Transformers 文档
Zamba2
并获得增强的文档体验
开始使用
Zamba2
Zamba2 是由 Zyphra 训练的大型语言模型 (LLM)，并根据 Apache 2.0 许可证提供。请参阅 Zyphra Hugging Face 仓库以获取模型权重。
此模型由 pglo 贡献。
模型详情
Zamba2-1.2B、Zamba2-2.7B 和 Zamba2-7B 是混合模型，结合了状态空间模型（特别是 Mamba）和 Transformer，并使用下一个 token 预测进行训练。Zamba2 在每 6 个 Mamba 模块后使用共享的 Transformer 层。它使用 Mistral v0.1 分词器。我们在小规模的消融研究后得出了这种架构。Zamba2-1.2B、Zamba2-2.7B 和 Zamba2-7B 分别在 2T 和 3T tokens 上进行了预训练。
快速开始
先决条件
Zamba2 要求您使用 transformers 版本 4.48.0 或更高版本
pip install transformers>=4.48.0
推理
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-7B")
model = AutoModelForCausalLM.from_pretrained("Zyphra/Zamba2-7B", device_map="cuda", torch_dtype=torch.bfloat16)
input_text = "What factors contributed to the fall of the Roman Empire?"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")
outputs = model.generate(**input_ids, max_new_tokens=100)
print(tokenizer.decode(outputs[0]))模型卡片
模型卡片可以在以下位置找到
问题
对于模型输出问题或社区讨论，请使用 Hugging Face 社区论坛
许可证
模型权重通过 Apache 2.0 许可证开源。
Zamba2Config
class transformers.Zamba2Config
< source >( vocab_size = 32000 max_position_embeddings = 4096 hidden_size = 2560 num_hidden_layers = 54 layers_block_type = None mamba_d_state = 64 mamba_d_conv = 4 mamba_expand = 2 mamba_ngroups = 1 time_step_min = 0.001 time_step_max = 0.1 time_step_floor = 0.0001 time_step_limit = None n_mamba_heads = 8 use_conv_bias = True chunk_size = 256 use_mem_eff_path = False add_bias_linear = False intermediate_size = None hidden_act = 'gelu' num_attention_heads = 32 num_key_value_heads = None attention_dropout = 0.0 num_mem_blocks = 1 use_shared_attention_adapter = False adapter_rank = 128 use_mem_rope = False rope_theta = 10000 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True num_logits_to_keep = 1 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 use_long_context = False **kwargs )
参数
- vocab_size (
int, 可选, 默认为 32000) — Zamba2 模型的词汇表大小。定义了在调用 Zamba2Model 时，由inputs_ids传递的可表示的不同 tokens 的数量 - max_position_embeddings (
int, 可选, 默认为 4096) — 此模型可能使用的最大序列长度。 - hidden_size (
int, 可选, 默认为 2560) — 隐藏层表示的维度。 - num_hidden_layers (
int, 可选, 默认为 54) — 模型中的隐藏层数。 - layers_block_type (
list, 可选) — 层类型的列表，可以是 “mamba” 或 “hybrid”。 - mamba_d_state (
int, 可选, 默认为 64) — 状态空间潜在变量的形状。 - mamba_d_conv (
int, 可选, 默认为 4) — 卷积核的大小。 - mamba_expand (
int, 可选, 默认为 2) — 用于确定中间大小的扩展因子。 - mamba_ngroups (
int, 可选, 默认为 1) — mamba 2 的演化矩阵的组数。 - time_step_min (
float, 可选, 默认为 0.001) — 用于限制dt_proj.bias的最小值time_step。 - time_step_max (
float, 可选, 默认为 0.1) — 用于限制dt_proj.bias的最大值time_step。 - time_step_floor (
float, 可选, 默认为 0.0001) —dt_proj.bias层初始化的最小钳制值。 - time_step_limit (
tuple, 可选) — 接受的时间步长值范围。 - n_mamba_heads (
int, 可选, 默认为 8) — mamba 2 的演化矩阵的头数。 - use_conv_bias (
bool, 可选, 默认为True) — 是否在混合器块的卷积层中使用偏置。 - chunk_size (
int, 可选, 默认为 256) — 将构成序列的块的大小。 - use_mem_eff_path (
bool, 可选, 默认为False) — 是否在 mamba2 层中使用融合的 conv1d 和 scan。 - add_bias_linear (
bool, 可选, 默认为False) — 指示是否在各种层中使用偏置的标志 - intermediate_size (
int, 可选, 默认为 4 * hidden_size) — MLP 表示的维度。 - hidden_act (
str, 可选, 默认为"gelu") — MLP 中的非线性激活函数（函数或字符串）。 - num_attention_heads (
int, 可选, 默认为 32) — Transformer 解码器中每个注意力层的注意力头数。 - num_key_value_heads (
int, 可选) — 这是应用于实现分组查询注意力 (Grouped Query Attention) 的 key_value 头部的数量。如果num_key_value_heads=None，模型将使用多头注意力 (Multi Head Attention, MHA)；如果num_key_value_heads=1，模型将使用多查询注意力 (Multi Query Attention, MQA)；否则将使用 GQA。当将多头检查点转换为 GQA 检查点时，每个组的 key 和 value 头部应通过平均池化该组内的所有原始头部来构建。有关更多详细信息，请查看 本文。 - attention_dropout (
float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - num_mem_blocks (
