记和填充为0。
- column_ids:指示一个标记属于表格的哪一列(从1开始)。对于所有问题标记、特殊标记和填充为0。
- row_ids:指示一个标记属于表格的哪一行(从1开始)。对于所有问题标记、特殊标记和填充为0。列标题的标记也是0。
- prev_labels:指示一个标记是否是前一个问题(部分)的答案(1)或不是(0)。在会话设置(如SQA)中很有用。
- column_ranks:指示一个表格标记相对于一列的排名,如果适用。例如,如果你有一个“电影数量”列,其值为87、53和69,那么这些标记的列排名分别是3、1和2。对于所有问题标记、特殊标记和填充为0。
- inv_column_ranks:指示一个表格标记相对于一列的反向排名,如果适用。例如,如果你有一个“电影数量”列,其值为87、53和69,那么这些标记的逆列排名分别是1、3和2。对于所有问题标记、特殊标记和填充为0。
- numeric_relations: 表示问题和表格标记之间的数值关系。0表示所有问题标记、特殊标记和填充。
TapasTokenizer 对表及相关句子进行端到端的标记化:标点分割和词元分解。
__call__
< 源代码 >( table: pd.DataFrame queries: 联合 = None answer_coordinates: 联合 = None answer_text: 联合 = None add_special_tokens: 布尔 = True padding: 联合 = False truncation: 联合 = False max_length: 可选 = None pad_to_multiple_of: 可选 = None return_tensors: 联合 = None return_token_type_ids: 可选 = None return_attention_mask: 可选 = None return_overflowing_tokens: 布尔 = False return_special_tokens_mask: 布尔 = False return_offsets_mapping: 布尔 = False return_length: 布尔 = False verbose: 布尔 = True **kwargs )
参数
- table (
pd.DataFrame
) — 包含表格数据的表格。注意,所有单元格值都必须是文本。在使用 Pandas dataframe 时,使用 .astype(str) 将其转换为字符串。 - queries (
str
或List[str]
) — 与表格相关的待编码的问题或问题批处理。注意,在批处理中,所有问题都必须与同一张表格相关。 - answer_coordinates (
List[Tuple]
或List[List[Tuple]]
, 可选) — 批处理中每个表格-问题对的答案坐标。在仅提供一个表格-问题对的情况下,answer_coordinates 必须是一个包含一个或多个元组的单一列表。每个元组必须是一个 (row_index, column_index) 对。第一行数据(不是列标题行)的索引为 0。第一列的索引为 0。在提供表格-问题对批处理的情况下,answer_coordinates 必须是一个包含元组列表的列表(每个列表对应单个表格-问题对)。 - answer_text (
List[str]
orList[List[str]]
, 可选) — 批量中每个表格-问题对的答案文本。如果只提供了一个表格-问题对,则answer_text必须是一个包含一个或多个字符串的单个列表。每个字符串必须是相应答案坐标的答案文本。如果提供了一组表格-问题对,则answer_coordinates必须是一个字符串列表的列表(每个列表对应单个表格-问题对)。 - add_special_tokens (
bool
, 可选,默认为True
)— 是否将序列编码为相对于模型的特殊标记。 - padding (
bool
、str
或 PaddingStrategy ,可选,默认为False
) — 激活并控制填充。接受以下值: - 截断 (
bool
,str
或TapasTruncationStrategy
, 可选,默认为False
) — 激活并控制截断。接受以下值:True
或'drop_rows_to_fit'
:根据参数max_length
指定的最大长度截断,或者如果没有提供该参数,截断到模型可接受的最大输入长度。这将逐行截断,从表中删除行。False
或'do_not_truncate'
(默认):不进行截断(即,可以输出序列长度大于模型最大接受输入大小的批量)。
- max_length (
int
, 可选) — 通过截断/填充参数之一控制最大长度。如果未设置或设置为
None
,则会根据截断/填充参数的要求使用预定义的模型最大长度。如果模型没有特定的最大输入长度(如 XLNet),则截断/填充到最大长度将被禁用。 - is_split_into_words (
bool
, 可选, 默认为False
) — 输入是否已经预标注(例如,已分解为单词)。如果设置为True
,分词器假设输入已经被分解为单词(例如,通过空格分割),它将对这些单词进行分词。这对 NER 或词分类很有用。 - pad_to_multiple_of (
int
, 可选) — 如果设置,将序列填充到提供值的倍数。这在启用具有计算能力>= 7.5
的 NVIDIA 硬件上的 Tensor Cores(Volta)特别有用。 - return_tensors (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是 python 整数列表。可接受的值有:
主方法用于对与表格相关的序列进行分词和准备。
convert_logits_to_predictions
< 源 >( data logits logits_agg = None cell_classification_threshold = 0.5 ) → tuple
comprising various elements depending on the inputs
参数
- data (
dict
) — 将特征映射到实际值。应使用 TapasTokenizer 创建。 - logits (
torch.Tensor
或tf.Tensor
形状(batch_size, sequence_length)
) — 包含 token 级别 logits 的 Tensor。 - logits_agg (
torch.Tensor
或tf.Tensor
形状为(batch_size, num_aggregation_labels)
,可选) — 包含聚合logits的Tensor。 - cell_classification_threshold (
float
,可选,默认为0.5) — 用于单元格选择的阈值。所有概率大于此阈值的表格单元格将被选中。
返回值
包含多种元素的元组,具体取决于输入内容
- predicted_answer_coordinates (
List[List[[tuple]]
的长度为batch_size
):预测的答案坐标,表示为列表的列表的元组。列表中的每个元素包含批处理中单个示例的预测答案坐标,为数组的列表。每个元组表示一个单元格,即(行索引,列索引)。 - predicted_aggregation_indices (
List[int]
的长度为batch_size
,可选,当提供logits_aggregation
时返回):聚合头的预测聚合操作索引。
将 TapasForQuestionAnswering 的logits转换为实际预测答案坐标和可选的聚合索标准。
该函数基于此的原始实现可以在 此处 找到。
TapasModel
类 transformers.TapasModel
< 来源 >( config add_pooling_layer = True )
参数
- config (TapasConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时不加载模型相关的权重,只有配置。检查 from_pretrained() 方法来加载模型权重。
一个裸 Tapas 模型变压器,输出原始隐藏状态,没有顶部具体头部的。此模型继承自 PreTrainedModel。有关库为所有模型实现的后备方法(如下载或保存、调整输入嵌入、剪枝头部等)的文档,请检查超类文档。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
与 BertModel 相比,此类仅进行了微小改动,考虑了额外的标记类型ID。
该模型可以作为编码器(只有自注意力)以及解码器进行操作,在这种情况下,在自注意力层之间添加了一个交叉注意力层,该方法遵循 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Lukasz Kaiser 和 Illia Polosukhin 在 Attention is all you need 中的体系结构描述。
forward
< source >( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None encoder_hidden_states: 可选 = None encoder_attention_mask: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状(batch_size, sequence_length)
) — 词汇表中的输入序列标记的索引。索引可以通过 AutoTokenizer 获取。有关详情,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, 可选) — 避免在填充标记索引上执行注意力的掩码。掩码值在[0, 1]
之间选择:- 1 代表未掩码的标记;
- 0 代表掩码的标记。
- token_type_ids (
torch.LongTensor
of shape(batch_size, sequence_length, 7)
