Transformers 文档

XLM-ProphetNet

Hugging Face's logo
加入Hugging Face社区

并获取增强的文档体验

开始使用

XLM-ProphetNet

该模型仅处于维护模式,我们不接受任何修改其代码的新PR。如果运行此模型时遇到任何问题,请重新安装支持此模型的最新版本:v4.40.2。您可以通过以下命令完成此操作: pip install -U transformers==4.40.2

Models Spaces

免责声明:如果您发现任何异常,请提交GitHub Issue并将其分配给@patrickvonplaten。

概述

XLM-ProphetNet模型由Yu Yan、Weizhen Qi、Yeyun Gong、Dayiheng Liu、Nan Duan、Jiusheng Chen、Ruofei Zhang和Ming Zhou在2020年1月13日在《ProphetNet: Predicting Future N-gram for Sequence-to-Sequence Pre-training》一文中提出。

XLM-ProphetNet是一个编码-解码模型,可以预测n个未来的标记,用于“ngram”语言模型,而不仅仅是下一个标记。其架构与ProphetNet相同,但模型在多语言“wiki100”维基百科crap处理上进行了训练。XLM-ProphetNet的模型架构和预训练目标与ProphetNet相同,但XLM-ProphetNet是在跨语言数据集XGLUE上进行了预训练。

论文的摘要如下

在这篇论文中,我们提出了一种新的序列到序列预训练模型ProphetNet,它引入了一种名为未来n-gram预测的 novel 自监督目标以及提出的n-stream 自注意力机制。ProphetNet不是优化传统序列到序列模型中的一步预测,而是通过 n-step预测 进行优化,在每个时间步基于之前的上下文标记同时预测下 n 个标记。未来n-gram预测明确鼓励模型对未来标记进行计划并防止过度拟合于强局部相关性。我们分别使用基础规模数据集(16GB)和大规模数据集(160GB)对ProphetNet进行预训练。然后在CNN/DailyMail、Gigaword和SQuAD 1.1基准数据集上进行了实验,以进行抽象摘要和问题生成任务。实验结果表明,与使用相同规模预训练语料库的模型相比,ProphetNet在这些数据集上都取得了新的最先进的结果。

作者的可执行代码可以在 此处找到

资源

class transformers.XLMProphetNetConfig

< >

( activation_dropout: Optional = 0.1 activation_function: Union = 'gelu' vocab_size: Optional = 30522 hidden_size: Optional = 1024 encoder_ffn_dim: Optional = 4096 num_encoder_layers: Optional = 12 num_encoder_attention_heads: Optional = 16 decoder_ffn_dim: Optional = 4096 num_decoder_layers: Optional = 12 num_decoder_attention_heads: Optional = 16 attention_dropout: Optional = 0.1 dropout: Optional = 0.1 max_position_embeddings: Optional = 512 init_std: Optional = 0.02 is_encoder_decoder: Optional = True add_cross_attention: Optional = True decoder_start_token_id: Optional = 0 ngram: Optional = 2 num_buckets: Optional = 32 relative_max_distance: Optional = 128 disable_ngram_loss: Optional = False eps: Optional = 0.0 use_cache: Optional = True pad_token_id: Optional = 0 bos_token_id: Optional = 1 eos_token_id: Optional = 2 **kwargs )

参数

  • activation_dropout (float, 可选, 默认值为 0.1) — 全连接层激活函数的dropout比例。
  • 激活函数 (strfunction,可选,默认为 "gelu") — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,支持 "gelu""relu""silu""gelu_new"
  • vocab_sizeint,可选,默认为 30522)— ProphetNET 模型的词汇量。定义了XLMProphetNetModel调用时可由 inputs_ids 表示的不同标记数量。
  • hidden_sizeint,可选,默认为 1024)— 层数和池化器层的维度。
  • encoder_ffn_dim (int, 可选, 默认4096) — 解码器中间(通常称为前馈)层的维度。
  • num_encoder_layers (int, 可选, 默认12) — 编码器层数量。
  • num_encoder_attention_heads (int, 可选, 默认16) — 每个Transformer编码器注意力层中注意力头数。
  • decoder_ffn_dim (int, 可选, 默认值 4096) — 解码器中(通常称为前馈)层的中维数。
  • num_decoder_layers (int, 可选, 默认值 12) — 解码器层数。
  • num_decoder_attention_heads (int, 可选, 默认值 16) — 每个Transformer解码器层中注意力的头数量。
  • attention_dropout (float, 可选, 默认值 0.1) — 注意力概率的dropout比例。
  • dropout (float, 可选, 默认为0.1) — 所有嵌入层、编码器层和池化层中dropout的丢弃概率。
  • max_position_embeddings (int, 可选, 默认为512) — 此模型可能使用的最大序列长度。通常将其设置得很大以防万一(例如,512或1024或2048)。
  • init_std (float, 可选, 默认为0.02) — 所有权重矩阵初始化使用的truncated_normal_initializer的标准差。
  • add_cross_attention (bool, 可选,默认为 True) — 是否添加跨注意力层到模型。
  • is_encoder_decoder (bool, 可选,默认为 True) — 是否为编码器/解码器模型。
  • pad_token_id (int, 可选,默认为 1) — 填充token ID。
  • bos_token_id (int, 可选,默认为 0) — 流的开始token ID。
  • eos_token_idint可选,默认为 2) — 流的末尾标记 id。
  • ngramint可选,默认为 2) — 预测未来标记的数量。设置为 1 以与传统的语言模型预测下一个标记相同。
  • num_bucketsint可选,默认为 32) — 每个注意力层使用的水桶数量。这是用于相对位置计算的。有关更多详细信息,请参阅 [T5 论文](see https://arxiv.org/abs/1910.10683).
  • relative_max_distance (int, 可选, 默认为 128) — 相对距离大于此数值时将被放入最后的相同桶中。这用于相对位置计算。参阅[T5论文](see https://arxiv.org/abs/1910.10683)获取更多细节。
  • disable_ngram_loss (bool, 可选, 默认为 False) — 是否仅预测下一个第一个标记进行训练。
  • eps (float, 可选, 默认为 0.0) — 控制损失计算中标签平滑的 epsilon 参数值。如果设置为 0,则不执行标签平滑。
  • use_cache (bool, 可选, 默认为 True) — 模型是否应该返回最后的键/值注意力(不是所有模型都使用)。

