XLM 模型由 Guillaume Lample 和 Alexis Conneau 在《跨语言语言模型预训练》中提出,该论文可参考此处。它使用以下目标之一进行预训练:
- 因果语言建模目标(下一词汇预测),
- 掩码语言建模目标(类似于 BERT),或
- 翻译语言建模目标(BERT 的 MLM 的多语言输入扩展)
论文的摘要如下
最近的研究表明,生成预训练对英语自然语言理解的效率。在本工作中,我们扩展了这种方法到多种语言,并证明了跨语言预训练的有效性。我们提出了两种学习方法来学习跨语言语言模型(XLM):一种无监督的,只依赖于单语数据,另一种是监督的,利用并行数据和一个新的跨语言语言模型目标。我们在跨语言分类、无监督和监督机器翻译方面取得了最先进的结果。在XNLI上,我们的方法将最佳水平提高了4.9%的准确率。在无监督机器翻译上,我们在WMT’16的德语-英语上获得34.3 BLEU,比以前的最佳水平提高了9多个BLEU。在监督机器翻译上,我们在WMT’16的罗马尼亚-英语上达到了38.5 BLEU的新最佳水平,比以前最佳方法提高了4多个BLEU。我们的代码和预训练模型将公开提供。
使用技巧
XLM有许多不同的检查点,这些检查点是使用不同的目标(例如CLM、MLM或TLM)训练的。请确保为您的工作选择正确的目标(例如,MLM检查点不适用于生成)。
XLM具有多语言检查点,利用特定的
lang
参数。有关更多信息,请查看多语言页面。一个在多种语言上训练的transformer模型。为此模型有三种不同的训练类型,库为所有这些提供了检查点
- 因果语言建模(CLM),这是传统的自回归训练(因此此模型也可以放在前面的部分)。每个训练样本选择一种语言,模型输入是256个标记的句子,这些句子可能跨越单个语言中的多个文档。
- 掩码语言建模(MLM),类似于RoBERTa。每个训练样本选择一种语言,模型输入是256个标记的句子,这些句子可能跨越单个语言中的多个文档,并对标记进行动态掩码。
- 掩码语言建模(MLM)和翻译语言模型(TLM)的组合。这包括连接两个不同语言的句子,并使用随机掩码。为了预测一个掩码的标记,模型可以使用周围的语言1的上下文和语言2提供的上下文。
资源
XLMConfig
类 transformers.XLMConfig
< source >( vocab_size = 30145 emb_dim = 2048 n_layers = 12 n_heads = 16 dropout = 0.1 attention_dropout = 0.1 gelu_activation = True sinusoidal_embeddings = False causal = False asm = False n_langs = 1 use_lang_emb = True max_position_embeddings = 512 embed_init_std = 0.02209708691207961 layer_norm_eps = 1e-12 init_std = 0.02 bos_index = 0 eos_index = 1 pad_index = 2 unk_index = 3 mask_index = 5 is_encoder = True summary_type = 'first' summary_use_proj = True summary_activation = None summary_proj_to_labels = True summary_first_dropout = 0.1 start_n_top = 5 end_n_top = 5 mask_token_id = 0 lang_id = 0 pad_token_id = 2 bos_token_id = 0 **kwargs )
参数
- vocab_size (
int
, 可选, 默认 30145) — BERT 模型的词汇量。定义了可以通过调用 XLMModel 或 TFXLMModel 传递的inputs_ids
表示的不同标记的数量。 - emb_dim (
int
, 可选, 默认值为2048) —— 编码器层和池化层的维度。 - n_layer (
int
, 可选, 默认值为12) —— Transformer编码器中的隐藏层数量。 - n_head (
int
, 可选, 默认值为16) —— Transformer编码器中每个注意层的注意头数量。 - dropout (
float
, 可选, 默认值为0.1) —— 嵌入、编码器和池化层中所有全连接层的dropout概率。 - attention_dropout (
float
, 可选,默认为0.1) — 注意机制中的dropout概率 - gelu_activation (
bool
, 可选,默认为True
) — 是否使用 gelu 而不是 relu 进行激活。 - sinusoidal_embeddings (
bool
, 可选,默认为False
) — 是否使用正弦余弦位置编码而不是绝对位置编码。 - causal (
bool
, 可选,默认为) — 模型是否应以因果方式行事。因果模型使用三角注意力掩码以仅关注双向上下文左边的上下文。
- asm (
bool
, 可选,默认为) — 是否使用适应性的log softmax投影层而不是线性层作为预测层。
- n_langs (
int
, 可选,默认为 1) — 模型处理的语言数量。对于单语模型设为 1。 - use_lang_emb (
bool
,可选,默认为True
)— 是否使用语言嵌入。一些模型使用额外的语言嵌入,有关如何使用它们的信息,请参见多语言模型页面。 - max_position_embeddings (
int
,可选,默认为512)— 模型可能使用的最大序列长度。通常设置一个较大的值以备不时之需(例如,512或1024或2048)。 - embed_init_std (
float
,可选,默认为2048^-0.5)— 初始化嵌入矩阵的截断正态初值器的标准差。 - init_std (
int
,可选,默认为50257)—— 用来初始化除了embedding矩阵之外所有权重矩阵的截断正态初始化器的标准差。 - layer_norm_eps (
float
,可选,默认为1e-12)—— 层归一化层使用的epsilon值。 - bos_index (
int
,可选,默认为0)—— 词汇表中句子起始标记的索引。 - eos_index (
int
,可选,默认为1)—— 词汇表中句子结束标记的索引。 - pad_index (
int
, 可选, 默认为 2) — 词汇表中填充令牌的索引。 - unk_index (
int
, 可选, 默认为 3) — 词汇表中未知令牌的索引。 - mask_index (
int
, 可选, 默认为 5) — 词汇表中掩码令牌的索引。 - is_encoder(
bool
, 可选, 默认为True
) — 初始化的模型是否应作为一个_transformer_编码器或解码器,正如 Vaswani 等人所述。 - summary_type (
string
, 可选, 默认为“first”) — 生成序列摘要时使用的参数。用于序列分类和多项选择模型。该参数值必须是以下之一:
"last"
:取最后一个令牌的隐藏状态(如 XLNet)。"first"
:取第一个令牌的隐藏状态(如 BERT)。"mean"
:取所有令牌的隐藏状态的均值。"cls_index"
:提供分类令牌位置的 Tensor(如 GPT/GPT-2)。"attn"
:目前未实现,使用多头注意力。
- summary_use_proj (
bool
, 可选, 默认为True
) — 生成序列摘要时使用的参数。用于序列分类和多项选择模型。是否在提取向量后添加投影。
- summary_activation (
str
, 可选) — 生成序列摘要时使用的参数。用于序列分类和多项选择模型。将
"tanh"
传递到输出以使用 tanh 激活,任何其他值都将导致无激活。 - summary_proj_to_labels (
bool
, 可选项, 默认为True
) — 用于序列分类和多选题型模型。投影输出是否应该有
config.num_labels
或config.hidden_size
类。 - summary_first_dropout (
float
, 可选项, 默认为 0.1) — 用于序列分类和多选题型模型。在投影和激活之后使用的dropout比例。
- start_n_top (
int
, 可选项, 默认为 5) — 用于SQuAD评估脚本。 - end_n_top (
int
, 可选项, 默认为 5) — 用于SQuAD评估脚本。 - mask_token_id (
int
, 可选,默认为0) — 在MLM文本生成场景中,用于标识掩盖令牌的非模型参数。 - lang_id (
int
, 可选,默认为1) — 模型使用的语言ID。用于在特定语言中生成文本时使用。
这是用于存储XLMModel或TFXLMModel配置的配置类。它通过指定的参数实例化XLM模型,定义模型架构。使用默认值实例化配置将产生类似于FacebookAI/xlm-mlm-en-2048架构的配置。
配置对象继承自PretrainedConfig并可用于控制模型输出。更多详细信息,请参阅PretrainedConfig文档。
示例
>>> from transformers import XLMConfig, XLMModel
>>> # Initializing a XLM configuration
>>> configuration = XLMConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = XLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
XLMTokenizer
类 transformers.XLMTokenizer
< source >( vocab_file merges_file unk_token = '<unk>' bos_token = '<s>' sep_token = '</s>' pad_token = '<pad>' cls_token = '</s>' mask_token = '<special1>' additional_special_tokens = ['<special0>', '<special1>', '<special2>', '<special3>', '<special4>', '<special5>', '<special6>', '<special7>', '<special8>', '<special9>'] lang2id = None id2lang = None do_lowercase_and_remove_accent = True **kwargs )
参数
- vocab_file (
str
) — Vocabulary 文件。 - merges_file (
str
) — 合并文件。 - unk_token (
str
, 可选, 默认为"<unk>"
) — 未知token。不在词汇中的token无法转换为ID,并将其设置为该token。 - bos_token (
str
, 可选, 默认为"<s>"
) — 预训练使用的序列开始token。可以用作序列分类token。当使用特殊token构建序列时,这不是用于序列开始的token。使用的token是
cls_token
。 - sep_token (
str
, 可选,默认为"</s>"
) — 用来分隔序列的标记,用于构造多个序列,例如用于序列分类的两个序列或用于问答问题的文本和问题。它也用作具有特殊标记构建的序列的最后标记。 - pad_token (
str
, 可选,默认为"<pad>"
) — 用来填充的标记,例如在不同的序列长度批处理时使用。 - cls_token (
str
, 可选,默认为"</s>"
) — 用于序列分类(对整个序列进行分类而不是对每个标记进行分类)的分类标记。当与特殊标记一起构建序列时,它是序列的第一个标记。 - mask_token (
str
, 可选, 默认为"<special1>"
) — 用于遮蔽值标记。这是在遮蔽语言模型训练该模型时使用的标记。这是模型将尝试预测的标记。 - additional_special_tokens (
List[str]
, 可选, 默认为['<special0>', '<special1>', '<special2>', '<special3>', '<special4>', '<special5>', '<special6>', '<special7>', '<special8>', '<special9>']
) — 扩展特殊标记列表。 - lang2id (
Dict[str, int]
, 可选) — 映射语言字符串标识符到其ID的字典。 - id2lang (
Dict[int, str]
, 可选) — 将语言ID映射到它们的字符串标识符的字典。 - do_lowercase_and_remove_accent (
bool
, 可选, 默认为True
) — 是否在分词时转换为小写并移除重音符号。
构建一个XLM分词器。基于字对编码。分词过程如下
- 对大多数支持的语言使用Moses预处理和分词。
- 针对中文(Jieba),日语(KyTea)和泰语(PyThaiNLP)使用特定语言分词。
- 可选地将所有输入文本转换为小写并规范化。
- 可以使用
special_tokens
参数和set_special_tokens
函数将额外的符号(如“classify”)添加到词汇表中。 - 如果提供,
lang2id
属性将模型支持的每种语言及其ID进行映射(对于预训练语料库自动设置)。 - 如果提供,
id2lang
属性执行逆向映射(对于预训练语料库自动设置)。
此分词器由 PreTrainedTokenizer 继承,其中包含大多数主要方法。用户应参考这个超类以获取有关这些方法的更多信息。
build_inputs_with_special_tokens
< source >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
通过连接和添加特殊标记来构建用于序列分类任务的模型输入。XLM序列具有以下格式
- 单序列:
<s> X </s>
- 序列对:
<s> A </s> B </s>
get_special_tokens_mask
< source >( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
从添加过特殊标记的标记列表中检索序列 ID。在用分词器 prepare_for_model
方法添加特殊标记时调用此方法。
create_token_type_ids_from_sequences
< 源代码 >( token_ids_0: List token_ids_1: Optional = None ) → List[int]
从传递给分类任务的两个序列创建掩码。一个XLM序列
如果 token_ids_1
为 None
,该方法只返回掩码的第一部分(0s)。
XLM特有输出
类 transformers.models.xlm.modeling_xlm.XLMForQuestionAnsweringOutput