, 可选) — 编码表格结构的标记索引。可以使用 AutoTokenizer 获取索引。更多信息请参阅该类。 - position_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 每个输入序列标记在位置嵌入中的位置索引。如果 TapasConfig 的reset_position_index_per_cell
设置为True
,将使用相对位置嵌入。选择范围在[0, config.max_position_embeddings - 1]
内。 - head_mask(《torch.FloatTensor》形状为
(num_heads,)
或(num_layers, num_heads)
,可选)— 用于取消自我注意模块选中头的屏蔽。屏蔽值选择在[0, 1]
:- 1 表示头没有被屏蔽,- 0 表示头已经被屏蔽。 - inputs_embeds(《torch.FloatTensor》形状为
(batch_size, sequence_length, hidden_size)
,可选)— 可选地,不通过传递input_ids
,您可以选择直接传递嵌入表示。如果您想要对将输入Id索引转换为相关向量的方式有更多控制,这很有用,而不是模型内部的嵌入查找矩阵。 - output_attentions(《bool》类型,可选)— 是否返回所有注意力层的注意力张量。有关返回张量中“attentions”的更多详情,请参阅。
- output_hidden_states (
bool
, 可选) — 决定是否返回所有层的隐藏状态。更多细节请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 决定是否返回 ModelOutput 对象而不是普通的元组。
返回值
transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.BaseModelOutputWithPooling 或一个包含 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),它包含根据配置(TapasConfig)和输入的各种元素。
-
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。 -
pooler_output (
torch.FloatTensor
形状为(batch_size, hidden_size)
) — 经过用于辅助预训练任务层进一步处理后,序列中第一个令牌(分类令牌)的最后一层隐藏状态。例如,对于 BERT 系列模型,这返回分类令牌经过线性层和 tanh 激活函数处理后的输出。线性层的权重在预训练期间从下一个句子预测(分类)目标中训练。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
时返回,或当config.output_hidden_states=True
时返回) — 一个为嵌入层的输出(如果模型有嵌入层,+ 一个为每层的输出)的torch.FloatTensor
的元组,形状为(batch_size, sequence_length, hidden_size)
。在每个层的输出处以及可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, 可选,在传递output_attentions=True
时返回,或当config.output_attentions=True
时返回) — 一个torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TapasModel 的前进方法重写了 __call__
特别方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasModel
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base")
>>> model = TapasModel.from_pretrained("google/tapas-base")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = ["How many movies has George Clooney played in?", "How old is Brad Pitt?"]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
TapasForMaskedLM
class transformers.TapasForMaskedLM
< 来源 >( config )
参数
- config (TapasConfig) — 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关联的权重,只加载配置。请参阅 from_pretrained() 方法以加载模型权重。
在顶部有一个 语言建模
首部的 Tapas 模型。此模型继承自 PreTrainedModel。请查看超类文档,了解库为所有模型实现的一般方法(如下载或保存,调整输入嵌入的大小,剪枝头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
forward
< 源代码 >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs ) → transformers.modeling_outputs.MaskedLMOutput or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) —— 在词汇表中的输入序列标记索引。索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - attention_mask (
torch.FloatTensor
形状为(batch_size, sequence_length)
,可选) —— 用于防止在填充标记索引上执行注意力的掩码。掩码值为[0, 1]
:- 1 对于 未掩码 的标记,
- 0 对于 已掩码 的标记。
- token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length, 7)
,可选) —— 用来编码表格结构的标记索引。可以通过使用 AutoTokenizer 获取。更多信息请参阅此类。 - position_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 每个输入序列token在位置嵌入中的位置索引。如果TapasConfig中的reset_position_index_per_cell
设置为True
,将使用相对位置嵌入。选择范围为[0, config.max_position_embeddings - 1]
。 - head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, 可选) — 用于取消选中自注意力模块选中头部的掩码。掩码值选择范围为[0, 1]
:- 1表示头部没有被掩码,- 0表示头部被掩码。 - inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,而不是传递input_ids
,您可以选择直接传递嵌入式表示。这在您想要比模型的内部嵌入查找矩阵有更多控制权,如何将input_ids
索引转换为相关向量时很有用。 - output_attentions (
bool
, 可选) —— 是否返回所有注意力层的注意力张量。有关返回张量下的attentions
的详细信息,请参阅。 - output_hidden_states (
bool
, 可选) —— 是否返回所有层的隐藏状态。有关返回张量下的hidden_states
的详细信息,请参阅。 - return_dict (
bool
, 可选) —— 是否返回对象 ModelOutput 而非普通元组。 - labels (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 计算遮蔽语言建模损失时的标签。索引应在[-100, 0, ..., config.vocab_size]
范围内(参见input_ids
的文档字符串)索引设置为-100
的标记被忽略(遮蔽),仅对标签在[0, ..., config.vocab_size]
范围内的标记计算损失
返回值
transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.MaskedLMOutput 或一个由 torch.FloatTensor
组成的元组(如果传递了 return_dict=False
或当 config.return_dict=False
)根据配置(TapasConfig)和输入包含各种元素。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 遮蔽语言建模(MLM)损失。 -
logits (
torch.FloatTensor
of shape(batch_size, sequence_length, config.vocab_size)
) — 语言建模头部的预测分数(在 SoftMax 之前的每个词汇表标记的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
时返回,或当config.output_hidden_states=True
时返回) — 一个为嵌入层的输出(如果模型有嵌入层,+ 一个为每层的输出)的torch.FloatTensor
的元组,形状为(batch_size, sequence_length, hidden_size)
。在每个层的输出处以及可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, 可选,在传递output_attentions=True
时返回,或当config.output_attentions=True