这是一个配置类,用于存储XLMProphetNet模型的配置。它根据指定的参数创建XLMProphetNet模型实例,定义模型架构。使用默认值创建配置将与XLMProphetNet的microsoft/xprophetnet-large-wiki100-cased架构类似的配置。

配置对象继承自PretrainedConfig,可用来控制模型输出。有关更多信息,请查阅PretrainedConfig的文档。

XLMProphetNetTokenizer

class transformers.XLMProphetNetTokenizer

< >

( vocab_file bos_token = '[SEP]' eos_token = '[SEP]' sep_token = '[SEP]' unk_token = '[UNK]' pad_token = '[PAD]' cls_token = '[CLS]' mask_token = '[MASK]' sp_model_kwargs: 可选 = None **kwargs )

参数

  • vocab_file (str) — 词汇文件路径。
  • bos_token (str, 可选, 默认值为 "[SEP]") — 预训练期间使用的序列开始标记。可以用作序列分类标记。

    当使用特殊标记构建序列时,这不是序列开始的标记。使用的标记是 cls_token

  • eos_token (str, 可选, 默认为 "[SEP]") — 序列结束标记。

    在构建带有特殊标记的序列时,这不是用于序列结束的标记。使用的标记是 sep_token

  • sep_token (str, 可选, 默认为 "[SEP]") — 分隔符标记,当从多个序列构建序列时使用,例如序列分类或问答中的文本和问题。它也用于构建特殊标记序列的最后一个标记。
  • unk_token (str, 可选, 默认为 "[UNK]") — 未知标记。不在词汇表中的标记无法转换为ID,将其设置为此标记。
  • pad_token (str, 可选,默认为 "[PAD]") — 用于填充的token,例如当批量处理不同长度的序列时。
  • cls_token (str, 可选,默认为 "[CLS]") — 用于序列分类的分类token(对整个序列进行分类而不是按token进行分类)。当使用特殊token构建时,它是序列的第一个token。
  • mask_token (str, 可选,默认为 "[MASK]") — 用于遮盖值的token。当用掩码语言建模训练此模型时使用此token。这是模型将尝试预测的token。
  • sp_model_kwargs (dict, 可选) — 将传递给 SentencePieceProcessor.__init__() 方法。Python 的 SentencePiece 包装器可以用于设置以下内容:
  • sp_model (SentencePieceProcessor) — 用于每次转换(字符串、标记和 ID)的SentencePiece处理器。

来源于 RobertaTokenizerXLNetTokenizer。基于 SentencePiece

此标记器继承自 PreTrainedTokenizer,其中包含大多数主要方法。用户应参考这个超类来了解更多有关这些方法的信息。

build_inputs_with_special_tokens

< >

( token_ids_0: 列表 token_ids_1: 可选 = None ) 列表[int]

参数

  • token_ids_0 (列表[int]) — 将特殊标记添加到其的 ID 列表
  • token_ids_1 (列表[int], 可选) — 可选的第二组 ID 列表,用于序列对。

返回

列表[int]

包含适当特殊标记的输入 ID 列表。

通过连接并添加特殊标记,从序列或对序列构建模型输入,用于序列分类任务。XLMProphetNet 序列具有以下格式

  • 单个序列:X [SEP]
  • 序列对:A [SEP] B [SEP]

convert_tokens_to_string

< >

( tokens )

将一系列标记(子词的字符串)转换为单个字符串。

create_token_type_ids_from_sequences

< >

( token_ids_0: 列表 token_ids_1: 可选 = None ) 列表[int]

参数

  • token_ids_0 (int列表) — ID列表。
  • token_ids_1 (List[int], 可选) — 可选的第2个序列ID列表。

返回

列表[int]

零列表。

从传递给序列对分类任务的两个序列创建一个掩码。XLMProphetNet不使用标记类型ID,因此返回一个零列表。

get_special_tokens_mask

< >

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

参数

  • token_ids_0 (List[int]) — ID列表。
  • token_ids_1 (可选)-可选的第二组ID列表,用于序列对。
  • already_has_special_tokens (bool可选,默认为False)-令牌列表是否已格式化为具有特殊令牌的模式。

返回

列表[int]

整数列表范围为 [0, 1]:1 代表特殊令牌,0 代表序列令牌。

检索未添加任何特殊令牌的令牌列表的序列ID。该方法在添加特殊令牌时使用prepare_for_model方法调用。

XLMProphetNetModel

class transformers.XLMProphetNetModel

< >

( config: XLMProphetNetConfig )