< 源代码 >( loss: Optional = None start_top_log_probs: Optional = None start_top_index: Optional = None end_top_log_probs: Optional = None end_top_index: Optional = None cls_logits: Optional = None hidden_states: Optional = None attentions: Optional = None )
参数
- loss (
torch.FloatTensor
of shape(1,)
, optional, returned if bothstart_positions
andend_positions
are provided) — Classification loss as the sum of start token, end token (and is_impossible if provided) classification losses. - start_top_log_probs (
torch.FloatTensor
形状(batch_size, config.start_n_top)
,可选,在未提供start_positions
或end_positions
时返回) — 顶级配置.start_n_top 开始令牌的可能性(波束搜索)的对数概率。 - start_top_index (
torch.LongTensor
形状(batch_size, config.start_n_top)
,可选,在未提供start_positions
或end_positions
时返回) — 顶级配置.start_n_top 开始令牌可能性的索引(波束搜索)。 - end_top_log_probs (
torch.FloatTensor
形状(batch_size, config.start_n_top * config.end_n_top)
,可选,在未提供start_positions
或end_positions
时返回) — 顶级config.start_n_top * config.end_n_top
结束令牌可能性的对数概率(波束搜索)。 - end_top_index (
torch.LongTensor
,形状为(batch_size, config.start_n_top * config.end_n_top)
,可选,在没有提供start_positions
或end_positions
时返回)— 表示最高概率的config.start_n_top * config.end_n_top
个结尾标记(基于beam-search)的索引。 - cls_logits (
torch.FloatTensor
,形状为(batch_size,)
,可选,在没有提供start_positions
或end_positions
时返回)— 答案is_impossible
标签的对数概率。 - hidden_states (
tuple(torch.FloatTensor)
,可选,当传递参数output_hidden_states=True
或当在config
中设置output_hidden_states=True
时返回)— 包含模型在每层输出的torch.FloatTensor
元组(一个用于嵌入输出加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。 每层输出状态的隐藏状态以及初始嵌入输出。 - attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 包含每个层的torch.FloatTensor
的元组,形状为(batch_size, num_heads, sequence_length, sequence_length)
。
使用 SquadHead
的问答模型输出的基类。
XLMModel
class transformers.XLMModel
< source >( config )
参数
- config (XLMConfig) — 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,只加载配置。请查看 from_pretrained() 方法以加载模型权重。
仅输出原始隐藏状态的裸 XLM 模型转换器,没有顶部任何特定头。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< source >( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列标记的索引。索引可以使用 AutoTokenizer 获取。请参阅 PreTrainedTokenizer.encode() 以及 PreTrainedTokenizer.call() 了解详细信息。
- attention_mask (形状为
(batch_size, sequence_length)
的torch.FloatTensor
,可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值在[0, 1]
之间选择:- 1 对于没有被掩码的标记,
- 0 对于被掩码的标记。
- langs (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 一个用于指示输入中每个标记语言的并行标记序列。索引是语言ID,可以通过模型配置中提供的两个转换映射(仅适用于多语言模型)获得。更确切地说,语言名称到语言ID 映射位于model.config.lang2id
(这是字符串到整数的字典)中,而 语言ID到语言名称 映射位于model.config.id2lang
(整数到字符串的字典)中。有关使用示例的详细信息,请参阅 多语言文档。
- token_type_ids (
torch.LongTensor
形状(batch_size, sequence_length)
,可选)— 表示输入的第一和第二部分的段标记索引。索引在[0, 1]
中选择: - position_ids (
torch.LongTensor
形状(batch_size, sequence_length)
,可选)— 输入序列标记在每个位置嵌入中的位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - lengths (
torch.LongTensor
形状(batch_size,)
,可选)— 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 来获得相同的结果(见上文),这里保留是为了兼容性。索引在[0, ..., input_ids.size(-1)]
中选择。 - 缓存 (
Dict[str, torch.FloatTensor]
, 可选) — 字符串到torch.FloatTensor
的字典,包含由模型预先计算的隐藏状态(注意块中的键和值)作为模型计算结果(见下面的cache
输出)。可用于加快顺序解码。 - head_mask (
torch.FloatTensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 消除自注意模块中选定头部的掩码。掩码值在[0, 1]
中选择:- 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,您可以直接传递嵌入表示,而不传递input_ids
。如果您想更多地控制将input_ids
索引转换为相关向量的方式,而不是使用模型的内部嵌入查找矩阵,这将很有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的 attentions 张量。关于返回张量下的 more details,请参见attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的 hidden states。更多的 details,请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。
返回
transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutput 或一个由 torch.FloatTensor
组成的元组(如果传递 return_dict=False
或当 config.return_dict=False
时),这取决于配置(XLMConfig)和输入。
-
last_hidden_state (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
**) — 模型最后层的输出序列的隐藏状态。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
的 XLMModel 前向方法,重写了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMModel.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
XLMWithLMHeadModel
class transformers.XLMWithLMHeadModel
< source >( config )
参数
- config (XLMConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化时,不会加载模型关联的权重,仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
具有语言模型头(线性层,权重与输入嵌入相关联)的XLM模型转换器。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< source >( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 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.MaskedLMOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列标记的词汇索引。可以通过使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask(类型为
torch.FloatTensor
的形状为(batch_size, sequence_length)
的tensor,可选) — 避免在填充token索引上执行注意力操作的掩码。选中的掩码值在[0, 1]
中:- 1 表示 未掩码的token;
- 0 表示 掩码的token。
- langs(类型为
torch.LongTensor
的形状为(batch_size, sequence_length)
的tensor,可选) — 用于指示输入中每个token语言的并行序列。索引是语言ID,可以通过模型配置中提供的两种转换映射从语言名称获得(仅针对多语言模型)。更确切地说,语言名称到语言ID映射在model.config.lang2id
中(这是一个字符串到整数的字典)和语言ID到语言名称映射在model.config.id2lang
中(这是一个整数到字符串的字典)。请参阅多语言文档中的使用示例。
- token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 用以指示输入的两个部分(首段和尾段)的段标记索引。索引选择范围为[0, 1]
:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- 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。选择范围在[0, config.max_position_embeddings - 1]
之间。 - lengths (
torch.LongTensor
形状为(batch_size,)
,可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 获取相同结果(见上文),此处保留以保持兼容性。索引选择范围在[0, ..., input_ids.size(-1)]
之间。 - cache (
Dict[str, torch.FloatTensor]
, optional) — 包含预计算隐藏状态(注意力块中的键和值)的字符串到torch.FloatTensor
字典,由模型计算得出(见下面的cache
输出)。可以用来加速序列解码。在正向传播过程中,字典对象将就地修改以添加新计算的隐藏状态。
- head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, optional) — 用于使自我注意力模块中的选择头部无效的掩码。掩码值在[0, 1]
:- 1表示该头部未屏蔽;
- 0表示该头部已屏蔽。
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 也可以直接传递嵌入表示,而不是传递input_ids
。如果想让input_ids
索引转换为关联向量的方式比模型的内部嵌入查找矩阵更加灵活,此选项很有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关返回张量中的更多详细信息,请参阅atts
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关返回张量中的更多详细信息,请参阅hidden_states
。 - return_dict (
bool
, 可选) — 是否返回模型输出而不是普通元组。 - labels (
torch.LongTensor
shape(batch_size, sequence_length)
, 可选) — 语言模型的标签。注意,模型内部已经将标签进行偏移,即您可以将labels = input_ids
。索引的选择在[-100, 0, ..., config.vocab_size]
之间。所有设置为-100
的标签将被忽略(掩码),仅计算[0, ..., config.vocab_size]
范围内的标签的损失。
返回
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 config.return_dict=False
),包含的各种元素取决于配置(XLMConfig)和输入。
-
损失 (
torch.FloatTensor
shape(1,)
, 可选,在提供labels
时返回) — 掩码语言模型(MLM)损失。 -
logits (
torch.FloatTensor
shape(batch_size, sequence_length, config.vocab_size)
) — 语言模型头部的预测得分(SoftMax之前的每个词汇表的得分)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
XLMWithLMHeadModel 前向方法,覆盖了特殊方法 __call__
