Transformers

参数

vocab_size (int, 可选, 默认为30522) — X-MOD模型词汇表大小。定义了在调用XmodModel时inputs_ids可以代表的不同标记的数量。
hidden_size (int, 可选, 默认为768) — 编码层和池化层的维度。
num_hidden_layers (int, 可选, 默认为12) — Transformer编码器中的隐藏层数。
num_attention_heads (int, 可选, 默认值为12) — Transformer编码器每个注意力层的注意力头数。
intermediate_size (int, 可选, 默认值为3072) — Transformer编码器中“中间层”（通常称为前馈层）的维度。
hidden_act (str 或 Callable, 可选, 默认为 "gelu") — 编码器和池化器中的非线性激活函数（函数或字符串）。如果为字符串，支持 "gelu"、"relu"、"silu" 和 "gelu_new"。
hidden_dropout_prob (float, 可选, 默认为 0.1) — 所有嵌入层、编码器层和池化层的dropout概率。
attention_probs_dropout_prob (float, 可选, 默认为 0.1) — 注意力概率的dropout比。
max_position_embeddings (int, 可选, 默认为 512) — 该模型可能用到的最大序列长度。通常设置得大一些以防万一（例如，512 或 1024 或 2048）。
type_vocab_size (int, 可选，默认为2) — 在调用 XmodModel 时传入的 token_type_ids 的词汇表大小。
initializer_range (float, 可选，默认为0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。
layer_norm_eps (float, 可选，默认为1e-12) — 层归一化层使用的ε值。
position_embedding_type (str, 可选，默认为 "absolute") — 位置嵌入类型。选择其中一个 "absolute"、"relative_key"、"relative_key_query"。对于位置嵌入，请选择 "absolute"。有关 "relative_key" 的更多信息，请参阅《Self-Attention with Relative Position Representations (Shaw et al.)》（https://arxiv.org/abs/1803.02155）。有关 "relative_key_query" 的更多信息，请参阅《Improve Transformer Models with Better Relative Position Embeddings (Huang et al.)》中的第 方法 4（https://arxiv.org/abs/2009.13658）。
is_decoder (bool, 可选，默认为 False) — 模型是否用作解码器。如果为 False，则模型用作编码器。
use_cache (bool, 可选，默认为 True) — 模型是否应返回最后的键/值注意力（并非所有模型都使用）。仅当 config.is_decoder=True 时相关。
classifier_dropout (float, 可选) — 分类头的丢弃比例。
pre_norm (bool, 可选, 默认为 False) — 是否在每个块之前应用层归一化。
adapter_reduction_factor (int 或 float, 可选, 默认为 2) — 相对于 hidden_size，适配器维度减少的系数。
adapter_layer_norm (bool, 可选, 默认为 False) — 是否在适配器模块（所有适配器共享）之前应用新的层归一化。
adapter_reuse_layer_norm (bool, 可选, 默认为 True) — 是否复用第二个层归一化并将其应用于适配器模块之前。
ln_before_adapter (bool, 可选, 默认为 True) — 是否在适配器模块周围的残差连接之前应用层归一化。
languages (Iterable[str], 可选, 默认为 ["en_XX"]) — 应初始化适配器模块的语言代码序列。
default_language (str, optional) — 默认语言的代码。如果没有明确传递语言代码到前向方法，则假设输入在此语言中。

这是存储 XmodModel 配置的配置类。它用于根据指定的参数实例化 X-MOD 模型，定义模型架构。使用默认值实例化配置将产生与 facebook/xmod-base 架构相似的配置。

配置对象继承自 PretrainedConfig 并可以用于控制模型输出。更多详细信息请参阅 PretrainedConfig 文档。

示例

>>> from transformers import XmodConfig, XmodModel

>>> # Initializing an X-MOD facebook/xmod-base style configuration
>>> configuration = XmodConfig()

>>> # Initializing a model (with random weights) from the facebook/xmod-base style configuration
>>> model = XmodModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

XmodModel

class transformers.XmodModel

( config add_pooling_layer = True )

参数

config (XmodConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只有配置。请查看 from_pretrained() 方法来加载模型权重。

裸 X-MOD 模型变压器输出原始隐藏状态，没有任何特定头。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

模型可以表现为编码器（只有自注意力），也可以表现为解码器，在这种情况下，在自注意力层之间添加了一层交叉注意力，遵循 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Lukasz Kaiser 和 Illia Polosukhin 在 Attention is all you need 中描述的架构。

要表现为解码器，模型需要用配置的 is_decoder 参数设置为 True 来初始化。要用于 Seq2Seq 模型，模型需要同时将 is_decoder 参数和 add_cross_attention 设置为 True；正向传递时预期输入为 encoder_hidden_states。