时返回) — 一个torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TapasForMaskedLM 的前进方法,重写了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForMaskedLM
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base")
>>> model = TapasForMaskedLM.from_pretrained("google/tapas-base")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(
... table=table, queries="How many [MASK] has George [MASK] played in?", return_tensors="pt"
... )
>>> labels = tokenizer(
... table=table, queries="How many movies has George Clooney played in?", return_tensors="pt"
... )["input_ids"]
>>> outputs = model(**inputs, labels=labels)
>>> logits = outputs.logits
TapasForSequenceClassification
class transformers.TapasForSequenceClassification
< 源 >( config )
参数
- config (TapasConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时,不会加载与模型关联的权重,只有配置。请参阅from_pretrained()方法以加载模型权重。
Tapas 模型在顶部有一个序列分类头(池化输出的线性层),例如 TabFact (Chen et al., 2020) 等表格蕴含任务。
此模型继承自 PreTrainedModel。请查阅超类文档了解库为所有模型实现的基本方法(例如下载或保存、调整输入嵌入式、剪枝头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
forward
< 源 >( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列令牌在词汇表中的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, 可选) — 当避开对填充token索引执行注意力操作时使用的掩码。掩码值选择为[0, 1]
:- 1 表示未掩码的tokens,
- 0 表示掩码的tokens。
- token_type_ids (
torch.LongTensor
of shape(batch_size, sequence_length, 7)
, 可选) — 编码表格结构的token索引。可以使用AutoTokenizer获取索引。有关更多信息,请参阅该类。 - position_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 每个输入序列tokens在位置嵌入中的位置索引。如果TapasConfig中的reset_position_index_per_cell
设置为True
,将使用相对位置嵌入。选择范围为[0, config.max_position_embeddings - 1]
。 - head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, optional) — 用于取消自注意力模块中选定的head。掩码值在[0, 1]
之间选择:- 1表示头未被掩码,- 0表示头被掩码。 - inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 可以选择直接传递嵌入式表示,而不是传递input_ids
。这适用于您想更多地控制如何将input_ids
索引转换为相关向量,而不是模型内部的嵌入查找矩阵。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。有关返回张量中的attentions
的更多信息,请参阅。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。请参阅返回的张量下的hidden_states
获取更多详细信息。 - return_dict (
bool
, 可选) — 是否返回 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[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)。注意:在原始实现中被称为“classification_class_index”。
返回值
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.SequenceClassifierOutput 或一个包含 torch.FloatTensor
的元组(如果 return_dict=False
被传递或当 config.return_dict=False
时),其包含各种元素,具体取决于配置 (TapasConfig) 和输入。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选,当提供labels
时返回) — 分类(或如果 config.num_labels==1,则回归)损失。 -
logits (
torch.FloatTensor
形状为(batch_size, config.num_labels)
) — 分类(如果 config.num_labels==1,则回归)得分(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
时返回,或当config.output_hidden_states=True
时返回) — 一个为嵌入层的输出(如果模型有嵌入层,+ 一个为每层的输出)的torch.FloatTensor
的元组,形状为(batch_size, sequence_length, hidden_size)
。在每个层的输出处以及可选的初始嵌入输出处的模型隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, 可选,在传递output_attentions=True
时返回,或当config.output_attentions=True
时返回) — 一个torch.FloatTensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TapasForSequenceClassification 前向方法,覆盖了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForSequenceClassification
>>> import torch
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base-finetuned-tabfact")
>>> model = TapasForSequenceClassification.from_pretrained("google/tapas-base-finetuned-tabfact")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = [
... "There is only one actor who is 45 years old",
... "There are 3 actors which played in more than 60 movies",
... ]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="pt")
>>> labels = torch.tensor([1, 0]) # 1 means entailed, 0 means refuted
>>> outputs = model(**inputs, labels=labels)
>>> loss = outputs.loss
>>> logits = outputs.logits
TapasForQuestionAnswering
class transformers.TapasForQuestionAnswering
< source >( config: TapasConfig )
参数
- config (TapasConfig) — 与模型所有参数相关的模型配置类。使用配置文件初始化不加载与模型关联的权重,只加载配置。请参阅 from_pretrained() 方法以加载模型权重。
在表格问答任务(如SQA、WTQ或WikiSQL监督任务)上具有单元选择头和可选聚合头的Tapas模型,在隐藏态输出上使用线性层计算logits
和可选的logits_aggregation
。
此模型继承自 PreTrainedModel。请查阅超类文档了解库为所有模型实现的基本方法(例如下载或保存、调整输入嵌入式、剪枝头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
forward
< 来源 >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None table_mask: Optional = None labels: Optional = None aggregation_labels: Optional = None float_answer: Optional = None numeric_values: Optional = None numeric_values_scale: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.tapas.modeling_tapas.TableQuestionAnsweringOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 输入序列令牌在词汇表中的索引。索引可以通过使用 AutoTokenizer 来获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行关注的掩码。掩码值选择在[0, 1]