。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMWithLMHeadModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMWithLMHeadModel.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("The capital of France is <special1>.", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # retrieve index of <special1>
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]
>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-<special1> tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)
>>> outputs = model(**inputs, labels=labels)
XLMForSequenceClassification
类 transformers.XLMForSequenceClassification
< source >( config )
参数
- config (XLMConfig) — Model configuration class with all the parameters of the model. Initializing with a config file does not load the weights associated with the model, only the configuration. Check out the from_pretrained() method to load the model weights.
.XLM 模型,在序列分类/回归头部之上(在池化输出之上的一层线性层)进行建模,例如用于 GLUE 任务。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< source >( input_ids: 可选 = 无 attention_mask: 可选 = 无 langs: 可选 = 无 token_type_ids: 可选 = 无 position_ids: 可选 = 无 lengths: 可选 = 无 cache: 可选 = 无 head_mask: 可选 = 无 inputs_embeds: 可选 = 无 labels: 可选 = 无 output_attentions: 可选 = 无 output_hidden_states: 可选 = 无 return_dict: 可选 = 无 ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状(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 获取。详细信息见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在填充标记索引上进行注意力的掩码。掩码值在[0, 1]
中选取:- 1 表示 未掩码 的标记;
- 0 表示 掩码 的标记。
- langs (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于指示输入中每个标记语言的并行序列。索引是语言ID,可以通过模型配置中提供的两个转换映射(仅适用于多语言模型)从语言名称获得。更具体地说,语言名称到语言ID 映射在model.config.lang2id
中(这是一个从字符串到整数的字典)和 语言ID到语言名称 映射在model.config.id2lang
中(这是一个从整数到字符串的字典)。请参阅多语言文档中的使用示例。
- token_type_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 段落标记索引,用于指示输入的第一部和第二部份。索引在[0, 1]
内选择:- 0对应于A句子标记,
- 1对应于B句子标记。
- position_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 每个输入序列标记的位置索引,用于位置嵌入。选择在范围[0, config.max_position_embeddings - 1]
内。 - lengths (形状为
(batch_size,)
的torch.LongTensor
,可选) — 用于避免对填充标记索引执行注意力的每个句子的长度。您还可以使用attention_mask(见上面)来得到相同结果(保持这里以实现兼容性)。选择索引在[0, ..., input_ids.size(-1)]
内。 - cache (
Dict[str, torch.FloatTensor]
, 可选的) — 字符串到torch.FloatTensor
的字典,包含模型预先计算的隐藏状态(注意力块中的键和值)作为模型的输出(见下文cache
输出)。可以用来加速序列解码。 - head_mask (
torch.FloatTensor
的形状为(num_heads,) 或 (num_layers, num_heads)
,可选) — 用于取消选定自注意模块的头部的掩码。掩码值在[0, 1]
中选择:- 1 表示头部 未掩码,
- 0 表示头部 掩码。
- inputs_embeds (
torch.FloatTensor
的形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选的,而不是传递input_ids
,你可以选择直接传递一个嵌入表示。当你想对如何将input_ids
索引转换为相关向量有更多控制时,这很有用,比模型的内部嵌入查找矩阵更有效。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。详细信息请参见返回的张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。详细信息请参见返回的张量中的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回ModelOutput对象而非平凡元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 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)。
返回
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
)包含的各种元素取决于配置(XLMConfig)和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, 当labels
被提供时返回) — 分类(或当config.num_labels==1
时的回归)损失。 -
logits (
torch.FloatTensor
of shape(batch_size, config.num_labels)
) — 分类(当config.num_labels == 1
时的回归)分数(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
The XLMForSequenceClassification 前向方法,覆盖了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
单标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, XLMForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForSequenceClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_id = logits.argmax().item()
>>> # 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 = XLMForSequenceClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048", num_labels=num_labels)
>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
多标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, XLMForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForSequenceClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048", 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 = XLMForSequenceClassification.from_pretrained(
... "FacebookAI/xlm-mlm-en-2048", 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
XLMForMultipleChoice
类 transformers.XLMForMultipleChoice
< source >( config *inputs **kwargs )
参数
- config (XLMConfig) — 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,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
带有顶部多选择分类头(在池化输出顶部的一个线性层和softmax)的XLM模型(例如,用于RocStories/SWAG任务)。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< source >(input_ids: 可选 = Noneattention_mask: 可选 = Nonelangs: 可选 = Nonetoken_type_ids: 可选 = Noneposition_ids: 可选 = Nonelengths: 可选 = Nonecache: 可选 = Nonehead_mask: 可选 = Noneinputs_embeds: 可选 = Nonelabels: 可选 = Noneoutput_attentions: 可选 = Noneoutput_hidden_states: 可选 = Nonereturn_dict: 可选 = None ) → transformers.modeling_outputs.MultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, num_choices, sequence_length)
) — 输入序列标记的词库索引。可以通过 AutoTokenizer 获取索引。详见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
of shape(batch_size, num_choices, sequence_length)
, optional) — 用于避免对填充token索引执行注意力的掩码。选择的掩码值在[0, 1]
之间:- 1 表示 未掩码的token,
- 0 表示 掩码的token。
- langs (
torch.LongTensor
of shape(batch_size, num_choices, sequence_length)
, optional) — 体现输入中每个token语言的并行token序列。索引是语言ID,可从模型配置中提供的两个转换映射中获取(仅针对多语言模型)。更确切地说,语言名到语言ID映射在model.config.lang2id
中(一个字符串到整数的字典)和语言ID到语言名映射在model.config.id2lang
中(一个整数到字符串的字典)。请参阅多语言文档中的详细使用示例。
- token_type_ids (
torch.LongTensor
of shape(batch_size, num_choices, sequence_length)
, optional) — 用于指示输入部分是第一还是第二部分的段token索引。索引选自[0, 1]
:- 0 对应于 句子A token,
- 1 对应于 句子B token。
- position_ids (
torch.LongTensor
形状(batch_size, num_choices, sequence_length)
,可选) — 各输入序列词元的位置编号。选择在[0, config.max_position_embeddings - 1]
范围内。 - lengths (
torch.LongTensor
形状(batch_size,)
,可选) — 每个句子的长度,可用于避免对填充标记索引执行注意力操作。您也可以使用 attention_mask 达到相同的效果(见上方),此处保留以保持兼容性。选择索引范围为[0, ..., input_ids.size(-1)]
。 - cache (
Dict[str, torch.FloatTensor]
,可选) — 包含由模型(以下文中的cache
输出)预先计算的隐藏状态(注意块的键和值)的字典字符串到torch.FloatTensor
。可用于加速顺序解码。字典对象将在前向传递过程中原地修改,以添加新计算的隐藏状态。
- head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, optional) — 空白化所选头部的自我注意力模块的掩码。掩码值在[0, 1]
内选中:- 1表示头部没有空白化
- 0表示头部空白化
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, num_choices, sequence_length, hidden_size)
, optional) — 可选地,直接传递嵌入表示,而不是输入input_ids
。当您希望比模型内部嵌入查找矩阵有更多控制权时,将其转换为相关向量时,这样做很有用。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详情,请参阅返回的张量下的attentions
。 - output_hidden_states (
bool
, 可选) —— 是否返回所有层的隐藏状态。更多细节请参考返回张量下的hidden_states
。 - return_dict (
bool
, 可选) —— 是否而不是普通的元组返回ModelOutput。 - labels (
torch.LongTensor
形状(batch_size,)