参数

  • config (XLMProphetNetConfig) — 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该模型关联的权重,仅加载配置。请查看 from_pretrained() 方法以加载模型权重。

无特定头部顶部的原始XLMProphetNet模型,输出原始隐藏状态。此模型继承自PreTrainedModel。有关库为其所有模型(如下载或保存、调整输入嵌入、剪枝头部等)实现的通用方法的文档,请参阅超级类文档。

原始ProphetNet代码可在此找到:此处。检查点已从原始Fairseq检查点转换为。有关检查点转换的更多信息,请参阅文件 convert_prophetnet_original_pytorch_checkpoint_to_pytorch.py

这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解有关一般使用和行为的所有相关事项。

前进

< >

( input_ids: Optional = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqModelOutput or tuple(torch.FloatTensor)

参数

  • input_ids (形状为 (batch_size, sequence_length)torch.LongTensor) — 输入序列令牌在词汇表中的索引。如果您提供它,默认将忽略填充。

    可以通过使用 AutoTokenizer 来获取索引。关于详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (形状为 (batch_size, sequence_length)torch.Tensor,可选) — 避免将注意力应用于填充 token 索引的遮罩。遮罩值选择为 [0, 1]

    • 1 表示 未遮罩 的 token,
    • 0 表示 遮罩 的 token。

    什么是注意力遮罩?

  • decoder_input_ids (torch.LongTensor of shape (batch_size, target_sequence_length), optional) — 词汇表中的解码器输入序列标记的索引。

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

    解码器输入 ID 是什么意思?

    XLMProphetNet 使用 eos_token_id 作为 decoder_input_ids 生成的起始标记。如果使用 past_key_values,则可选择只输入最后 decoder_input_ids(请参阅 past_key_values)。

  • decoder_attention_mask (torch.BoolTensor of shape (batch_size, target_sequence_length), optional) — 默认行为:生成一个张量,该张量在 decoder_input_ids 中忽略填充标记。默认情况下,也会使用因果掩码。
  • head_mask (torch.Tensor of shape (encoder_layers, encoder_attention_heads), optional) — 用于使编码器中的注意力模块的选定头无效的掩码。掩码值选定在 [0, 1]

    • 1 表示头 没有掩码
    • 0 表示头 有掩码
  • decoder_head_mask (torch.Tensor of shape (decoder_layers, decoder_attention_heads), optional) — 对解码器中注意力模块选择头部进行屏蔽的掩码。选取的掩码值在[0, 1]范围内:
    • 1 表示该头部未被屏蔽,
    • 0 表示该头部被屏蔽。
  • cross_attn_head_mask (torch.Tensor of shape (decoder_layers, decoder_attention_heads), optional) — 对跨注意力模块选择头部进行屏蔽的掩码。选取的掩码值在[0, 1]范围内:
    • 1 表示该头部未被屏蔽,
    • 0 表示该头部被屏蔽。
  • encoder_outputs (tuple(tuple(torch.FloatTensor), optional) — 包含(last_hidden_stateoptional: hidden_statesoptional: attentions)的元组。last_hidden_state 的形状为 (batch_size, sequence_length, hidden_size)optional) 是编码器最后一层的隐藏状态序列。在解码器的跨注意力中用于。
  • past_key_values (tuple(tuple(torch.FloatTensor)),长度为 config.n_layers,每个元组包含形状为 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的 4 个张量) — 包含注意力块的预计算键和值隐藏状态。可用于加速解码。

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

  • use_cache (bool,可选项) — 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(参见 past_key_values)。
  • output_attentions (bool,可选项) — 是否返回所有注意力层的注意力张量。有关更多详细说明,请参见返回张量中的 attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的hidden_states
  • return_dict (bool, 可选) — 是否返回一个ModelOutput 而不是普通元组。

返回

transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqModelOutputtuple(torch.FloatTensor)

A transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqModelOutput 或由 torch.FloatTensor 组成的元组(如果 return_dict=False 被传递,或者当 config.return_dict=False)包含各种元素,具体取决于配置(XLMProphetNetConfig)和输入。

  • last_hidden_state (torch.FloatTensor 的形状 (batch_size, decoder_sequence_length, hidden_size)) — 模型解码器最后一层输出时的主要流隐藏状态序列。

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

  • last_hidden_state_ngram (torch.FloatTensor 的形状 (batch_size,ngram * decoder_sequence_length, config.vocab_size)可选) — 模型解码器最后一层输出时预测流隐藏状态序列。

  • past_key_values (List[torch.FloatTensor]可选,在传递 use_cache=True 时返回或当 config.use_cache=True) — 一个长度为 config.n_layerstorch.FloatTensor 列表,每个张量的形状为 (2, batch_size, num_attn_heads, decoder_sequence_length, embed_size_per_head)

    包含解码器中预计算的隐藏状态(注意力的键和值),可用于(参见 past_key_values 输入)加速顺序解码。

  • decoder_hidden_states (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=True 时返回或当 config.output_hidden_states=True) — 一个形状为 (batch_size, decoder_sequence_length, hidden_size)torch.FloatTensor 元组(一个用于嵌入输出,一个用于每个层的输出)。