:《p>- 1 表示未掩码的标记,
- 0 表示掩码的标记。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length, 7)
,可选) — 用于编码表格结构的标记索引。可使用 AutoTokenizer 获取索引。更多信息请参阅此类。 - position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的位置索引。如果 TapasConfig 的reset_position_index_per_cell
设置为True
,则将使用相对位置嵌入。选择范围是[0, config.max_position_embeddings - 1]
。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于取消激活自注意模块所选头部的掩码。掩码值选择在[0, 1]
之间:- 1 表示头部 未掩码,- 0 表示头部 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
。这在您希望对将input_ids
索引转换为相关向量具有更多控制权时很有用,而不是模型内部嵌入查找矩阵。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层中的注意力张量。请参阅返回的张量下的attentions
获取更多细节。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。请参阅返回的张量下的hidden_states
获取更多细节。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。 - table_mask (shape为
(batch_size, seq_length)
的torch.LongTensor
,可选) — 表的掩码。指示哪些标记属于表(1)。问题标记、表头和填充为0。 - labels (shape为
(batch_size, seq_length)
的torch.LongTensor
,可选) — 计算层次单元选择损失的token标签。此标签编码表中出现答案的位置。可以使用AutoTokenizer获取。- 1 表示答案的tokentken是答案的一部分
- 0 表示token是非答案的一部分
- aggregation_labels (shape为
(batch_size, )
的torch.LongTensor
,可选) — 为每个批次中的每个示例计算聚合损失的聚合函数索引。索引应在[0, ..., config.num_aggregation_labels - 1]
之间。只有在聚合强监督的情况下(WikiSQL监督)才需要。 - float_answer (
torch.FloatTensor
of shape(batch_size, )
, optional) — 批次中每个样本的浮点答案。对于选择单元的问题,设置为您 float(‘nan’)。仅在弱监督(WTQ)的情况下需要,用于计算聚合掩码和回归损失。 - numeric_values (
torch.FloatTensor
of shape(batch_size, seq_length)
, optional) — 每个标记的数值,对于非数值标记为 NaN。可以使用 AutoTokenizer 获取。仅在弱监督聚合(WTQ)的情况下需要,用于计算回归损失。 - numeric_values_scale (
torch.FloatTensor
of shape(batch_size, seq_length)
, optional) — 每个标记的数值的缩放系数。可以使用 AutoTokenizer 获取。仅在弱监督聚合(WTQ)的情况下需要,用于计算回归损失。
返回值
transformers.models.tapas.modeling_tapas.TableQuestionAnsweringOutput 或 tuple(torch.FloatTensor)
这是一个transformers.models.tapas.modeling_tapas.TableQuestionAnsweringOutput 或是一个包含各种元素的 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
)的结构,这些元素取决于配置(TapasConfig)和输入。
- loss(
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
(以及可能的answer
、aggregation_labels
、numeric_values
和numeric_values_scale
)时返回)—— 总损失是层状单元格选择对数似然损失之和,以及可选的半监督回归损失和可选的聚合监督损失。 - logits(
torch.FloatTensor
,形状为(batch_size, sequence_length)
)—— 单元格选择头的预测分数,对每个标记来说。 - logits_aggregation(
torch.FloatTensor
,可选,形状为(batch_size, num_aggregation_labels)
)—— 聚合头对每个聚合操作器的预测分数。 - hidden_states(
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回)—— 包含每个层的torch.FloatTensor
的元组(一个用于嵌入输出 + 一系列层的输出),形状为(batch_size, sequence_length, hidden_size)
。每个层输出的模型隐藏状态加上初始嵌入输出。 - attentions(
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回)—— 每个层的torch.FloatTensor
的元组(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。
TapasForQuestionAnswering 的 forward 方法重写了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForQuestionAnswering
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base-finetuned-wtq")
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base-finetuned-wtq")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = ["How many movies has George Clooney played in?", "How old is Brad Pitt?"]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="pt")
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> logits_aggregation = outputs.logits_aggregation
TFTapasModel
class transformers.TFTapasModel
< source >( config:TapasConfig *inputs **kwargs )
参数
- config (TapasConfig) — 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模型的权重,仅加载配置。查看from_pretrained()方法来加载模型权重。
一个裸Tapas模型变换器,输出原始隐藏状态,不带有任何特定头。
该模型继承了TFPreTrainedModel。有关库为所有模型实现的一般方法(例如下载或保存,调整输入嵌入大小,剪枝头等)的文档,请检查其超类文档。
该模型也是keras.Model的子类。将其用作常规TF 2.0 Keras模型,并参考TF 2.0文档以获取与通用使用和行为相关的所有内容。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入均作为关键字参数(类似于PyTorch模型),或
- 所有输入作为第一个位置参数中的列表、元组或字典。
支持第二种格式的理由是Keras方法在传递输入到模型和层时首选此格式。由于这种支持,当使用model.fit()
等方法时,应该“一切正常”——只需按照model.fit()
支持的方式进行输入和标签传递即可!但是,如果您想在fit()
和predict()
等Keras方法之外使用第二种格式,例如在创建自己的层或使用Keras Functional
API创建自己的模型时,您可以使用以下三种方法来获取第一个位置参数中的所有输入张量
- 仅包含
input_ids
的单个张量:model(input_ids)
- 长度不一的列表,其中包含一个或多个按文档字符串中给出的顺序排列的输入张量:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 与文档字符串中给出的输入名称关联的一个或多个输入张量的字典:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
请注意,当通过子类化创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他Python函数一样传递输入!