,可选) —— 用于计算多选分类损失的标签。索引应该在[0, ..., num_choices-1]
之间,其中num_choices
是输入张量的第二维大小。(参看上面的input_ids
)
返回
transformers.modeling_outputs.MultipleChoiceModelOutput或tuple(torch.FloatTensor)
transformers.modeling_outputs.MultipleChoiceModelOutput或一组torch.FloatTensor
(如果return_dict=False
传递或当 config.return_dict=False
),它们包括根据配置(XLMConfig)和输入不同元素。
-
loss(
torch.FloatTensor
形状(1,),可选,在提供labels
时返回)—— 分类损失。 -
logits (
torch.FloatTensor
形状为(batch_size, num_choices)
) — num_choices 是输入张量的第二个维度。(见上述 input_ids)。分类得分(SoftMax 之前)。
-
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
XLMForMultipleChoice 前向方法,重写了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMForMultipleChoice
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForMultipleChoice.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> labels = torch.tensor(0).unsqueeze(0) # choice0 is correct (according to Wikipedia ;)), batch size 1
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="pt", padding=True)
>>> outputs = model(**{k: v.unsqueeze(0) for k, v in encoding.items()}, labels=labels) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> loss = outputs.loss
>>> logits = outputs.logits
XLMForTokenClassification
class transformers.XLMForTokenClassification
< source >( config )
参数
- config (XLMConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载模型相关联的权重,只加载配置。检查 from_pretrained() 方法以加载模型权重。
在 XLM 模型顶部添加分词分类头(在隐藏状态输出之上的一层线性层),例如,用于命名实体识别 (NER) 任务。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< 源代码 >( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 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.TokenClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
)— 词汇表中的输入序列单词索引。可以使用 AutoTokenizer 来获取索引。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 获取详细信息。
- attention_mask (可选,形状为
(batch_size, sequence_length)
的torch.FloatTensor
)— 用于避免对填充标记索引进行注意力的掩码。掩码值选择在[0, 1]
:- 1 对于 未掩码 的标记,
- 0 对于 掩码 的标记。
- langs (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 用于表示每个输入中每个标记语言的并行标记序列。索引为语言id,可以通过模型配置中提供的两个转换映射从语言名称获得(仅适用于多语言模型)。更准确地说,语言名称到语言id 的映射在model.config.lang2id
中(这是一个字符串到整数的字典)和 语言id到语言名称 的映射在model.config.id2lang
中(整数到字符串的字典)。 - token_type_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 用于指示输入的两个部分的第一部分和第二部分的标记段索引。索引在[0, 1]
范围内:- 0 代表 句子 A 标记,
- 1 代表 句子 B 标记。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 输入序列中的每个标记位置的索引。选择在范围[0, config.max_position_embeddings - 1]
内。什么是位置 ID? - lengths (
torch.LongTensor
of shape(batch_size,)
, 可选) — 每个句子的长度,可以用于避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 获取相同的结果(见上述内容),此处保留以保持兼容性。选取的索引在[0, ..., input_ids.size(-1)]
。 - cache (
Dict[str, torch.FloatTensor]
, 可选) — 字典字符串到torch.FloatTensor
的映射,包含由模型预先计算的隐藏状态(注意力的键和值)作为本次计算的结果(参见下面的cache
输出)。可用于加快序列解码速度。在正向传输过程中,字典对象将被就地修改以添加新计算的隐藏状态。
- head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, 可选) — 用于屏蔽自注意力模块选定头的掩码。掩码值选择在[0, 1]
:- 1 表示该头 未被屏蔽,
- 0 表示该头被 屏蔽。
- inputs_embeds (
torch.FloatTensor
形状(batch_size, sequence_length, hidden_size)
,可选) — 可以选择直接传递嵌入表示,而不是传递input_ids
。这在您想要比模型内部嵌入查找矩阵有更多控制如何将input_ids
索引转换为相关向量时非常有用。 - output_attentions (
bool
,可选) — 是否返回所有注意力的张量。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
。 - return_dict (
bool
, 可选项) —— 是否返回一个模型输出而不是一个常规元组。 - labels (
形状为 (批大小, 序列长度) 的 torch.LongTensor
, 可选项) —— 用于计算标记分类损失的标签。索引应为[0, ..., config.num_labels - 1]
。
返回
transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.TokenClassifierOutput 或一个包含不同元素(取决于配置(XLMConfig)和输入)的 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时)
-
loss (
形状为 (1,) 的 torch.FloatTensor
, 可选项,当提供labels
时返回) —— 分类损失。 -
logits (
形状为 (批大小, 序列长度, config.num_labels)
的 torch.FloatTensor) —— 分类分数(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
XLMForTokenClassification 的前向方法覆盖了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMForTokenClassification
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForTokenClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> 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]]
>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss
XLMForQuestionAnsweringSimple
类 transformers.XLMForQuestionAnsweringSimple
< source >( config )
参数
- config (XLMConfig) — 模型配置类,包含所有模型参数。使用配置文件初始化时,不会加载模型对应的权重,只加载配置。查看 from_pretrained() 方法以加载模型权重。
在XLM模型上添加了span分类头,适用于像SQuAD这样的抽取式问题回答任务(在隐藏状态输出上方添加线性层以计算span起始logits和span终止logits)。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< source >( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None start_positions: 可选 = None end_positions: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 词汇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.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
的形状为(batch_size, sequence_length)
, 可选) — 避免在填充标记索引上执行注意力的掩码。在[0, 1]
中选择的掩码值:- 1 代表 未掩码 的标记,
- 0 代表 掩码 的标记。
- langs (
torch.LongTensor
的形状为(batch_size, sequence_length)
,可选) — 要用于表示输入中每个标记语言的并行标记序列。索引是语言 ID,可以从模型配置中提供的两种转换映射(仅在多语言模型中提供)中获取。更精确地说,语言名称到语言 ID 映射在model.config.lang2id
中(它是一个字符串到整数的字典)和 语言 ID 到语言名称 映射在model.config.id2lang
中(整数到字符串的字典)。请参阅 多语言文档 中的使用示例。
- token_type_ids (
torch.LongTensor
的形状为(batch_size, sequence_length)
,可选) — 用于指示输入的第一部分和第二部分的段标记索引。索引在[0, 1]
中选择:- 0 代表 句子 A 标记,
- 1 代表 句子 B 标记。
- head_mask (
torch.FloatTensor
形状(num_heads,)
或(num_layers, num_heads)
,可选) — 使自我注意模块中选定的头部失效的掩码。掩码值选自[0, 1]
:- 1 表示头部 未掩码,
- 0 表示头部 已掩码。
- inputs_embeds (
torch.FloatTensor
形状(batch_size, sequence_length, hidden_size)
,可选) — 可以选择直接传递嵌入表示,而不是传递input_ids
。这在您希望比模型的内部嵌入查找矩阵有更多控制如何将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高斯张量。有关返回张量中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。有关返回张量下hidden_states
的详细信息,请参阅。 - return_dict (
bool
, 可选) — 是否返回ModelOutput 而不是普通元组。 - start_positions (
torch.LongTensor
形状为(batch_size,)
, 可选) — 指定位(索引)开始标记的标签,用于计算token分类损失。位置会被限制在序列长度(sequence_length
)内。序列之外的位置在计算损失时不会被考虑。 - end_positions (
torch.LongTensor
of shape(batch_size,)
, optional) — 标记的跨度末尾位置(索引)的标签,用于计算token分类损失。位置限制在序列长度(sequence_length
)内。序列之外的位置不计入损失计算。
返回
transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.QuestionAnsweringModelOutput 或一个torch.FloatTensor
的元组(如果传入 return_dict=False
或者当 config.return_dict=False
),包含根据配置(XLMConfig)和输入计算的各个元素。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 总跨度提取损失是起始和结束位置交叉熵的总和。 -
start_logits (
torch.FloatTensor
of shape(batch_size, sequence_length)
) — 跨度起始分数(在SoftMax之前)。 -
end_logits (
torch.FloatTensor
of shape(batch_size, sequence_length)
) — 跨度结束分数(在SoftMax之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,然后每个层的输出)的形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的 hidden-states 以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
The XLMForQuestionAnsweringSimple 前向方法,覆盖了特殊方法 __call__
。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMForQuestionAnsweringSimple
