Transformers 文档

XLM

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

Models Spaces

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。

此模型由thomwolf贡献。原始代码可在此处找到:这里

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

transformers.XLMConfig

< >

( 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 XLMModelTFXLMModel 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_embbool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_embeddingsint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_stdfloat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_stdint,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_epsfloat,可选,默认为1e-12)—— 层归一化层使用的epsilon值。
  • bos_indexint,可选,默认为0)—— 词汇表中句子起始标记的索引。
  • eos_indexint,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。

    "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_labelsconfig.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XLMModelTFXLMModel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

transformers.XLMTokenizer

< >

( 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

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

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (List[int]) — 添加特殊标记的ID列表。
  • token_ids_1 (, 可选) — 序列对的第二个可选ID列表。

返回

List[int]

包含适当特殊标记的输入ID列表。

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

< >

( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) List[int]

参数

  • token_ids_0 (List[int]) — ID 列表。
  • token_ids_1 (List[int], 可选) — 可选的第二个 ID 列表,用于序列对。
  • already_has_special_tokens (bool, 可选,默认为 ) — 判断标记列表是否已经格式化为包含特殊标记的模型。

返回

List[int]

一个范围在 [0, 1] 的整数列表:1 表示特殊标记,0 表示序列标记。

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

< >

( token_ids_0: List token_ids_1: Optional = None ) List[int]

参数

  • token_ids_0 (列表[int]) — ID 列表。
  • token_ids_1 (整数列表, 可选) — 可选的第二个序列ID列表,用于序列对。

返回

List[int]

根据给定的序列生成的标记类型ID列表。

从传递给分类任务的两个序列创建掩码。一个XLM序列

配对掩码的格式如下

0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
| first sequence    | second sequence |

如果 token_ids_1None,该方法只返回掩码的第一部分(0s)。

save_vocabulary

< >

( save_directory: 字符串 filename_prefix: Optional = None )

XLM特有输出

transformers.models.xlm.modeling_xlm.XLMForQuestionAnsweringOutput

< >

( 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 both start_positions and end_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_positionsend_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_positionsend_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_positionsend_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_indextorch.LongTensor,形状为 (batch_size, config.start_n_top * config.end_n_top)可选,在没有提供 start_positionsend_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_logitstorch.FloatTensor,形状为 (batch_size,)可选,在没有提供 start_positionsend_positions 时返回)— 答案 is_impossible 标签的对数概率。
  • hidden_statestuple(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=Trueconfig.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。

Pytorch
隐藏 Pytorch 内容

XLMModel

class transformers.XLMModel

< >

( 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

< >

( 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.BaseModelOutputtuple(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。

    什么是输入ID?

  • attention_mask (形状为 (batch_size, sequence_length)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。

    注意掩码是什么?

  • langs (形状为 (batch_size, sequence_length)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,)(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.BaseModelOutputtuple(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=Trueconfig.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。

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

< >

( 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

< >

( 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.MaskedLMOutputtuple(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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。

    什么是注意力掩码?

  • 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。

    什么是段标记 ID?

  • 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。

    什么是位置 ID?

  • 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.MaskedLMOutputtuple(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=Falseconfig.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=Trueconfig.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

transformers.XLMForSequenceClassification

< >

( 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

< >

( 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.SequenceClassifierOutputtuple(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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。

    什么是注意掩码?

  • 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)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。

    什么是标记类型ID?

  • position_ids (形状为(batch_size, sequence_length)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。

    什么是位置ID?

  • lengths (形状为(batch_size,)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.SequenceClassifierOutputtuple(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=Trueconfig.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

transformers.XLMForMultipleChoice

< >

( 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

< >

(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.MultipleChoiceModelOutputtuple(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()PreTrainedTokenizer.call()

    什么是输入ID?

  • 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。

    什么是注意力掩码?

  • 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。

    什么是token类型ID?

  • 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。

    什么是位置ID?

  • 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.MultipleChoiceModelOutputtuple(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。

  • losstorch.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=Trueconfig.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

< >

( 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

< >

( 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.TokenClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length)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()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 ID?

  • attention_mask (可选,形状为 (batch_size, sequence_length)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。

    什么是注意掩码?

  • 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。
    什么是标记类型 ID?
  • 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.TokenClassifierOutputtuple(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=Trueconfig.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

transformers.XLMForQuestionAnsweringSimple

< >

( 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logitsspan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

< >

( 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.QuestionAnsweringModelOutputtuple(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()PreTrainedTokenizer.call()

    输入 ID 是什么?

  • 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。

    注意掩码是什么?

  • 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。

    标记类型 ID 是什么?

  • head_mask (torch.FloatTensor 形状 (num_heads,)(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.QuestionAnsweringModelOutputtuple(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 when labels 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=Trueconfig.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

< >

( 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

< >

( 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.XLMForQuestionAnsweringOutputtuple(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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。

    什么是注意力掩码?

  • 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。
    什么是标记类型ID?
  • 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]

    什么是位置ID?