.. _Attention is all you need: https://arxiv.org/abs/1706.03762

前向传递

( input_ids: 可选 = None lang_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None encoder_hidden_states: 可选 = None encoder_attention_mask: 可选 = None past_key_values: 可选 = None use_cache: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None )

参数

input_ids (torch.LongTensor 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 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 ID？
lang_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 分别为每个样本应激活的语言适配器的索引。默认值：对应于 self.config.default_language 的索引。
attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)，可选) — 避免在填充标记索引上进行注意力的掩码。选择掩码值 [0, 1]：
- 1 代表未被掩码的标记，
- 0 代表被掩码的标记。
什么是注意掩码？
token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 区分标记索引以指明输入的前后部分。索引选择在 [0, 1]：
- 0 代表句子 A 的标记，
- 1 代表句子 B 的标记。
什么是标记类型 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？
head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于取消自我注意模块中选定头的掩码。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 (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选，直接传递嵌入表示，而不是传递 input_ids。这在您想更多地控制如何将 input_ids 索引转换为相关向量，而不仅仅是模型内部嵌入查找矩阵时非常有用。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。关于返回张量下的更多详细信息，请参阅 attentions。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。关于返回张量下的更多详细信息，请参阅 hidden_states。
return_dict (bool, 可选) — 是否返回ModelOutput而不仅仅是平常见组。
encoder_hidden_states (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，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，则用于交叉注意力操作。
encoder_attention_mask (形状为 (batch_size, sequence_length) 的 torch.FloatTensor，可选) — 用于避免对编码器输入中的填充标记索引执行注意力的掩码。如果模型配置为解码器，则在交叉注意力中使用掩码。掩码值范围选择在 [0, 1]：
- 1 表示 未掩码 的标记；
- 0 表示掩码的标记。
past_key_values (长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，每个元组包含 4 个张量)
of 形状 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) — 包含注意力块的预计算的键和值隐藏状态。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）而不是所有形状为 (batch_size, sequence_length) 的 decoder_input_ids。
use_cache （bool，可选）- 如果设置为 True，则返回 past_key_values 的键值状态，并可用来加速解码（见 past_key_values）。

类 XmodModel 的前向方法，覆盖了特殊的 __call__ 方法。

虽然前向传递的食谱需要在函数内部定义，但应该在调用 Module 实例后调用它，而不是这个，因为前者负责执行预处理和后处理步骤，而后者则无声地忽略它们。

XmodForCausalLM

class transformers.XmodForCausalLM

( config )

参数

config (XmodConfig) — 包含模型所有参数的模型配置类。使用配置文件进行初始化时，不会加载与模型关联的权重，只加载配置。查看 from_pretrained() 方法来加载模型权重。

带有顶部语言建模头的 X-MOD 模型，用于 CLM 微调。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递

( input_ids: 可选 = None lang_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None encoder_hidden_states: 可选 = None encoder_attention_mask: 可选 = None labels: 可选 = None past_key_values: Tuple = None use_cache: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None )

参数

input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列 token 在词汇表中的索引。

索引可以通过使用 AutoTokenizer 获得。详情请见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

输入 ID 是什么？
lang_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选项) — 分别为每个样本应激活的语言适配器索引。默认值：与 self.config.default_language 对应的索引。
attention_mask (torch.FloatTensor 的形状为 (batch_size, sequence_length)，可选项) — 用于避免在对填充标记索引执行注意力操作时的掩码。选定的掩码值在 [0, 1] 之间：
- 1 代表 非掩码 标记的标记，
- 0 代表掩码标记的标记。
什么是注意力掩码？
token_type_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选项) — 段落标记索引，用以指示输入的第一部分和第二部分。索引选自 [0, 1]：
- 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 （形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选）—— 每个输入序列标记的位置嵌入中的索引。选取范围 [0, config.max_position_embeddings - 1]。

什么是位置ID？
head_mask （形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor，可选）—— 用于中止自注意力模块选定的头的掩码。掩码值在 [0, 1] 范围内：
- 1 表示头未掩码，
- 0 表示头被掩码。
inputs_embeds （形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可选）—— 可选的，您可以选择传入嵌入式表示而不传递 input_ids。如果您希望比模型内部嵌入查找矩阵有更多控制权来将 input_ids 索引转换为相关向量，则此操作很有用。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。详细信息请见返回张量中的attentions。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详细信息请见返回张量中的hidden_states。
return_dict (bool, 可选) — 是否返回ModelOutput，而不是一个普通的元组。
encoder_hidden_states (torch.FloatTensor of shape (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，则在交叉注意力中用于。,// HTML_TAG_END -->
encoder_attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), 可选) — 避免在编码器输入中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，则在交叉注意力中使用。掩码值选择在 [0, 1] 范围内：
- 1 表示 未掩码 的标记；
- 0 表示掩码的标记。
,// HTML_TAG_END -->
labels (torch.LongTensor of shape (batch_size, sequence_length), 可选) — 用于计算从左到右的语言模型损失（下一个词预测）的标签。索引应在 [-100, 0, ..., config.vocab_size] 范围内（见 input_ids 的文档说明）。索引设置为 -100 的标记将被忽略（掩码），仅计算标签在 [0, ..., config.vocab_size] 范围内的标记的损失。,// HTML_TAG_END -->