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForQuestionAnsweringSimple.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])
>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
XLMForQuestionAnswering
class transformers.XLMForQuestionAnswering
< 源代码 >( config )
参数
- 配置 (XLMConfig) — 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,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
具有beam-search跨度分类头部的XLM模型,用于SQuAD(一种提取式问答任务)等任务,顶部的线性层计算隐藏状态输出中的跨度开始logits和跨度结束logits。
该模型继承自 PreTrainedModel。请查阅超类文档,以了解库为其所有模型实现的基本方法(如下载或保存、调整输入嵌入、剪枝头等。)
该模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解有关通用使用和行为的所有相关事项。
forward
< 源代码 >( input_ids: 可选 = None attention_mask: 可选 = None langs: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None lengths: 可选 = None cache: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None start_positions: 可选 = None end_positions: 可选 = None is_impossible: 可选 = None cls_index: 可选 = None p_mask: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.models.xlm.modeling_xlm.XLMForQuestionAnsweringOutput 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。可以使用 AutoTokenizer 获得索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
形状(batch_size, sequence_length)
,可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选中在[0, 1]
:- 1 表示 未掩码 的标记,
- 0 表示 掩码 的标记。
- langs (
torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 用于表示输入中每个标记的语言的并行标记序列。索引为语言ID,可以通过在模型配置中提供的两个转换映射从语言名称获得(仅适用于多语言模型)。更精确地说,语言名称到语言ID的映射在model.config.lang2id
中(这是一个字符串到整数的字典)和语言ID到语言名称的映射在model.config.id2lang
中(整数到字符串的字典)。 - token_type_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 段标记索引,用于指示输入的第一部分和第二部分。索引选择在[0, 1]
范围内:- 0 代表 句子 A 标记,
- 1 代表 句子 B 标记。
- 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。选择范围[0, config.max_position_embeddings - 1]
。 - lengths (
torch.LongTensor
of shape(batch_size,
, 可选) — 用于避免在填充标记索引上执行注意力的每个句子的长度。您也可以使用 attention_mask 来获得相同的结果(见上文),这里保留是为了兼容性。索引选择在[0, ..., input_ids.size(-1)]
。 - cache (
Dict[str, torch.FloatTensor]
, 可选) — 包含由模型计算出的预先计算的隐藏状态(注意力块中的键和值)的字符串到torch.FloatTensor
的字典,以加快序列解码的速度。在正向传递过程中,该字典对象将被就地修改,以添加新计算的隐藏状态。
- head_mask (
torch.FloatTensor
of shape(num_heads,)
or(num_layers, num_heads)
, optional) — 用于取消自我注意力模块中选定头部的掩码。掩码值在[0, 1]
中选定:- 1 表示头部未被掩码,
- 0 表示头部被掩码。
- inputs_embeds (
torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 可选,可以直接传人嵌入表示而不传递input_ids
,这在你想比模型内部的嵌入查找矩阵有更多控制如何将input_ids
索引转换为相关向量时很有用。 - output_attentions (
bool
, optional) — 是否返回所有注意层张量的注意力。请参阅返回张量中的attentions
以获取更多信息。 - output_hidden_states (
布尔型
,可选) — 是否返回所有层的隐藏状态。有关返回张量中hidden_states
的更多详情,请参阅。 - return_dict (
布尔型
,可选) — 是否返回一个 ModelOutput 而不是普通的元组。 - start_positions (
torch.LongTensor
形状为(batch_size,)
,可选) — 标注跨度起始位置的标签(索引),用于计算token分类损失。位置被限制在序列长度(sequence_length
)内。序列外的位置在计算损失时不考虑。 - end_positions (形状为
torch.LongTensor
的(batch_size,)
,为可选参数)— 标注跨度的起始和结束位置,用于计算分类损失。 - is_impossible (形状为
torch.LongTensor
的(batch_size,)
,为可选参数)— 标注一个问题是否有答案或没有答案(SQuAD 2.0)。 - cls_index (形状为
torch.LongTensor
的(batch_size,)
,为可选参数)— 用于计算答案可信度的分类标志位置的标签。 - (
torch.FloatTensor
形状为(batch_size, sequence_length)
,可选) — 不可出现在答案中的标记的可选掩码(例如 [CLS],[PAD],…)。1.0 表示标记应该被掩码。0.0 表示标记未被掩码。
返回
transformers.models.xlm.modeling_xlm.XLMForQuestionAnsweringOutput 或 tuple(torch.FloatTensor)
返回结果为 transformers.models.xlm.modeling_xlm.XLMForQuestionAnsweringOutput 或包含多个元素的 tuple (如果传入 return_dict=False
或者 config.return_dict=False
),这些元素根据配置 (XLMConfig) 和输入而变化。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,如果同时提供了start_positions
和end_positions
) — 分类损失,作为开始标记、结束标记(以及是否可能,如果提供)分类损失的加和。 -
start_top_log_probs (
torch.FloatTensor
形状为(batch_size, config.start_n_top)
,可选,如果没有提供start_positions
或end_positions
) — top config.start_n_top 开始标记可能性的对数概率( beam-search)。 -
start_top_index (
torch.LongTensor
形状为(batch_size, config.start_n_top)
,可选,如果没有提供start_positions
或end_positions
) — top config.start_n_top 开始标记可能性的索引( beam-search)。 -
end_top_log_probs (
torch.FloatTensor
形状为(batch_size, config.start_n_top * config.end_n_top)
,可选,如果没有提供start_positions
或end_positions
) — topconfig.start_n_top * config.end_n_top
结束标记可能性的对数概率( beam-search)。 -
end_top_index (
torch.LongTensor
形状为(batch_size, config.start_n_top * config.end_n_top)
,可选,如果没有提供start_positions
或end_positions
) — topconfig.start_n_top * config.end_n_top
结束标记可能性的索引( beam-search)。 -
cls_logits (
torch.FloatTensor
形状为(batch_size,)
,可选,如果没有提供start_positions
或end_positions
) — 答案中is_impossible
标签的对数概率。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传入output_hidden_states=True
或config.output_hidden_states=True
时返回) — 包含每个层的输出及其初始嵌入输出的torch.FloatTensor
tuple(一个用于嵌入输出,一个用于每层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出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config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个)的形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
XLMForQuestionAnswering 的前进方法覆盖了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, XLMForQuestionAnswering
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = XLMForQuestionAnswering.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> input_ids = torch.tensor(tokenizer.encode("Hello, my dog is cute", add_special_tokens=True)).unsqueeze(
... 0
... ) # Batch size 1
>>> start_positions = torch.tensor([1])
>>> end_positions = torch.tensor([3])
>>> outputs = model(input_ids, start_positions=start_positions, end_positions=end_positions)
>>> loss = outputs.loss
TFXLMModel
类 transformers.TFXLMModel
< source >( config *inputs **kwargs )
参数
- config (XLMConfig) — 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。使用from_pretrained()方法加载模型权重。
仅输出原始隐藏状态的裸 XLM 模型转换器,没有顶部任何特定头。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< source >( input_ids: TFModelInputType | None = None attention_mask: tf.Tensor | None = None langs: tf.Tensor | None = None token_type_ids: tf.Tensor | None = None position_ids: tf.Tensor | None = None lengths: tf.Tensor | None = None cache: Dict[str, tf.Tensor] | None = None head_mask: tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: bool | None = None output_hidden_states: bool | None = None return_dict: bool | None = None training: bool = False ) → transformers.modeling_tf_outputs.TFBaseModelOutput 或 tuple(tf.Tensor)
参数
- input_ids (
Numpy 数组
或tf.Tensor
形状为(batch_size, sequence_length)
) — 输入序列令牌在词汇表中的索引。可以通过 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask(
NumPy数组
或shape为(batch_size, sequence_length)
的tf.Tensor
,可选) — 避免在填充标记索引上执行注意力操作的掩码。在[0, 1]
之间选择的掩码值:- 对于没有被掩码的标记为1,
- 对于被掩码的标记为0。
- langs(shape为
(batch_size, sequence_length)
的tf.Tensor
或NumPy数组
,可选) — 用于指示输入中每个标记语言的并行标记序列。索引是语言ID,可以通过使用模型配置中提供的两个转换映射从语言名称中获取(仅适用于多语言模型)。更具体地说,语言名称到语言ID映射在model.config.lang2id
中(这是一个字符串到整数的字典)和语言ID到语言名称映射在model.config.id2lang