调用
参数
- input_ids (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
或Dict[str, np.ndarray]
以及每个示例都必须具有形状(批量大小, 序列长度)
) —词汇表中输入序列标记的索引。索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
形状为(批量大小, 序列长度)
,可选) — 用于防止在填充标记索引上执行注意力的掩码。掩码值选择在[0, 1]
范围内:- 1 表示 未掩码 的标记,
- 0 表示 掩码 的标记。
- token_type_ids (
np.ndarray
或tf.Tensor
形状为(批量大小, 序列长度, 7)
,可选) — 编码表格结构的标记索引。可以使用 AutoTokenizer 获取索引。更多信息请参阅此类。 - position_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的索引。如果 TapasConfig 的reset_position_index_per_cell
设置为True
,将使用相对位置嵌入。选择范围在[0, config.max_position_embeddings - 1]
之间。 - head_mask (
np.ndarray
或tf.Tensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自注意力模块中选定的头无效化的掩码。掩码值在[0, 1]
范围内:- 1 表示头未掩码,
- 0 表示头已掩码。
- inputs_embeds (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
,可选) — 也可选择直接传递嵌入表示,而不是传递input_ids
。这在您想要比模型的内部嵌入查找矩阵有更多控制权以将input_ids
索引转换为相关向量时很有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。详见返回张量下的attentions
以获取更多详细信息。此参数只能在急切模式下使用,在图模式下将使用配置中的值。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。详见返回张量下的hidden_states
以获取更多详细信息。此参数只能在急切模式下使用,在图模式下将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回模型输出对象,而不是平凡的元组。此参数可以在急切模式下使用,在图模式下该值始终设置为True。 - 训练 (
bool
, 可选,默认为 `False`) — 是否在训练模式下使用模型(某些模块如dropout模块在训练和评估之间有不同的行为)。
返回值
transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或一个 tf.Tensor
的元组(如果传递了 return_dict=False
或者当 config.return_dict=False
),根据配置(TapasConfig)和输入包含各种元素。
-
last_hidden_state (
tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态的序列。 -
pooler_output (
tf.Tensor
形状为(batch_size, hidden_size)
) — 序列中第一个标记(分类标记)的最后一层隐藏状态,经过线性层和 Tanh 激活函数进一步处理。预训练期间 Linear 层的权重来自下一个句子预测(分类)目标。这个输出通常 不是 输入语义内容的好总结,你通常需要平均或池化整个输入序列的隐藏状态序列。
-
hidden_states (
tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
的元组(一个用于嵌入输出的输出,一个用于每一层的输出)。模型的每层输出以及初始嵌入输出的隐藏状态。
-
attentions (
tuple(tf.Tensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
的元组(每层一个)。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TFTapasModel 前向方法,重写了 `__call__` 特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasModel
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base")
>>> model = TapasModel.from_pretrained("google/tapas-base")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = ["How many movies has George Clooney played in?", "How old is Brad Pitt?"]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="tf")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
TFTapasForMaskedLM
类 transformers.TFTapasForMaskedLM
< 来源 >( config:TapasConfig *inputs **kwargs )
参数
- config (TapasConfig) — 模型配置类,包含所有模型参数。用配置文件初始化不会加载模型相关的权重,只加载配置。请查阅 from_pretrained() 方法以加载模型权重。
带有顶部 语言建模
头的 Tapas 模型。
该模型继承了TFPreTrainedModel。有关库为所有模型实现的一般方法(例如下载或保存,调整输入嵌入大小,剪枝头等)的文档,请检查其超类文档。
该模型也是keras.Model的子类。将其用作常规TF 2.0 Keras模型,并参考TF 2.0文档以获取与通用使用和行为相关的所有内容。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入均作为关键字参数(类似于PyTorch模型),或
- 所有输入作为第一个位置参数中的列表、元组或字典。
支持第二种格式的理由是Keras方法在传递输入到模型和层时首选此格式。由于这种支持,当使用model.fit()
等方法时,应该“一切正常”——只需按照model.fit()
支持的方式进行输入和标签传递即可!但是,如果您想在fit()
和predict()
等Keras方法之外使用第二种格式,例如在创建自己的层或使用Keras Functional
API创建自己的模型时,您可以使用以下三种方法来获取第一个位置参数中的所有输入张量
- 仅包含
input_ids
的单个张量:model(input_ids)
- 长度不一的列表,其中包含一个或多个按文档字符串中给出的顺序排列的输入张量:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 与文档字符串中给出的输入名称关联的一个或多个输入张量的字典:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
请注意,当通过子类化创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他Python函数一样传递输入!