  • 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(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(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(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.XLMForQuestionAnsweringOutputtuple(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_positionsend_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_positionsend_positions) — top config.start_n_top 开始标记可能性的对数概率( beam-search)。

  • start_top_indextorch.LongTensor 形状为 (batch_size, config.start_n_top)可选,如果没有提供 start_positionsend_positions) — top config.start_n_top 开始标记可能性的索引( beam-search)。

  • end_top_log_probstorch.FloatTensor 形状为 (batch_size, config.start_n_top * config.end_n_top)可选,如果没有提供 start_positionsend_positions) — top config.start_n_top * config.end_n_top 结束标记可能性的对数概率( beam-search)。

  • end_top_indextorch.LongTensor 形状为 (batch_size, config.start_n_top * config.end_n_top)可选,如果没有提供 start_positionsend_positions) — top config.start_n_top * config.end_n_top 结束标记可能性的索引( beam-search)。

  • cls_logitstorch.FloatTensor 形状为 (batch_size,)可选,如果没有提供 start_positionsend_positions) — 答案中 is_impossible 标签的对数概率。

  • hidden_statestuple(torch.FloatTensor)可选,当传入 output_hidden_states=Trueconfig.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=Trueconfig.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
TensorFlow
隐藏 TensorFlow 内容

TFXLMModel

transformers.TFXLMModel

< >

( 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()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])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

< >

( 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.TFBaseModelOutputtuple(tf.Tensor)

参数

  • input_ids (Numpy 数组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()PreTrainedTokenizer.encode()

    输入 ID 是什么意思?

  • attention_maskNumPy数组或shape为(batch_size, sequence_length)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。

    什么是注意力掩码?

  • langs(shape为(batch_size, sequence_length)tf.TensorNumPy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_idsNumpy 数组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。

    什么是标记类型 ID?

  • position_idsNumpy 数组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]

    什么是位置 ID?

  • lengthstf.TensorNumpy 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。
  • cacheDict[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_maskNumpy arraytf.Tensor,形状为 (num_heads,)(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_embedstf.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.TFBaseModelOutputtuple(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

< >

( 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()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])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

< >

( 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 arraytf.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。
    关于 注意掩码是什么 的更多细节。
  • 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_idsnumpy数组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。

    什么是标记类型ID?

  • position_idsnumpy数组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。

    什么是位置ID?

  • lengthstf.Tensornumpy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 arraytf.Tensor 形状 (num_heads,)(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.TFXLMWithLMHeadModelOutputtuple(tf.Tensor)

A transformers.models.xlm.modeling_tf_xlm.TFXLMWithLMHeadModelOutput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)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

transformers.TFXLMForSequenceClassification

< >

( 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()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])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

< >

( 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 or tf.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()PreTrainedTokenizer.encode()

    什么是输入ID?

  • attention_mask (Numpy数组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。

    什么是注意力掩码?

  • langs (tf.TensorNumpy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。

    什么是标记类型ID?

  • position_ids (Numpy数组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。

    什么是位置ID?

  • lengths (tf.TensorNumpy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.TFSequenceClassifierOutputtuple(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。

  • losstf.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。

  • logitstf.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)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

transformers.TFXLMForMultipleChoice

< >

( 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()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])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

< >

( 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 or tf.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()PreTrainedTokenizer.encode()

    什么是输入ID?

  • attention_maskNumpy数组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。

    什么是注意力掩码?

  • langstf.TensorNumpy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_idsNumpy数组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。

    什么是token类型ID?

  • 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。

    什么是位置ID?

  • 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_maskNumpy数组tf.Tensor,形状为 (num_heads,)(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_embedstf.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 indexy input_ids 时很有用。
  • output_attentionsbool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.TFMultipleChoiceModelOutputtuple(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)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

transformers.TFXLMForTokenClassification

< >

( 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()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])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

< >

( 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_idsNumpy 数组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()PreTrainedTokenizer.encode()

    输入 ID 是什么?

  • attention_maskNumpy 数组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

    什么是注意力掩码?

  • langs (tf.TensorNumpy 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 arraytf.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 arraytf.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]

    什么是位置ID?

  • (tf.TensorNumpy 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 arraytf.Tensor的形状为(num_heads,)(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_attentionsbool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_statesbool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.TFTokenClassifierOutputtuple(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)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()]
>>> labels = predicted_token_class_ids
>>> loss = tf.math.reduce_mean(model(**inputs, labels=labels).loss)

TFXLMForQuestionAnsweringSimple

class transformers.TFXLMForQuestionAnsweringSimple

< >

( 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logitsspan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()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])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

< >

( 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_idsNumpy 数组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()

    什么是输入 ID?

  • attention_maskNumpy 数组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

    什么是注意掩码?

  • langs (tf.TensorNumpy 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 arraytf.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 arraytf.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。
  • lengthstf.TensorNumpy 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。
  • cacheDict[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_maskNumpy arraytf.Tensor 形状为 (num_heads,)(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_embedstf.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_attentionsbool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_statesbool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.TFQuestionAnsweringModelOutputtuple(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_positionsend_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)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]
>>> # target is "nice puppet"
>>> target_start_index = tf.constant([14])
>>> target_end_index = tf.constant([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = tf.math.reduce_mean(outputs.loss)
< > 在GitHub上更新