中(整数到字符串的字典)。请参阅多语言文档中的使用示例。
- token_type_ids (
Numpy 数组
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选)— 用于指示输入的第一个和第二个部分的段标记索引。索引选择在[0, 1]
之间:- 0 对应于 A 句 标记;
- 1 对应于 B 句 标记。
- position_ids (
Numpy 数组
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位置索引。选择的范围为[0, config.max_position_embeddings - 1]
。 - lengths (
tf.Tensor
或Numpy 数组
,形状为(batch_size,)
,可选)— 每个句子的长度,可用来避免在填充标记索引上执行注意力操作。您也可以使用 attention_mask 来得到相同的结果(见上方),此处保留以保持兼容性。索引选择在[0, ..., input_ids.size(-1)]
之间。 - cache (
Dict[str, tf.Tensor]
,可选) —— 包含预计算隐藏状态(注意力块的键和值)的字符串到tf.Tensor
的字典,由模型计算得出(参见下文cache
输出)。可用于加速序列解码。 - head_mask (
Numpy array
或tf.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) —— 用于消除自注意力模块中选择头部的掩码。掩码值选在[0, 1]
之间:- 1 表示头部 未掩码,
- 0 表示头部 已掩码。
- inputs_embeds (
tf.Tensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) —— 可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想对将input_ids
索引转换为相关向量的方式有更多控制,这非常有用,而不是使用模型的内部嵌入查找矩阵。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。此参数只能在紧急模式下使用,在图形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。有关更多详细信息,请参阅返回张量下的hidden_states
。此参数只能在紧急模式下使用,在图形模式下将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回一个ModelOutput 而不是普通的元组。此参数可以在紧急模式下使用,在图形模式下,值始终为 True。 - 训练 (
bool
, 可选, 默认为False
) — 是否使用模型在训练模式(某些模块如dropout模块在训练和评估时有不同的行为)。
返回
transformers.modeling_tf_outputs.TFBaseModelOutput 或 tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFBaseModelOutput 或一个包含 tf.Tensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
),具体取决于配置(《XLMConfig》)和输入。
-
最后隐藏状态 (
tf.Tensor
的形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层的隐藏状态序列。 -
隐藏状态 (
tuple(tf.FloatTensor)
, 可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 一个tf.Tensor
的元组(一个用于嵌入层的输出,一个用于每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMModel 的前向方法覆盖了特殊方法 `__call__`。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMModel
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMModel.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> last_hidden_states = outputs.last_hidden_state
TFXLMWithLMHeadModel
class transformers.TFXLMWithLMHeadModel
< 源代码 >( config *inputs **kwargs )
参数
- config (XLMConfig) — 模型配置类,包含模型的全部参数。用配置文件初始化时不会加载模型相关的权重,只加载配置。请查看from_pretrained()方法来加载模型权重。
具有语言模型头(线性层,权重与输入嵌入相关联)的XLM模型转换器。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< 源代码 >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = 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 training: bool = False ) → transformers.models.xlm.modeling_tf_xlm.TFXLMWithLMHeadModelOutput
or tuple(tf.Tensor)
参数
- input_ids (
Numpy array
或tf.Tensor
,形状为(batch_size, sequence_length)
) — 输入序列中词表中的标记索引。 - attention_mask (Numpy array 或 tf.Tensor,形状
(batch_size, sequence_length)
,可选)—— 用于避免在填充token索引执行注意力的掩码。掩码值选择在[0, 1]
:- 1 为 未掩码 的token;
- 0 为 掩码 的token。
- langs (tf.Tensor 或 Numpy array,形状
(batch_size, sequence_length)
,可选)—— 用于指示输入中每个token的语言的并行token序列。索引是语言ID,可以通过模型配置中的两个转换映射从语言名称中获取(仅为多语言模型提供)。更精确地说,语言名称到语言ID 映射在 `model.config.lang2id` 中(这是一个字符串到整数的字典)和B `语言ID到语言名称` 映射在 `model.config.id2lang` 中(整数到字符串的字典)。请参阅 多语言文档 中的使用示例细节。
- token_type_ids(
numpy数组
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选)— 段标记索引,用于指明输入的第一部分和第二部分。索引选择在[0, 1]
:- 0 对应 句子A 标记,
- 1 对应 句子B 标记。
- position_ids(
numpy数组
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。选择在[0, config.max_position_embeddings - 1]
范围内。 - lengths(
tf.Tensor
或numpy数组
,形状为(batch_size,)
,可选)— 每个句子的长度,可用于避免对填充标记索引执行注意力运算。您也可以使用attention_mask获得相同的结果(参见上方),此处保留以保持兼容性。索引选择在[0, ..., input_ids.size(-1)]
内。 - 缓存 ( كماية
Dict[str, tf.Tensor]
،选填 ) —— 包含由模型(参见下面的cache
输出)计算得到的预计算隐藏状态(关注块中的键和值)的字符串到tf.Tensor
的字典。可以用于加速序列解码。 - 头部掩码 (
Numpy array
或tf.Tensor
形状(num_heads,)
或(num_layers, num_heads)
,选填 ) —— 用于屏蔽自关注模块中选择头部。掩码值选在[0, 1]
:- 1 表示头部 没有被屏蔽 ,
- 0 表示头部 被屏蔽 。
- 输入嵌入 (
tf.Tensor
形状(batch_size, sequence_length, hidden_size)
,选填 ) —— 可以选择直接传递嵌入表示而不是传递input_ids
。如果您想在将input_ids
索引转换为相关向量方面比模型内部的嵌入查找矩阵有更多的控制,则非常有用。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。此参数只能在 eager 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。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 ModelOutput 而不是普通元组。此参数可以在 eager 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
) — 是否使用模型处于训练模式(一些模块,如dropout模块,在训练模式和评估模式间有不同的行为)。
返回
transformers.models.xlm.modeling_tf_xlm.TFXLMWithLMHeadModelOutput
或 tuple(tf.Tensor)
A transformers.models.xlm.modeling_tf_xlm.TFXLMWithLMHeadModelOutput
或一个tf.Tensor
元组(如果传入return_dict=False
或当config.return_dict=False
时),它包含根据配置(《a
-
logits (
tf.Tensor
,形状(batch_size, sequence_length, config.vocab_size)
) — 语言模型头的预测分数(SoftMax前的每个词汇表的分数)。 -
hidden_states (
tuple(tf.Tensor)
,可选,如果传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于嵌入层的输出,一个用于每一层的输出)。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMWithLMHeadModel forward方法,重写了特殊方法__call__。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMWithLMHeadModel
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMWithLMHeadModel.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> logits = outputs.logits
TFXLMForSequenceClassification
类 transformers.TFXLMForSequenceClassification
< source >( config *inputs **kwargs )
参数
- config (XLMConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只有配置。请查看from_pretrained()方法以加载模型权重。
.XLM 模型,在序列分类/回归头部之上(在池化输出之上的一层线性层)进行建模,例如用于 GLUE 任务。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = 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: bool = False ) → transformers.modeling_tf_outputs.TFSequenceClassifierOutput or tuple(tf.Tensor)
参数
- input_ids (
Numpy array
ortf.Tensor
of 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 获得。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy数组
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选取在[0, 1]
之间:- 1 表示未筛选的标记,
- 0 表示屏蔽的标记。
- langs (
tf.Tensor
或Numpy数组
,形状为(batch_size, sequence_length)
,可选) — 用于指明输入中每个标记的语言的并行序列。索引是语言ID,可以通过模型配置中提供的两种转换映射获得(仅适用于多语言模型)。更确切地说,语言名到语言ID映射位于model.config.lang2id
(这是一个字符串到整数的字典)中,而语言ID到语言名映射位于model.config.id2lang
(一个整数到字符串的字典)中。有关用法示例,请参阅多语言文档。
- token_type_ids (
Numpy数组
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于指明输入输入第一和第二部分的标记段索引。索引选取在[0, 1]
之间:- 0 对应于句子A标记,
- 1 对应于句子B标记。
- position_ids (
Numpy数组
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位置索引。在范围[0, config.max_position_embeddings - 1]
中选择。 - lengths (
tf.Tensor
或Numpy数组
,形状为(batch_size,)
,可选) — 每个句子的长度,可用于避免在填充标记索引上执行注意力操作。您也可以使用attention_mask来获得相同的结果(见上面),这里保留以保持兼容性。选择的索引在[0, ..., input_ids.size(-1)]
范围内。 - cache (
Dict[str, tf.Tensor]
,可选) — 字典字符串到tf.Tensor
的映射,该映射包含模型(参见下文的cache
输出)预先计算的隐藏状态(注意力块的键和值)。可以用于加速序列解码。在正向传递过程中,字典对象将就地修改以添加新计算的隐藏状态。