调用
< 来源 >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFMaskedLMOutput or tuple(tf.Tensor)
参数
- input_ids (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
orDict[str, np.ndarray]
and each example must have the shape(batch_size, sequence_length)
) — 输入序列token在词表中的索引。索引可以通过使用 AutoTokenizer 获得详细信息。请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) - 避免在填充 token 索引上执行 attention 的掩码。掩码值选择在[0, 1]
:- 1 表示 未掩码 的 token,
- 0 表示 已掩码 的 token。
- token_type_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length, 7)
,可选) - 编码表格结构的 token 索引。索引可以使用 AutoTokenizer 获取。有关更多信息,请参阅此类。 - position_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) - 每个输入序列 token 的位置嵌入中的索引。如果 TapasConfig 中的reset_position_index_per_cell
设置为True
,则将使用相对位置嵌入。选择范围在[0, config.max_position_embeddings - 1]
内。 - head_mask (
np.ndarray
或tf.Tensor
shape(num_heads,)
或(num_layers, num_heads)
,可选)— 使自注意力模块中选定的头无效的掩码。在[0, 1]
范围内选择掩码值:- 1表示头未掩码,
- 0表示头已掩码。
np.ndarray
或tf.Tensor
shape(batch_size, sequence_length, hidden_size)
,可选)— 可以选择直接传递嵌入表示而不是输入ID,而不是传递输入ID。如果您想要比模型内部嵌入查找矩阵更多控制如何将input_ids
索引转换为相关向量,这很有用。 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,请参阅返回张量中的attentions
。此参数仅在紧急模式下使用,在图形模式下,将使用配置中的值。 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
。此参数只能在急切模式下使用,在图模式下将使用配置中的值。 bool
, 可选) — 是否返回 ModelOutput 而不是纯元组。此参数可以在急切模式下使用,在图模式下此值始终设置为 True。 bool
, 可选, 默认为 `False`) — 是否在训练模式下使用模型(某些模块,如dropout模块,在训练和评估模式间有不同的行为)。 tf.Tensor
或 np.ndarray
的形状为 (batch_size, sequence_length)
,可选) — 用于计算掩码语言模型损失的标签。索引应在 [-100, 0, ..., config.vocab_size]
范围内(见 input_ids
文档字符串)索引设置为 -100
的标记将被忽略(掩码),损失仅计算具有标签在 [0, ..., config.vocab_size]
范围内的标记 返回值
transformers.modeling_tf_outputs.TFMaskedLMOutput 或 tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFMaskedLMOutput 或 tf.Tensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
时),根据配置(TapasConfig)和输入包含各种元素。
-
loss(《tf.Tensor 形状为
(n,)
,可选,其中 n 是非掩码标签的数量,在提供labels
时返回)— 埋言语言模型(MLM)损失。 -
logits (
tf.Tensor
形状为(batch_size, sequence_length, config.vocab_size)
)— 语言模型头部预测分数(SoftMax 之前每个词汇表的分数)。 -
hidden_states (
tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
的元组(一个用于嵌入输出的输出,一个用于每一层的输出)。模型的每层输出以及初始嵌入输出的隐藏状态。
-
attentions (
tuple(tf.Tensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
的元组(每层一个)。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TFTapasForMaskedLM 前向方法,重写了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForMaskedLM
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base")
>>> model = TapasForMaskedLM.from_pretrained("google/tapas-base")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> inputs = tokenizer(
... table=table, queries="How many [MASK] has George [MASK] played in?", return_tensors="tf"
... )
>>> labels = tokenizer(
... table=table, queries="How many movies has George Clooney played in?", return_tensors="tf"
... )["input_ids"]
>>> outputs = model(**inputs, labels=labels)
>>> logits = outputs.logits
TFTapasForSequenceClassification
class transformers.TFTapasForSequenceClassification
< 源代码 >( config:TapasConfig *inputs **kwargs )
参数
- config(《TapasConfig》)—— 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模型相关的权重,只加载配置。请查看 TapasConfig,使用 from_pretrained()方法加载模型权重。
Tapas 模型在顶部有一个序列分类头(池化输出的线性层),例如 TabFact (Chen et al., 2020) 等表格蕴含任务。
该模型继承了TFPreTrainedModel。有关库为所有模型实现的一般方法(例如下载或保存,调整输入嵌入大小,剪枝头等)的文档,请检查其超类文档。
该模型也是keras.Model的子类。将其用作常规TF 2.0 Keras模型,并参考TF 2.0文档以获取与通用使用和行为相关的所有内容。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入均作为关键字参数(类似于PyTorch模型),或
- 所有输入作为第一个位置参数中的列表、元组或字典。
支持第二种格式的理由是Keras方法在传递输入到模型和层时首选此格式。由于这种支持,当使用model.fit()
等方法时,应该“一切正常”——只需按照model.fit()
支持的方式进行输入和标签传递即可!但是,如果您想在fit()
和predict()
等Keras方法之外使用第二种格式,例如在创建自己的层或使用Keras Functional
API创建自己的模型时,您可以使用以下三种方法来获取第一个位置参数中的所有输入张量
- 仅包含
input_ids
的单个张量:model(input_ids)
- 长度不一的列表,其中包含一个或多个按文档字符串中给出的顺序排列的输入张量:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 与文档字符串中给出的输入名称关联的一个或多个输入张量的字典:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
请注意,当通过子类化创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他Python函数一样传递输入!