    解码器主要流在输出每层的隐藏状态以及初始嵌入输出。

  • decoder_ngram_hidden_states (tuple(torch.FloatTensor), 可选,当传递output_hidden_states=Trueconfig.output_hidden_states=True时返回) — torch.FloatTensor的元组(一个用于嵌入层输出,一个用于每个层的输出),形状为(batch_size, ngram * decoder_sequence_length, hidden_size)

    每个层输出的解码器的预测流中的隐藏状态加上初始嵌入输出。

  • decoder_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),形状为(batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length)

    解码器的注意力权重,在应用注意力softmax后,用于计算self-attention头部中的加权平均值。

  • decoder_ngram_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),形状为(batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length)

    解码器的预测流在应用注意力softmax后的注意力权重,用于计算交叉注意力中的加权平均值。

  • cross_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),形状为(batch_size, num_attn_heads, encoder_sequence_length, decoder_sequence_length)

    解码器的跨注意力层在应用注意力softmax后的注意力权重,用于计算跨注意力中的加权平均值。

  • encoder_last_hidden_state (torch.FloatTensor,形状为(batch_size, encoder_sequence_length, hidden_size)可选) — 模型编码器最后一个层的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor)可选,当传递output_hidden_states=Trueconfig.output_hidden_states=True时返回) — torch.FloatTensor的元组(一个用于嵌入层输出,一个用于每个层的输出),形状为(batch_size, encoder_sequence_length, hidden_size)

    编码器在每个层输出的隐藏状态加上初始嵌入输出。

  • encoder_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),形状为(batch_size, num_attn_heads, encoder_sequence_length, encoder_sequence_length)

    编码器的注意力权重,在应用注意力softmax后,用于计算self-attention头部中的加权平均值。

XLMProphetNetModel的forward方法覆盖了特殊方法__call__

尽管向前传递的配方需要在该函数内定义,但以后应调用Module实例,而不是这个,因为前者会处理运行前和后处理步骤,而后者默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, XLMProphetNetModel

>>> tokenizer = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = XLMProphetNetModel.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")

>>> input_ids = tokenizer(
...     "Studies have been shown that owning a dog is good for you", return_tensors="pt"
... ).input_ids  # Batch size 1
>>> decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids  # Batch size 1
>>> outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)

>>> last_hidden_states = outputs.last_hidden_state  # main stream hidden states
>>> last_hidden_states_ngram = outputs.last_hidden_state_ngram  # predict hidden states

XLMProphetNetEncoder

transformers.XLMProphetNetEncoder

< >

( config: XLMProphetNetConfig word_embeddings: Embedding = None )

参数

  • config (XLMProphetNetConfig) — 模型配置类,包含所有模型的参数。通过配置文件初始化不会加载模型相关联的权重,只会加载配置。请查看from_pretrained()方法以加载模型权重。

XLMProphetNetModel的独立编码器部分。此模型继承自PreTrainedModel。请参考超类文档了解库为所有模型实现的通用方法(如下载或保存,调整输入嵌入的大小,裁剪头等)。

原始ProphetNet代码可在此找到:此处。检查点已从原始Fairseq检查点转换为。有关检查点转换的更多信息,请参阅文件 convert_prophetnet_original_pytorch_checkpoint_to_pytorch.py

这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解有关一般使用和行为的所有相关事项。

词嵌入(torch.nn.Embeddings,形状为 (config.vocab_size, config.hidden_size)可选):词语嵌入参数。这可以用来用预定义的词嵌入初始化 XLMProphetNetEncoder 而不是随机初始化的词嵌入。

前进

< >

( input_ids: 可选 = None attention_mask: 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 形状为 (batch_size, sequence_length)) — 词汇表中的输入序列标记的索引。提供时,默认将忽略填充。
  • attention_mask (torch.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。选择的掩码值在 [0, 1] 中:

  • head_mask (torch.Tensor 形状为 (encoder_layers, encoder_attention_heads), 可选) — 掩码以取消编码器中注意力模块选择的头部。选择的掩码值在 [0, 1] 中:

  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多细节请参见返回张量下的attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多细节请参见返回张量下的hidden_states
  • return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。

返回

transformers.modeling_outputs.BaseModelOutputtuple(torch.FloatTensor)

transformers.modeling_outputs.BaseModelOutput或一个torch.FloatTensor的元组(如果传递了return_dict=False或当config.return_dict=False时),包含各种元素,这些元素取决于配置(XLMProphetNetConfig)和输入。

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

  • hidden_states (tuple(torch.FloatTensor)可选,在传递output_hidden_states=True时返回或当config.output_hidden_states=True时返回) — 一个包含torch.FloatTensor的元组(如果模型有嵌入层,则包括嵌入层的输出 + 每层的输出)的形状为(batch_size, sequence_length, hidden_size)

    模型在每一层的输出后的隐藏状态加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选,在传递output_attentions=True或当config.output_attentions=True时返回) — 一个torch.FloatTensor的元组(每个层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于在自注意力头中计算加权平均。

XLMProphetNetEncoder 的前向方法,覆盖了特殊方法 __call__

尽管向前传递的配方需要在该函数内定义,但以后应调用Module实例,而不是这个,因为前者会处理运行前和后处理步骤,而后者默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, XLMProphetNetEncoder
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = XLMProphetNetEncoder.from_pretrained("patrickvonplaten/prophetnet-large-uncased-standalone")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