- 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,请参阅返回张量中的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。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。此参数可用于急切模式,在图模式下总是设置为 True。 - training (
bool
, 可选,默认为False
) — 是否使用训练模式的模型(一些模块如dropout模块在训练和评估模式中有不同的行为)。 - labels (
tf.Tensor
形状(batch_size,)
,可选) — 序列分类/回归损失的计算标签。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(均方误差损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
A transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一个包含 tf.Tensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
),根据配置(XLMConfig)和输入包含各种元素。
-
loss (
tf.Tensor
形状(batch_size, )
,可选,当提供labels
时返回) — 分类(或如果config.num_labels==1
则为回归)损失。 -
logits (
tf.Tensor
形状(batch_size, config.num_labels)
) — 分类(或如果config.num_labels==1
则为回归)得分(在 SoftMax 之前)。 -
hidden_states (
tuple(tf.Tensor)
,可选,如果传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于嵌入层的输出,一个用于每一层的输出)。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMForSequenceClassification 的前向方法,覆盖了特殊方法 __call__
。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMForSequenceClassification
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMForSequenceClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> logits = model(**inputs).logits
>>> predicted_class_id = int(tf.math.argmax(logits, axis=-1)[0])
>>> # 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 = TFXLMForSequenceClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048", num_labels=num_labels)
>>> labels = tf.constant(1)
>>> loss = model(**inputs, labels=labels).loss
TFXLMForMultipleChoice
类 transformers.TFXLMForMultipleChoice
< source >( config *inputs **kwargs )
参数
- 配置 (XLMConfig) — 模型配置类,包含所有模型参数。使用配置文件初始化不会加载与模型相关的权重,只有配置。请查看 from_pretrained() 方法来加载模型权重。
带有顶部多选择分类头(在池化输出顶部的一个线性层和softmax)的XLM模型(例如,用于RocStories/SWAG任务)。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< 来源 >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = 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: bool = False ) → transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput or tuple(tf.Tensor)
参数
- input_ids (
Numpy array
ortf.Tensor
of shape(batch_size, num_choices, sequence_length)
) — 输入序列令牌的词汇索引。索引可以使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy数组
或tf.Tensor
,形状为(batch_size, num_choices, sequence_length)
,可选)—— 用于避免在填充token索引上执行注意力的掩码。掩码值选在[0, 1]
上:- 1 对应于 未掩码 的token,
- 0 对应于 掩码 的token。
- langs (
tf.Tensor
或Numpy数组
,形状为(batch_size, num_choices, sequence_length)
,可选)—— 用来指示输入中每个token语言的一个平行的token序列。索引为语言id,可以通过模型配置中的两种转换映射获得(仅适用于多语言模型)。更准确地说,语言名称到语言id 映射在model.config.lang2id
中(这是一个字符串到整数的字典),而 语言id到语言名称 映射在model.config.id2lang
中(这是一个整数到字符串的字典)。请参阅 多语言文档 中的详细使用示例。
- token_type_ids (
Numpy数组
或tf.Tensor
,形状为(batch_size, num_choices, sequence_length)
,可选)—— 用于指示输入中第一部分和第二部分的段token索引。索引选在[0, 1]
上:- 0 对应于 句子 A token,
- 1 对应于 句子 B token。
- position_ids(《NumPy数组》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位置索引。在[0, config.max_position_embeddings - 1]
的范围内选择。 - lengths(《tf.Tensor》或《NumPy数组》,形状为
(batch_size,)
,可选)— 每个句子的长度,可用于避免在填充标记索引上执行注意操作。您也可以使用attention_mask获得相同的结果(见上文),此处保留以兼容性。选择索引在[0, ..., input_ids.size(-1)]
之间。 - cache(《Dict[str, tf.Tensor]》,可选)— 字典字符串到
tf.Tensor
的映射,其中包含模型计算出的预计算的隐藏状态(注意力块中的键和值)(参见下面的cache
输出)。可用于加速顺序解码。在正向传递期间,字典对象将被就地修改以添加新计算的隐藏状态。
- head_mask (
Numpy数组
或tf.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于屏蔽自注意力模块选中头的掩码。掩码值选择在[0, 1]
:- 1 表示头未 屏蔽,
- 0 表示头 屏蔽。
- inputs_embeds (
tf.Tensor
,形状为(batch_size, num_choices, sequence_length, hidden_size)
,可选) — 可选地,直接传递嵌入表示,而不是传递input_ids
。这在您想比模型内部嵌入查找矩阵有更多 kontro li nad právě exprimované indexyinput_ids
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。有关更多详细信息,请参阅返回的张量下的attentions
。此参数只能在 eager 模式下使用,在 graph 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。有关返回的张量下的详细信息,请参见hidden_states
。此参数只能在急切模式中使用,在图模式中,将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回ModelOutput而不是一个原始的元组。这个参数可以在急切模式中使用,在图模式中该值总是设置为True。 - training (
bool
, 可选,默认为False
) — 是否将以训练模式使用模型(某些模块如dropout模块在训练和评估之间有不同的行为)。
返回
transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或 tuple(tf.Tensor)
A transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或一个tf.Tensor元组(如果传递了return_dict=False
或者当config.return_dict=False
时),包含各种元素,取决于配置(XLMConfig)和输入。
-
loss (
tf.Tensor
,形状为 (batch_size, ),可选,当提供labels
时返回) — 分类损失。 -
logits (
tf.Tensor
的形状为(batch_size, num_choices)
) - num_choices 是输入张量的第二维度。(参见上面 input_ids 的描述)。分类得分(SoftMax 之前)。
-
hidden_states (
tuple(tf.Tensor)
,可选,如果传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于嵌入层的输出,一个用于每一层的输出)。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMForMultipleChoice 的 forward 方法覆盖了 __call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMForMultipleChoice
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMForMultipleChoice.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="tf", padding=True)
>>> inputs = {k: tf.expand_dims(v, 0) for k, v in encoding.items()}
>>> outputs = model(inputs) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> logits = outputs.logits
TFXLMForTokenClassification
类 transformers.TFXLMForTokenClassification
< source >( config *inputs **kwargs )
参数
- config (XLMConfig) - 包含所有模型参数的配置类。使用配置文件初始化时不会加载模型相关联的权重,只加载配置。请查看 from_pretrained() 方法以加载模型权重。
在 XLM 模型顶部添加分词分类头(在隐藏状态输出之上的一层线性层),例如,用于命名实体识别 (NER) 任务。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = 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: bool = False ) → transformers.modeling_tf_outputs.TFTokenClassifierOutput or tuple(tf.Tensor)
参数
- input_ids (
Numpy 数组
或tf.Tensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy 数组
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) — 避免对填充标记索引执行注意力的掩码。掩码值选择的范围在[0, 1]
:- 1 对未掩码的标记
- 0 对掩码的标记
- langs (
tf.Tensor
或Numpy array
形状为(batch_size, sequence_length)
,可选) —— 用于指示输入中每个标记语言的平行标记序列。索引是语言id,可由使用模型配置中提供的两个转换映射从语言名称获得(仅提供给多语言模型)。更具体地说,语言名称到语言id 映射在model.config.lang2id
中(这是一个字符串到整数的字典)和 语言id到语言名称 映射在model.config.id2lang
中(整数到字符串的字典)。 - token_type_ids (
Numpy array
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) —— 用于指示输入中前两部分和第二部分的段标记索引。索引被选为[0, 1]
:- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- position_ids (
Numpy array
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位置索引。在选择范围内[0, config.max_position_embeddings - 1]
。 - (
tf.Tensor
或Numpy array
形状为(batch_size,)
,非必需) - 每个句子的长度,可用来避免对填充标记索引执行注意力操作。您也可使用attention_mask来获取相同的结果(见上文),此处保留以保持兼容性。索引选择在[0, ..., input_ids.size(-1)]
。 - (
Dict[str, tf.Tensor]
,非必需) - 字典,其中包含模型计算的预计算隐藏状态(注意力块中的键和值),可以用于加速顺序解码。 -在正向传递中,字典对象将被就地修改,以添加新计算的隐藏状态。
- (
Numpy array
或tf.Tensor
的形状为(num_heads,)
或(num_layers, num_heads)
,非必需) - 用于使自注意力模块的选定头无效的掩码。掩码值选择在[0, 1]
:- 1表示该头未被掩码,
- 0表示该头被掩码。
- inputs_embeds (形如
tf.Tensor
的批次大小、序列长度、隐藏大小的 tensor,可选) — 可选择传递嵌入表示,而不是传递input_ids