调用
< 源代码 >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: 可选[bool] = None output_hidden_states: 可选[bool] = None return_dict: 可选[bool] = None labels: np.ndarray | tf.Tensor | None = None training: 可选[bool] = False ) → transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
参数
- input_ids (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
orDict[str, np.ndarray]
and each example must have the shape(batch_size, num_choices, sequence_length)
) — 输入序列词的词汇索引。索引可用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
形状为(batch_size, num_choices, sequence_length)
,可选) — 避免在填充词索引上执行注意力的掩码。掩码值在[0, 1]
之间选择:- 1 代表 未掩码 的标记,
- 0 代表 掩码 的标记。
- token_type_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, num_choices, sequence_length, 7)
,可选) — 编码表格结构的标记索引。可以使用 AutoTokenizer 获取索引。参阅此类获取更多信息。 - position_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, num_choices, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的索引。如果 TapasConfig 的reset_position_index_per_cell
设置为True
,则使用相对位置嵌入。选择范围[0, config.max_position_embeddings - 1]
。 - head_mask (
np.ndarray
或tf.Tensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于取消自我注意模块中选定的头的掩码。掩码值在[0, 1]
:- 1 表示头未被 掩码,
- 0 表示头被 掩码。
- inputs_embeds (
np.ndarray
或tf.Tensor
形状为(batch_size, num_choices, sequence_length, hidden_size)
,可选) — 可选,您可以选择直接传递嵌入表示而不是input_ids
。当您想比模型内部嵌入查找矩阵有更多控制权将input_ids
索引转换为关联向量时,这很有用。 - output_attentions (
bool
,可选) — 是否返回所有注意层张量的注意力。更多详情请见返回的自张量下的attentions
。此参数仅在动态模式中可用,在图模式中,将使用配置中的值。 - 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
。此参数只能在eager模式中使用,在图模式中,将使用配置中的值。 - return_dict (
bool
, 可选) —— 是否返回一个 ModelOutput 而不是普通的元组。此参数可以在eager模式中使用,在图模式中,该值始终被设置为True。 - training (
bool
, 可选,默认为 `False`) —— 是否使用训练模式的模型(某些模块,如dropout模块,在训练和评估之间有不同的行为)。 - labels (
torch.LongTensor
的形状为(batch_size,)
,可选) — 用于计算序列分类/回归损失的标签。索引应位于[0, ..., config.num_labels - 1]
。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)。注意:这是原始实现中的“classification_class_index”。
返回值
transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一个 tf.Tensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),它包含根据配置(TapasConfig)和输入的不同元素。
-
loss (当提供
labels
时返回,形状为(batch_size, )
的tf.Tensor
,可选) — 分类(或如果 config.num_labels==1 则为回归)损失。 -
logits (形状为
(batch_size, config.num_labels)
的tf.Tensor
) — 分类(如果 config.num_labels==1 则为回归)分数(在 SoftMax 之前)。 -
hidden_states (
tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
的元组(一个用于嵌入输出的输出,一个用于每一层的输出)。模型的每层输出以及初始嵌入输出的隐藏状态。
-
attentions (
tuple(tf.Tensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
的元组(每层一个)。注意力软化的权重之后,用于在自注意力头中进行加权的平均值。
TFTapasForSequenceClassification 前向方法,覆盖了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForSequenceClassification
>>> import tensorflow as tf
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base-finetuned-tabfact")
>>> model = TapasForSequenceClassification.from_pretrained("google/tapas-base-finetuned-tabfact")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = [
... "There is only one actor who is 45 years old",
... "There are 3 actors which played in more than 60 movies",
... ]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="tf")
>>> labels = tf.convert_to_tensor([1, 0]) # 1 means entailed, 0 means refuted
>>> outputs = model(**inputs, labels=labels)
>>> loss = outputs.loss
>>> logits = outputs.logits
TFTapasForQuestionAnswering
class transformers.TFTapasForQuestionAnswering
< source >( config:TapasConfig *inputs **kwargs )
参数
- config (TapasConfig) — 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关联的权重,只加载配置。请查看from_pretrained()方法以加载模型权重。
在表格问答任务(如SQA、WTQ或WikiSQL监督任务)上具有单元选择头和可选聚合头的Tapas模型,在隐藏态输出上使用线性层计算logits
和可选的logits_aggregation
。
该模型继承了TFPreTrainedModel。有关库为所有模型实现的一般方法(例如下载或保存,调整输入嵌入大小,剪枝头等)的文档,请检查其超类文档。
该模型也是keras.Model的子类。将其用作常规TF 2.0 Keras模型,并参考TF 2.0文档以获取与通用使用和行为相关的所有内容。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入均作为关键字参数(类似于PyTorch模型),或
- 所有输入作为第一个位置参数中的列表、元组或字典。
支持第二种格式的理由是Keras方法在传递输入到模型和层时首选此格式。由于这种支持,当使用model.fit()
等方法时,应该“一切正常”——只需按照model.fit()
支持的方式进行输入和标签传递即可!但是,如果您想在fit()
和predict()
等Keras方法之外使用第二种格式,例如在创建自己的层或使用Keras Functional
API创建自己的模型时,您可以使用以下三种方法来获取第一个位置参数中的所有输入张量
- 仅包含
input_ids
的单个张量:model(input_ids)
- 长度不一的列表,其中包含一个或多个按文档字符串中给出的顺序排列的输入张量:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 与文档字符串中给出的输入名称关联的一个或多个输入张量的字典:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
请注意,当通过子类化创建模型和层时,您无需担心这些问题,因为您可以像传递给任何其他Python函数一样传递输入!