XLMProphetNetDecoder

transformers.XLMProphetNetDecoder

< >

( config: XLMProphetNetConfig word_embeddings: Optional = None )

参数

  • config (XLMProphetNetConfig) — 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,只有配置。查看from_pretrained() 方法以加载模型权重。

XLMProphetNetModel 的独立解码器部分。该模型继承自 PreTrainedModel。检查超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头部等)。

原始ProphetNet代码可在此找到:此处。检查点已从原始Fairseq检查点转换为。有关检查点转换的更多信息,请参阅文件 convert_prophetnet_original_pytorch_checkpoint_to_pytorch.py

这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解有关一般使用和行为的所有相关事项。

词嵌入(torch.nn.Embeddings,形状为 (config.vocab_size, config.hidden_size)可选):词语嵌入参数。这可以用来用预定义的词嵌入初始化 XLMProphetNetEncoder 而不是随机初始化的词嵌入。

前进

< >

( input_ids: 可选 = None attention_mask: 可选 = None encoder_hidden_states: 可选 = None encoder_attention_mask: 可选 = None head_mask: 可选 = None cross_attn_head_mask: 可选 = None past_key_values: 可选 = None inputs_embeds: 可选 = None use_cache: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列标记的索引,其形状为(batch_size, sequence_length)的torch.LongTensor。如果提供了填充,默认会忽略填充。

    索引可以通过 AutoTokenizer 获取。有关详细信息,请参阅PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入索引?

  • attention_mask (torch.Tensor的形状为(batch_size, sequence_length)可选)—— 用于避免在填充标记索引上进行注意力计算的掩码。掩码值选择在[0, 1]之间:

    • 1表示未遮蔽的标记;
    • 0表示遮蔽的标记。

    什么是注意力掩码?

  • head_mask (torch.Tensor的形状为(encoder_layers, encoder_attention_heads)可选)—— 用于屏蔽编码器中注意力模块的选定头。掩码值选择在[0, 1]之间:

    • 1表示头未被遮蔽;
    • 0表示头被遮蔽。
  • output_attentions (bool可选)—— 是否返回所有注意力层的注意力张量。更多详细信息请参考返回张量的attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详细信息请查看返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是纯元组。
  • encoder_hidden_states (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size),可选) — 编码器最后一层的隐藏状态序列。在配置为解码器时用于交叉注意力。
  • encoder_attention_masktorch.FloatTensor 形状为 (batch_size, sequence_length)可选) — 屏蔽编码器输入中填充标记索引的注意力操作。该屏蔽用于如果模型配置为解码器时的交叉注意力中。屏蔽值选择在 [0, 1]
  • cross_attn_head_masktorch.Tensor 形状为 (decoder_layers, decoder_attention_heads)可选) — 屏蔽交叉注意力模块中选定的头部。屏蔽值选择在 [0, 1]
    • 1 表示头部 未屏蔽
    • 0 表示头部 已屏蔽
  • past_key_values (长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个元组包含 4 个形状为 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的张量) — 包含注意力块的预计算键和值隐藏状态。可用于加快解码速度。

    如果使用 past_key_values,用户可以选择只输入最后的 decoder_input_ids(那些没有给该模型给定过去键值状态的)的形状为 (batch_size, 1),而不是所有 decoder_input_ids 的形状为 (batch_size, sequence_length)

  • use_cache (bool, 可选) — 如果设置为 True,则返回 past_key_values 的键值状态,可用于加速解码(见 past_key_values)。

    • 对于 未遮蔽 的标记,为 1。
    • 对于 遮蔽 的标记,为 0。

返回

transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderModelOutputtuple(torch.FloatTensor)

transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False)由配置(XLMProphetNetConfig)和输入决定。

  • last_hidden_state (torch.FloatTensor 的形状 (batch_size, decoder_sequence_length, hidden_size)) — 模型解码器最后一层输出时的主要流隐藏状态序列。

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

  • last_hidden_state_ngramtorch.FloatTensor 的形状为 (batch_size, ngram * decoder_sequence_length, config.vocab_size)) — 模型解码器最后一层输出处的预测流隐藏状态的序列。

  • past_key_values (List[torch.FloatTensor]可选,在传递 use_cache=True 时返回或当 config.use_cache=True) — 一个长度为 config.n_layerstorch.FloatTensor 列表,每个张量的形状为 (2, batch_size, num_attn_heads, decoder_sequence_length, embed_size_per_head)

    包含解码器中预计算的隐藏状态(注意力的键和值),可用于(参见 past_key_values 输入)加速顺序解码。

  • hidden_statestuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个对应嵌入输出 + 一个对应每一层的输出)的形状为 (batch_size, decoder_sequence_length, hidden_size)

    解码器主要流在输出每层的隐藏状态以及初始嵌入输出。

  • ngram_hidden_statestuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个对应嵌入输出 + 一个对应每一层的输出)的形状为 (batch_size, ngram * decoder_sequence_length, hidden_size)

    每个层输出的解码器的预测流中的隐藏状态加上初始嵌入输出。

  • attentionstuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 每一层的 torch.FloatTensor 的元组(层的大小为 (batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length))。

    解码器的注意力权重,在应用注意力softmax后,用于计算self-attention头部中的加权平均值。

  • ngram_attentionstuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 每一层的 torch.FloatTensor 的元组(层的大小为 (batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length))。