《XmodForCausalLM》的前向方法，覆盖了 __call__ 特殊方法。

类 transformers.XmodForMaskedLM

( config )

参数

config (XmodConfig) — 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.

X-MOD 模型，顶部带有 语言建模 的头。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递

参数

lang_ids (torch.LongTensor of shape (batch_size, sequence_length), 可选) — 对应每个样本应激活的语言适配器索引。默认：与self.config.default_language对应的索引。
attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), 可选) — 用于防止在填充token索引上执行注意力的掩码。在[0, 1]中选定的掩码值：
- 对于未掩码的token，为1，
- 对于已掩码的token，为0。
注意掩码是什么？
token_type_ids (torch.LongTensor of shape (batch_size, sequence_length), 可选) — 用于指示输入的第一和第二部分的段token索引。在[0, 1]中选定的索引：
- 0对应于句子Atoken，
- 1对应于句子Btoken。
token类型ID是什么？
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。请参阅返回的张量中的 attentions 以获取更多详细信息。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。请参阅返回的张量中的 hidden_states 以获取更多详细信息。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
labels （torch.LongTensor 形状为 (batch_size, sequence_length)，可选） — 用于计算掩码语言模型损失的标签。索引应在 [-100, 0, ..., config.vocab_size]（见 input_ids 的文档字符串）范围内。索引设置为 -100 的标记将被忽略（掩码），损失只对带有标签的范围在 [0, ..., config.vocab_size] 的标记进行计算。
kwargs （Dict[str, any]，可选，默认为 {}） — 用于隐藏已弃用的旧参数。

XmodForMaskedLM 的 forward 方法，重载了 __call__ 特殊方法。

XmodForSequenceClassification

类 transformers.XmodForSequenceClassification

( config )

参数

配置 (XmodConfig) — 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关联的权重，只有配置。查看from_pretrained() 方法来加载模型权重。

X-MOD 模型转换器，在上方具有序列分类/回归头部（在池化输出之上的一层线性层），例如用于 GLUE 任务。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递

( input_ids: 可选 = None lang_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None position_ids: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None )

参数

attention_mask (torch.FloatTensor 的形状为 (batch_size, sequence_length)，可选) — 避免在填充 token 索引上执行 attention 的掩码。选定的掩码值在 [0, 1] 范围内:
- 1 表示 未掩码 的 token，
- 0 表示 已掩码 的 token。
什么是 attention masks？
token_type_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选) — 用于指示输入的首次和第二部分的 segment token 索引。选定的索引在 [0, 1] 范围内:
- 0 对应于 句子 A token，
- 1 对应于 句子 B token。
什么是 token type IDs？
position_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选) — 存在于位置嵌入中的每个输入序列 token 的位置索引。选择题号的范围在 [0, config.max_position_embeddings - 1] 内。

什么是 position IDs？
head_mask （torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选） — 用于使标头被取消选择的自我注意力模块的掩码。选定的掩码值在 [0, 1] 之间：
- 1 表示头没有 被掩码，
- 0 表示头被掩码。
inputs_embeds （torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)，可选） — 可选，你也可直接传入嵌入表示，而不是传入 input_ids。如果你想要比模型内部嵌入查找矩阵有更多的控制权来将 input_ids 索引转换为相关向量，这种方法很有用。
output_attentions （bool，可选） — 是否返回所有注意力层的注意力张量。有关详细信息，请参阅返回张量下的 attentions。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回的张力下的 hidden_states。
return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。
labels (torch.LongTensor的形状为 (batch_size,)，可选) — 用于计算序列分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels == 1，将计算回归损失（均方损失），如果config.num_labels > 1，将计算分类损失（交叉熵）。

XmodForSequenceClassification的前向方法重写了__call__特殊方法。

XmodForMultipleChoice

类 transformers.XmodForMultipleChoice

( config )

参数

config (XmodConfig) — 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相关的权重，仅加载配置。查看from_pretrained() 方法以加载模型权重。

顶部带有多个选择的分类头（在池化输出之上的一层线性层和softmax）的X-MOD模型，例如用于RocStories/SWAG任务。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递

( input_ids: Optional = None lang_ids: Optional = None token_type_ids: Optional = None attention_mask: Optional = None labels: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )

参数

input_ids (torch.LongTensor of shape (batch_size, num_choices, 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。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入ID？
lang_ids (torch.LongTensor 形状为 (batch_size, num_choices, sequence_length)，可选) — 分别为每个样本应激活的语言适配器的索引。默认值：对应 self.config.default_language 的索引。
attention_mask (torch.FloatTensor 形状为 (batch_size, num_choices, sequence_length)，可选) — 用于防止在填充词索引上执行注意力运算的掩码。掩码值选取范围为 [0, 1]：
- 1 表示 未掩码 的令牌；
- 0 表示掩码的令牌。
什么是注意力掩码？
token_type_ids (torch.LongTensor 形状为 (batch_size, num_choices, sequence_length)，可选) — 段落词索引，用于指示输入的第一部分和第二部分。索引范围选取为 [0, 1]：
- 0 对应于 句子 A 令牌；
- 1 对应于 句子 B 令牌。
什么是词类型 ID？
position_ids (形状为 (batch_size, num_choices, sequence_length) 的 torch.LongTensor，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？
head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor，可选) — 用于取消选择自注意力模块中选定头部的掩码。掩码值在 [0, 1] 中选择：
- 1 表示头部 未被掩码 ，
- 0 表示头部被掩码。
inputs_embeds (形状为 (batch_size, num_choices, sequence_length, hidden_size) 的 torch.FloatTensor，可选) — 可选地，你可以直接传递嵌入表示，而不是传递 input_ids。当你想比模型内部的嵌入查找矩阵有更多控制权时，这很有用，将 input_ids 索引转换为相关向量。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。详细信息请参阅返回张量下的 attentions。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详细信息请参阅返回张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回ModelOutput对象而不是普通元组。
labels (torch.LongTensor 的形状为 (batch_size,)，可选) — 计算多选题分类损失的标签。索引应在 [0, ..., num_choices-1] 范围内，其中 num_choices 是输入张量第二个维度的尺寸。（参见上面的 input_ids）

XmodForMultipleChoice 向前方法，覆盖了 __call__ 特殊方法。

XmodForTokenClassification

类 transformers.XmodForTokenClassification

( config )

参数

config (XmodConfig) — 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相关的权重，只有配置。请检查from_pretrained()方法来加载模型权重。

在顶部带有标记分类掩头（隐藏状态 output 上面的一个线性层）的 X-MOD 模型，例如用于命名实体识别 (NER) 任务。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递

参数

input_ids (torch.LongTensor 形状 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。

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

什么是输入 ID？
lang_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选) — 应为每个样本激活的语言适配器索引。默认：对应于 self.config.default_language 的索引。
attention_mask (torch.FloatTensor 的形状为 (batch_size, sequence_length)，可选) — 避免在填充词索引上执行注意力的掩码。掩码值选择在 [0, 1]：
- 1 代表 未掩码 的令牌，
- 0 代表掩码的令牌。
注意掩码是什么？
token_type_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)，可选) — 用于指示输入的第一、二部分的分段令牌索引。索引选择在 [0, 1]：
- 0 代表一个 句子 A 令牌，
- 1 代表一个 句子 B 令牌。
令牌类型 ID 是什么？
position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 每个输入序列标记在位置嵌入中的位置索引。选择在 [0, config.max_position_embeddings - 1] 范围内。

什么是位置 ID？
head_mask (torch.FloatTensor of shape (num_heads,) or (num_layers, num_heads), optional) — 取消选定头部以使自注意力模块失效的掩码。掩码值在 [0, 1] 范围内选择：
- 1 表示头部未被屏蔽，
- 0 表示头部被屏蔽。
inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 如果不想传递 input_ids，而是直接传递嵌入表示，则可以选择这样做。这在您想比模型内部嵌入查找矩阵有更多控制权如何将 input_ids 索引转换为关联向量时非常有用。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。详细信息请参阅返回张量下的 attentions。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详细信息请参阅返回张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回ModelOutput 而不是普通的元组。
labels （torch.LongTensor 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] 范围内。

XmodForTokenClassification 的 forward 方法重载了特殊方法 __call__。

XmodForQuestionAnswering

类 transformers.XmodForQuestionAnswering

( config )

参数

config (XmodConfig) — 模型配置类，包含所有模型参数。使用配置文件初始化不加载与模型关联的权重，只有配置。请查看 from_pretrained() 方法以加载模型权重。

在SQuAD（Span-based question-answering任务）等extractive question-answering任务上具有span分类头的X-MOD模型（在hidden-states输出之上的线性层计算span start logits和span end logits）。

此模型继承自 PreTrainedModel。请查看父类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头部等）。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并根据 PyTorch 文档查阅有关通用使用和行为的所有内容。

前向传递