。这在您想要比模型的内部嵌入查找矩阵更有控制权地将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。有关更多详情,请参见返回张量下的attentions
。此参数只能在急切模式中使用,在图表模式中,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。有关更多详情,请参见返回张量下的hidden_states
。此参数只能在急切模式中使用,在图表模式中,将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回模型输出而不是普通元组。这个参数可以在急切模式下使用,在图模式下将始终设置为True。 - training (
bool
, 可选, 默认值为False
) — 是否以训练模式使用模型(一些模块,如dropout模块,在训练和评估之间的行为不同)。 - labels (
tf.Tensor
的形状为(batch_size, sequence_length)
, 可选) — 用于计算标记分类损失的标签。索引应在[0, ..., config.num_labels - 1]
之间。
返回
transformers.modeling_tf_outputs.TFTokenClassifierOutput 或 tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFTokenClassifierOutput 或一个tf.Tensor
的元组(如果传递了`return_dict=False`或当`config.return_dict=False`时)包含各种元素,具体取决于配置(XLMConfig)和输入。
-
loss(《tf.Tensor的形状为
(n,)
,可选,其中n是未掩盖的标签的数量,当提供`labels`时返回) — 分类损失。 -
logits (
tf.Tensor
形状为(batch_size, sequence_length, config.num_labels)
) — 分类得分(SoftMax之前的)。 -
hidden_states (
tuple(tf.Tensor)
,可选,如果传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于嵌入层的输出,一个用于每一层的输出)。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMForTokenClassification的forward方法,会覆盖__call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMForTokenClassification
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMForTokenClassification.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> inputs = tokenizer(
... "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="tf"
... )
>>> logits = model(**inputs).logits
>>> predicted_token_class_ids = tf.math.argmax(logits, axis=-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] for t in predicted_token_class_ids[0].numpy().tolist()]
TFXLMForQuestionAnsweringSimple
class transformers.TFXLMForQuestionAnsweringSimple
< source >( config *inputs **kwargs )
参数
- config (XLMConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载与模型相关的权重,只加载配置。查看from_pretrained()方法来加载模型权重。
在XLM模型顶部带有跨度分类头,用于像SQuAD(在隐藏状态输出上有一个线性层来计算span开始logits
和span结束logits
)这样的抽取式问答任务。
此模型继承自TFPreTrainedModel。检查超类文档以获取库为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、剪枝头部等。)
此模型也是keras.Model的子类。将其作为常规TF 2.0 Keras模型使用,并参考TF 2.0文档以了解所有与一般使用和行为相关的事项。
transformers
中的TensorFlow模型和层接受两种输入格式
- 所有输入都以关键字参数形式提供(如PyTorch模型),或
- 所有输入作为第一个位置参数的列表、元组或字典。
第二种格式之所以受到支持,是因为Keras方法在将输入传递到模型和层时更喜欢这种格式。由于这种支持,当使用 model.fit()
等方法时,事情应该“自然而然”地为您而工作——只需以 model.fit()
支持的任何格式传递您的输入和标签即可!然而,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在Keras Functional
API中创建模型时,您可以使用三种方式来收集所有输入Tensor,即在第一个位置参数中:
- 仅包含
input_ids
的单个Tensor:model(input_ids)
- 一个不确定长度的列表,其中包含一个或多个按文档字符串中给出的顺序输入的Tensor:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 一个字典,其中包含一个或多个与文档字符串中给出的输入名称关联的输入Tensor:
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
注意,当通过 子类化 创建模型和层时,您无需担心这些问题,因为您只需像传递任何其他Python函数的输入一样传递输入!
调用
< 源代码 >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None langs: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None lengths: np.ndarray | tf.Tensor | None = None cache: Optional[Dict[str, tf.Tensor]] = 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 start_positions: np.ndarray | tf.Tensor | None = None end_positions: np.ndarray | tf.Tensor | None = None training: bool = False ) → transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput or tuple(tf.Tensor)
参数
- input_ids (
Numpy 数组
或tf.Tensor
形状为(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。详细信息请参阅 PreTrainedTokenizer.call() 以及 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy 数组
或tf.Tensor
形状为(batch_size, sequence_length)
,可选) — 用于避免对填充令牌索引执行注意力的掩码。掩码值选择为[0, 1]
:- 1 表示 未掩码 令牌
- 0 表示 掩码 令牌
- langs (
tf.Tensor
或Numpy array
,形状为(batch_size, sequence_length)
,可选) — 用于表示输入中每个标记语言的平行标记序列。索引为语言ID,可以通过将语言名称转换为模型配置中提供的两个转换映射来获取(仅在多语言模型中提供)。更精确地说,语言名称到语言ID 映射在model.config.lang2id
中(这是一个字符串到整数的字典)以及 语言ID到语言名称 映射在model.config.id2lang
中(整 数到字符串的字典)。 - token_type_ids (
Numpy array
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选) — 段标记索引,用于表示输入的第一部分和第二部分。索引选自[0, 1]
: - position_ids (
Numpy array
或tf.Tensor
,形状为(batch_size, sequence_length)
,可选) — 用于表示每个输入序列标记在位置嵌入中的位置的索引。选择在范围[0, config.max_position_embeddings - 1]
内。 - lengths (
tf.Tensor
或Numpy array
形状为(batch_size,)
,可选)— 每个句子的长度,可用以避免对填充标记索引执行注意力。您也可以使用 attention_mask(见上文)来获得相同的结果,此处保留以兼容旧版本。在[0, ..., input_ids.size(-1)]
中选择索引。 - cache (
Dict[str, tf.Tensor]
,可选)— 包含预计算隐藏状态(注意力块中的键和值)的字典字符串到tf.Tensor
,由模型计算(参见下文的cache
输出)。可用于加速序列解码。 - head_mask (
Numpy array
或tf.Tensor
形状为(num_heads,)
或(num_layers, num_heads)
,可选)— 用于屏蔽自注意力模块中选择的头部的掩码。掩码值的选择在[0, 1]
中:- 1 表示头部 未被屏蔽,
- 0 表示头部 被屏蔽。
- inputs_embeds (
tf.Tensor
形状(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以选择直接传入嵌入表示,而不是input_ids
。如果您希望对将input_ids
索引转换为相关向量的方式有更多控制,并且比模型的内部嵌入查找矩阵更精细,这将很有用。 - output_attentions (
bool
,可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量下的attentions
。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。有关详细信息,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。 - return_dict(《bool》,可选)— 是否返回ModelOutput而不是普通元组。此参数可在 eager 模式中使用,在 graph 模式下值始终设置为 True。
- training(《bool》,可选,默认为
False
)— 是否以训练模式使用模型(一些模块如 dropout 模块在训练和评估之间有不同的行为)。 - start_positions(《tf.Tensor》形状为
(batch_size,)
,可选)— 表示标记范围(索引)开始位置的标签,用于计算 token 分类损失。位置限制在序列长度(sequence_length
)内。序列之外的的位置在计算损失时不予考虑。 - end_positions (
tf.Tensor
of shape(batch_size,)
, optional) — 标记的跨度结尾(索引)的位置标签,用于计算token分类损失。位置限制在序列长度(sequence_length
)内。序列以外的位置不计入损失计算。
返回
transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput或tuple(tf.Tensor)
A transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput或一个tf.Tensor
的元组(如果传入了return_dict=False
或当config.return_dict=False
时),包含的各种元素取决于配置(XLMConfig)和输入。
-
loss (
tf.Tensor
of shape(batch_size, )
, optional, 当提供start_positions
和end_positions
时返回) — 总跨度提取损失是开始和结束位置的交叉熵的总和。 -
start_logits (
tf.Tensor
of shape(batch_size, sequence_length)
) — 跨度起始分数(在SoftMax之前)。 -
end_logits (
tf.Tensor
of shape(batch_size, sequence_length)
) — 跨度结束分数(在SoftMax之前)。 -
hidden_states (
tuple(tf.Tensor)
,可选,如果传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于嵌入层的输出,一个用于每一层的输出)。模型在每个层的输出以及初始嵌入输出的隐藏状态。
-
注意力 (
tuple(tf.Tensor)
, 可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) — 一个tf.Tensor
的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。
TFXLMForQuestionAnsweringSimple的前向方法,重写了__call__
特殊方法。
尽管需要在函数内部定义前向传递的配方,但应该调用之后的 Module
实例而不是这个,因为前者负责运行 pre 和 post 处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, TFXLMForQuestionAnsweringSimple
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> model = TFXLMForQuestionAnsweringSimple.from_pretrained("FacebookAI/xlm-mlm-en-2048")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="tf")
>>> outputs = model(**inputs)
>>> answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
>>> answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]