    解码器的预测流在应用注意力softmax后的注意力权重,用于计算交叉注意力中的加权平均值。

  • cross_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),形状为(batch_size, num_attn_heads, encoder_sequence_length, decoder_sequence_length)

    解码器的跨注意力层在应用注意力softmax后的注意力权重,用于计算跨注意力中的加权平均值。

XLMProphetNetDecoder 的前向方法,覆盖了特殊的 __call__ 方法。

尽管向前传递的配方需要在该函数内定义,但以后应调用Module实例,而不是这个,因为前者会处理运行前和后处理步骤,而后者默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, XLMProphetNetDecoder
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = XLMProphetNetDecoder.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone", add_cross_attention=False)
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

XLMProphetNetForConditionalGeneration

transformers.XLMProphetNetForConditionalGeneration

< >

( config: XLMProphetNetConfig )

参数

  • config (XLMProphetNetConfig) — 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的权重,只有配置。请参阅from_pretrained()方法以加载模型权重。

带有语言建模头的XLMProphetNet模型。可用于序列生成任务。该模型继承自PreTrainedModel。请查看超类文档,了解库为其所有模型实现的基本方法(例如下载或保存、调整输入嵌入尺寸、修剪头等)

原始ProphetNet代码可在此找到:此处。检查点已从原始Fairseq检查点转换为。有关检查点转换的更多信息,请参阅文件 convert_prophetnet_original_pytorch_checkpoint_to_pytorch.py

这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解有关一般使用和行为的所有相关事项。

前进

< >

( input_ids: Optional = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqLMOutput or tuple(torch.FloatTensor)

参数

  • (torch.LongTensor 形状为(batch_size, sequence_length)) —词汇表中的输入序列标记的索引。如果您提供填充,则默认忽略填充。

  • attention_mask (torch.Tensor 形状为(batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值在[0, 1]之间选择:

  • decoder_input_ids (torch.LongTensor 形状 (batch_size, target_sequence_length)optional ) — 词汇表中的解码器输入序列标记的索引。

    使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()
  • decoder_attention_mask (torch.BoolTensor 形状 (batch_size, target_sequence_length)optional ) — 默认行为:生成一个忽略 decoder_input_ids 中的填充标记的张量。默认情况下,还将使用因果掩码。
  • head_mask (torch.Tensor 形状 (encoder_layers, encoder_attention_heads)optional ) — 用于关闭编码器注意力模块中选定头部的掩码。掩码值选择的 [0, 1]

    • 1 表示头部 未掩码
    • 0 表示头部 掩码
  • decoder_head_mask (torch.Tensor的形状为(decoder_layers, decoder_attention_heads),可选) — 用于消除解码器中注意力模块选定的头的掩码。掩码值在[0, 1]中选择:

    • 1表示该头未掩码,
    • 0表示该头已掩码。
  • cross_attn_head_mask (torch.Tensor的形状为(decoder_layers, decoder_attention_heads),可选) — 用于消除跨注意力模块选定的头的掩码。掩码值在[0, 1]中选择:

    • 1表示该头未掩码,
    • 0表示该头已掩码。
  • encoder_outputs (可选的tuple(tuple(torch.FloatTensor)) — 包含(码最后层的隐藏状态last_hidden_state,可选: hidden_states,可选: attentionslast_hidden_state的形状为(batch_size, sequence_length, hidden_size),可选)是输出编码器最后层的隐藏状态序列。用于解码器中的交叉注意力。
  • past_key_values长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)),每个 tuple 包含形状为 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的 4 个张量) — 包含注意力块预计算的键和值隐藏状态。可用于加速解码。
  • use_cachebool可选) — 如果设置为 True,将返回 past_key_values 键值状态,可用于加速解码(见 past_key_values)。
  • 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
  • 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 的更多信息,请参阅详情。
  • return_dict (bool, 可选) — 是否返回一个ModelOutput,而不是一个普通元组。
  • labels (torch.LongTensor 形状为 (batch_size,)可选) — 用于计算序列分类/回归损失的标签。索引应在 [-100, 0, ..., config.vocab_size - 1]。所有设置为 -100 的标签将被忽略(掩码),仅对 [0, ..., config.vocab_size] 中的标签计算损失

返回

transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqLMOutputtuple(torch.FloatTensor)

A transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetSeq2SeqLMOutput 或一个 torch.FloatTensor 的元组(如果传递 return_dict=False 或当 config.return_dict=False),根据配置(XLMProphetNetConfig)和输入包含不同元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,当提供标签时返回) — 语言模型损失。

  • logits (torch.FloatTensor 形状为 (batch_size, decoder_sequence_length, config.vocab_size)) — 主流语言模型头部预测分数(每个词汇的分数在 SoftMax 之前)。

  • logits_ngram (形状为(batch_size, ngram * decoder_sequence_length, config.vocab_size)torch.FloatTensor) — 预测流语言建模头的预测得分(在SoftMax之前的每个词汇得分)。

  • past_key_values (List[torch.FloatTensor]可选,在传递 use_cache=True 时返回或当 config.use_cache=True) — 一个长度为 config.n_layerstorch.FloatTensor 列表,每个张量的形状为 (2, batch_size, num_attn_heads, decoder_sequence_length, embed_size_per_head)