调用
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None table_mask: np.ndarray | tf.Tensor | None = None aggregation_labels: np.ndarray | tf.Tensor | None = None float_answer: np.ndarray | tf.Tensor | None = None numeric_values: np.ndarray | tf.Tensor | None = None numeric_values_scale: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.models.tapas.modeling_tf_tapas.TFTableQuestionAnsweringOutput
or tuple(tf.Tensor)
参数
- input_ids (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
`Dict[str, tf.Tensor]
orDict[str, np.ndarray]
and each example must have the shape(batch_size, sequence_length)
) — 输入序列标记在词汇表中的索引。索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length)
, 可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值选择为[0, 1]
:- 1 用于 非掩码 标记,
- 0 用于 掩码 标记。
- token_type_ids (
np.ndarray
或tf.Tensor
形状为(batch_size, sequence_length, 7)
, 可选) — 加密表格结构的标记索引。可以使用 AutoTokenizer 获取索引。有关更多详细信息,请参阅此类。 - position_ids (
np.ndarray
或tf.Tensor
形状(batch_size, sequence_length)
,可选) — 每个输入序列标记在位置嵌入中的位置标识符。如果 TapasConfig 中的reset_position_index_per_cell
设置为True
,将使用相对位置嵌入。选择范围[0, config.max_position_embeddings - 1]
。 - head_mask (
np.ndarray
或tf.Tensor
形状(num_heads,)
或(num_layers, num_heads)
,可选) — 使自注意力模块中的选定头为零的掩码。掩码值选择范围为[0, 1]
:- 1 表示头部未被掩码
- 0 表示头部已被掩码
- inputs_embeds (
np.ndarray
或tf.Tensor
形状(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以直接传递嵌入表示,而不是传递input_ids
。如果您想比模型内部嵌入查找矩阵有更多控制权,将input_ids
索引转换为相关向量,则此方法很有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。详细信息请见返回张量下的attentions
。此参数只能在即时模式中使用,在图模式中将使用配置中的值。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。详细信息请见返回张量下的hidden_states
。此参数只能在即时模式中使用,在图模式中将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。此参数可以在即时模式中使用,在图模式中该值总是设置为 True。 - training(《布尔值`, 可选(optional), 默认值`False`) — 是否在使用训练模式下的模型(某些模块,如dropout模块,在不同的训练和评估模式间有不同的行为)。
- table_mask(《tf.Tensor》维度为
(batch_size, seq_length)
, 可选) — 表的掩码。指示哪些标记属于表(1)。问题标记、表头和填充为0。 - labels(《tf.Tensor》维度为
(batch_size, seq_length)
, 可选) — 每个token的标签用于计算层次单元格选择损失。这编码了在表中出现答案的位置。可以使用AutoTokenizer获取。- 1 对于是 答案的一部分的token ,
- 0 对于不是 答案的一部分的token 。
- aggregation_labels (
tf.Tensor
形状为(batch_size, )
,可选)— 为每个批次的示例计算聚合损失时的聚合函数索引。索引应在[0, ..., config.num_aggregation_labels - 1]
之间。在聚合强监督(WikiSQL监督)的情况下才需要。 - float_answer (
tf.Tensor
形状为(batch_size, )
,可选)— 每个批次的示例的浮点数答案。对于单元格选择问题,设置为 float(‘nan’)。在弱监督(WTQ)情况下才需要以计算聚合掩码和回归损失。 - numeric_values (
tf.Tensor
形状为(batch_size, seq_length)
,可选)— 每个标记的数值,对于非数值标记,使用 NaN。可以使用 AutoTokenizer 获取。在弱监督(WTQ)情况下才需要以计算回归损失。 - numeric_values_scale (
tf.Tensor
of shape(batch_size, seq_length)
, optional) — 每个标记的数值缩放。可以使用 AutoTokenizer 获取。仅在弱监督聚合(WTQ)的情况下计算回归损失时需要。
返回值
transformers.models.tapas.modeling_tf_tapas.TFTableQuestionAnsweringOutput
或 tuple(tf.Tensor)
A transformers.models.tapas.modeling_tf_tapas.TFTableQuestionAnsweringOutput
或一个 tf.Tensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
),包含不同配置(TapasConfig)和输入的各种元素。
- loss (
tf.Tensor
of shape(1,)
, optional, returned whenlabels
(and possiblyanswer
,aggregation_labels
,numeric_values
andnumeric_values_scale
are provided)) — 总损失,是层次节点选择对数似然损失之和(可选)半监督回归损失以及(可选)聚合的监督损失。 - logits (
tf.Tensor
of shape(batch_size, sequence_length)
) — 细胞选择的预测分数,针对每个标记。 - logits_aggregation (
tf.Tensor
, optional, of shape(batch_size, num_aggregation_labels)
) — 聚合操作的预测分数,针对每个聚合操作符。 - hidden_states (
tuple(tf.Tensor)
, optional, returned whenoutput_hidden_states=True
is passed or whenconfig.output_hidden_states=True
) — 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回的tf.Tensor
的元组(一个用于嵌入输出,一个用于每层的输出)的形状为(batch_size, sequence_length, hidden_size)
。在每层输出的隐藏状态加上初始嵌入输出。 - attentions (
tuple(tf.Tensor)
, optional, returned whenoutput_attentions=True
is passed or whenconfig.output_attentions=True
) — 当传递output_attentions=True
或当config.output_attentions=True
时返回的tf.Tensor
的元组(一个用于每个层)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力权重在注意力softmax后使用,用于计算自注意力头中的加权平均。
TFTapasForQuestionAnswering 前向方法,覆盖了 __call__
特殊方法。
尽管需要在函数内定义前向传递的配方,但是应该调用 Module
实例,而不是这个,因为前者负责运行预和后处理步骤,而后者会默默地忽略这些步骤。
示例
>>> from transformers import AutoTokenizer, TapasForQuestionAnswering
>>> import pandas as pd
>>> tokenizer = AutoTokenizer.from_pretrained("google/tapas-base-finetuned-wtq")
>>> model = TapasForQuestionAnswering.from_pretrained("google/tapas-base-finetuned-wtq")
>>> data = {
... "Actors": ["Brad Pitt", "Leonardo Di Caprio", "George Clooney"],
... "Age": ["56", "45", "59"],
... "Number of movies": ["87", "53", "69"],
... }
>>> table = pd.DataFrame.from_dict(data)
>>> queries = ["How many movies has George Clooney played in?", "How old is Brad Pitt?"]
>>> inputs = tokenizer(table=table, queries=queries, padding="max_length", return_tensors="tf")
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> logits_aggregation = outputs.logits_aggregation