    包含解码器中预计算的隐藏状态(注意力的键和值),可用于(参见 past_key_values 输入)加速顺序解码。

  • decoder_hidden_states (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=True 时返回或当 config.output_hidden_states=True) — 一个形状为 (batch_size, decoder_sequence_length, hidden_size)torch.FloatTensor 元组(一个用于嵌入输出,一个用于每个层的输出)。

    解码器主要流在输出每层的隐藏状态以及初始嵌入输出。

  • decoder_ngram_hidden_states (tuple(torch.FloatTensor), 可选,当传递output_hidden_states=Trueconfig.output_hidden_states=True时返回) — torch.FloatTensor的元组(一个用于嵌入层输出,一个用于每个层的输出),形状为(batch_size, ngram * decoder_sequence_length, hidden_size)

    每个层输出的解码器的预测流中的隐藏状态加上初始嵌入输出。

  • decoder_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),形状为(batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length)

    解码器的注意力权重,在应用注意力softmax后,用于计算self-attention头部中的加权平均值。

  • decoder_ngram_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),形状为(batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length)

    解码器预测流的注意力权重,在注意力SoftMax之后,用于在自注意力头中计算加权平均值。

  • cross_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),形状为(batch_size, num_attn_heads, encoder_sequence_length, decoder_sequence_length)

    解码器的跨注意力层在应用注意力softmax后的注意力权重,用于计算跨注意力中的加权平均值。

  • encoder_last_hidden_state (torch.FloatTensor,形状为(batch_size, encoder_sequence_length, hidden_size)可选) — 模型编码器最后一个层的隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor)可选,当传递output_hidden_states=Trueconfig.output_hidden_states=True时返回) — torch.FloatTensor的元组(一个用于嵌入层输出,一个用于每个层的输出),形状为(batch_size, encoder_sequence_length, hidden_size)

    编码器在每个层输出的隐藏状态加上初始嵌入输出。

  • encoder_attentionstorch.FloatTensor的元组,可选,在传递output_attentions=True时返回,或当config.output_attentions=True时) — 形状为(batch_size, num_attn_heads, encoder_sequence_length, encoder_sequence_length)torch.FloatTensor元组(每个层一个)。在注意力SoftMax之后编码器的注意力权重,用于在自注意力头中计算加权平均值。

XLMProphetNetForConditionalGeneration的前向方法覆盖了__call__特殊方法。

尽管向前传递的配方需要在该函数内定义,但以后应调用Module实例,而不是这个,因为前者会处理运行前和后处理步骤,而后者默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, XLMProphetNetForConditionalGeneration

>>> tokenizer = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = XLMProphetNetForConditionalGeneration.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")

>>> input_ids = tokenizer(
...     "Studies have been shown that owning a dog is good for you", return_tensors="pt"
... ).input_ids  # Batch size 1
>>> decoder_input_ids = tokenizer("Studies show that", return_tensors="pt").input_ids  # Batch size 1
>>> outputs = model(input_ids=input_ids, decoder_input_ids=decoder_input_ids)

>>> logits_next_token = outputs.logits  # logits to predict next token as usual
>>> logits_ngram_next_tokens = outputs.logits_ngram  # logits to predict 2nd, 3rd, ... next tokens

XLMProphetNetForCausalLM

transformers.XLMProphetNetForCausalLM

< >

( config: XLMProphetNetConfig )

参数

  • configXLMProphetNetConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载模型的权重,只有配置。请参阅from_pretrained()方法来加载模型权重。

带有lm头的XLMProphetNetModel独立解码器部分。该模型可用于因果语言建模。此模型继承自PreTrainedModel。请查看超类文档,了解库为所有模型实现的一般方法(例如下载或保存、调整输入嵌入、剪枝头部等)。

原始ProphetNet代码可在此找到:此处。检查点已从原始Fairseq检查点转换为。有关检查点转换的更多信息,请参阅文件 convert_prophetnet_original_pytorch_checkpoint_to_pytorch.py

这是一个PyTorch torch.nn.Module 子类。将其用作常规PyTorch模块,并参考PyTorch文档了解有关一般使用和行为的所有相关事项。

前进

< >

( input_ids: Optional = None attention_mask: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None head_mask: Optional = None cross_attn_head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 词汇表中的输入序列标记的索引。如果提供,默认将忽略填充。
  • attention_mask (torch.Tensor of shape (batch_size, sequence_length), 可选) — 用于避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:
  • head_mask (torch.Tensor of shape (encoder_layers, encoder_attention_heads), 可选) — 用于关闭编码器中注意力模块中选择的头部的掩码。掩码值在 [0, 1] 中选择:
  • output_attentions (bool, 可选) — 是否返回所有注意力的张量。有关更多信息,请参阅返回的张量中的attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多信息,请参阅返回的张量中的hidden_states
  • return_dict (bool, 可选) — 是否返回ModelOutput 而不是纯元组。
  • encoder_hidden_states (torch.FloatTensor 的形状 (batch_size, sequence_length, hidden_size)可选) — 编码器最后一层的隐藏状态序列。如果模型配置为解码器,则用于交叉注意力。
  • encoder_attention_mask (torch.FloatTensor 的形状 (batch_size, sequence_length)可选) — 用于避免在编码器输入的填充标记索引上执行注意力的掩码。如果模型配置为解码器,则用于交叉注意力。掩码值选在 [0, 1]
  • cross_attn_head_mask (torch.Tensor 的形状 (decoder_layers, decoder_attention_heads)可选) — 用于使交叉注意力模块的选定头无效的掩码。掩码值选在 [0, 1]
  • past_key_values (长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)),每个 tuple 包含 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的张量) — 包含 attention 块的预计算 key 和 value 隐藏状态。可用于加速解码。

    如果使用 past_key_values,则用户可以选择只输入最后一个 decoder_input_ids(那些没有向该模型提供过去键值状态的)的形状为 (batch_size, 1),而不是所有 decoder_input_ids 的形状为 (batch_size, sequence_length)

  • use_cache (bool可选) — 如果设置为 True,则返回 past_key_values key value 状态,可用于加速解码(见 past_key_values)。

    • 未掩码 的 token,值为 1,
    • 掩码 的 token,值为 0。
  • labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor可选) — 用于计算双向语言模型损失(下一个词预测)的标签。索引应在 [-100, 0, ..., config.vocab_size](见 input_ids 文档字符串)之间(带符号),索引设为 -100 的 token 被忽略(掩码),仅计算标签索引 [0, ..., config.vocab_size] 的 token 的损失

返回

transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderLMOutputtuple(torch.FloatTensor)

一个 transformers.models.deprecated.xlm_prophetnet.modeling_xlm_prophetnet.XLMProphetNetDecoderLMOutput 或一个包含 torch.FloatTensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False)的元组,其包含的元素取决于配置(XLMProphetNetConfig)和输入。

  • loss (torch.FloatTensor 形状为 (1,)可选,当提供标签时返回) — 语言模型损失。

  • logits (torch.FloatTensor 形状为 (batch_size, decoder_sequence_length, config.vocab_size)) — 主流语言模型头部预测分数(每个词汇的分数在 SoftMax 之前)。

  • logits_ngram (形状为(batch_size, ngram * decoder_sequence_length, config.vocab_size)torch.FloatTensor) — 预测流语言建模头的预测得分(在SoftMax之前的每个词汇得分)。

  • past_key_values (List[torch.FloatTensor]可选,在传递 use_cache=True 时返回或当 config.use_cache=True) — 一个长度为 config.n_layerstorch.FloatTensor 列表,每个张量的形状为 (2, batch_size, num_attn_heads, decoder_sequence_length, embed_size_per_head)

    包含解码器中预计算的隐藏状态(注意力的键和值),可用于(参见 past_key_values 输入)加速顺序解码。

  • hidden_statestuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个对应嵌入输出 + 一个对应每一层的输出)的形状为 (batch_size, decoder_sequence_length, hidden_size)

    解码器主要流在输出每层的隐藏状态以及初始嵌入输出。

  • ngram_hidden_statestuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个对应嵌入输出 + 一个对应每一层的输出)的形状为 (batch_size, ngram * decoder_sequence_length, hidden_size)

    每个层输出的解码器的预测流中的隐藏状态加上初始嵌入输出。

  • attentionstuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 每一层的 torch.FloatTensor 的元组(层的大小为 (batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length))。

    解码器的注意力权重,在应用注意力softmax后,用于计算self-attention头部中的加权平均值。

  • ngram_attentionstuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 每一层的 torch.FloatTensor 的元组(层的大小为 (batch_size, num_attn_heads, decoder_sequence_length, decoder_sequence_length))。

    解码器的预测流在应用注意力softmax后的注意力权重,用于计算交叉注意力中的加权平均值。

  • cross_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),形状为(batch_size, num_attn_heads, encoder_sequence_length, decoder_sequence_length)

    解码器的跨注意力层在应用注意力softmax后的注意力权重,用于计算跨注意力中的加权平均值。

雷达XLMProphetNetForCausalLM的前向方法,重写了 __call__ 特殊方法。

尽管向前传递的配方需要在该函数内定义,但以后应调用Module实例,而不是这个,因为前者会处理运行前和后处理步骤,而后者默默地忽略它们。

示例

>>> from transformers import AutoTokenizer, XLMProphetNetForCausalLM
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = XLMProphetNetForCausalLM.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> assert model.config.is_decoder, f"{model.__class__} has to be configured as a decoder."
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> logits = outputs.logits

>>> # Model can also be used with EncoderDecoder framework
>>> from transformers import BertTokenizer, EncoderDecoderModel, AutoTokenizer
>>> import torch

>>> tokenizer_enc = BertTokenizer.from_pretrained("google-bert/bert-large-uncased")
>>> tokenizer_dec = AutoTokenizer.from_pretrained("patrickvonplaten/xprophetnet-large-uncased-standalone")
>>> model = EncoderDecoderModel.from_encoder_decoder_pretrained(
...     "google-bert/bert-large-uncased", "patrickvonplaten/xprophetnet-large-uncased-standalone"
... )

>>> ARTICLE = (
...     "the us state department said wednesday it had received no "
...     "formal word from bolivia that it was expelling the us ambassador there "
...     "but said the charges made against him are `` baseless ."
... )
>>> input_ids = tokenizer_enc(ARTICLE, return_tensors="pt").input_ids
>>> labels = tokenizer_dec(
...     "us rejects charges against its ambassador in bolivia", return_tensors="pt"
... ).input_ids
>>> outputs = model(input_ids=input_ids, decoder_input_ids=labels[:, :-1], labels=labels[:, 1:])

>>> loss = outputs.loss
< > 更新于GitHub