int, 可选, 默认为 1) — 非共享 Transformer 块的数量。 - use_shared_attention_adapter (
bool, 可选, 默认为False) — 如果为 True，则非共享适配器（形式上与 LoRA 相同，但在基础模型中使用）将被添加到共享注意力层中的 q、k、v 投影层。 - adapter_rank (
int, 可选, 默认为 128) — 共享 MLP 和共享注意力层中适配器的秩。 - use_mem_rope (
bool, 可选, 默认为False) — 如果为 True，则在共享注意力层中包含 RoPE。 - rope_theta (
float, 可选, 默认为10000.0) — RoPE 嵌入的基础周期。 - initializer_range (
float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的truncated_normal_initializer的标准差。 - rms_norm_eps (
float, 可选, 默认为 1e-05) — RMS 归一化层使用的 epsilon 值。 - 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。 - num_logits_to_keep (
int或None, 可选, 默认为 1) — 生成期间要计算的 prompt logits 的数量。如果为None，将计算所有 logits。如果为整数值，则仅计算最后num_logits_to_keep个 logits。默认为 1，因为生成只需要最后一个 prompt token 的 logits。对于长序列，整个序列的 logits 可能会占用大量内存，因此，设置num_logits_to_keep=1将显著减少内存占用。 - pad_token_id (
int, 可选, 默认为 0) — padding token 的 id。 - bos_token_id (
int, 可选, 默认为 1) — “sequence 的开始” token 的 id。 - eos_token_id (
int, 可选, 默认为 2) — “sequence 的结束” token 的 id。 - use_long_context (
bool, 可选, 默认为False) — 通过修改 RoPE 激活 Zamba 的上下文扩展版本。
这是用于存储 Zamba2Model 配置的配置类。它用于根据指定的参数实例化 Zamba2 模型，定义模型架构。使用默认值实例化配置将产生与 Zamba2 模型类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 中的文档。
>>> from transformers import Zamba2Model, Zamba2Config
>>> # Initializing a Zamba2-2.7B style configuration
>>> configuration = Zamba2Config()
>>> # Initializing a model from the Zamba2-2.7B style configuration
>>> model = Zamba2Model(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configZamba2Model
class transformers.Zamba2Model
< source >( config: Zamba2Config )
参数
- config (Zamba2Config) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
- config — Zamba2Config
裸 Zamba2 模型，输出原始隐藏状态，顶部没有任何特定的 head。此模型继承自 PreTrainedModel。查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入 embedding 大小、剪枝 head 等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档，了解与一般用法和行为相关的所有事项。
由 config.num_hidden_layers 层组成的模型。
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.models.zamba2.modeling_zamba2.Zamba2HybridDynamicCache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None )
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) — 词汇表中输入序列 token 的索引。如果您提供 padding，默认情况下 padding 将被忽略。索引可以使用 AutoTokenizer 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形状为(batch_size, sequence_length), 可选) — Mask，用于避免对 padding token 索引执行 attention。Mask 值在[0, 1]中选择：- 1 表示 token 未被 mask，
- 0 表示 token 已被 mask。
索引可以使用 AutoTokenizer 获取。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后一个input_ids（请参阅past_key_values）。如果您想更改 padding 行为，您应该阅读
modeling_opt._prepare_decoder_attention_mask并根据您的需要进行修改。有关默认策略的更多信息，请参阅 论文 中的图 1。- 1 表示 head 未被 mask，
- 0 表示 head 已被 mask。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 位置 embedding 中每个输入序列 token 的位置索引。在范围[0, config.n_positions - 1]中选择。 - past_key_values (
Zamba2HybridDynamicCache, 可选, 当传递use_cache=True或config.use_cache=True时返回) — 一个 Zamba2HybridDynamicCache 对象，其中包含预先计算的隐藏状态（自注意力模块中的键和值，以及 Mamba 模块中的卷积和 SSM 状态），这些状态可以用于（请参阅past_key_values输入）加速顺序解码。键和值缓存张量的形状为(batch_size, num_heads, seq_len, head_dim)。卷积和 SSM 状态张量的形状分别为(batch_size, d_inner, d_conv)和(batch_size, d_inner, d_state)。有关更多详细信息，请参阅Zamba2HybridDynamicCache类。如果使用
past_key_values，用户可以选择仅输入最后一个input_ids（那些没有将其 past key value 状态提供给此模型的 input_ids），形状为(batch_size, 1)，而不是形状为(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size), 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。如果您希望比模型的内部 embedding 查找矩阵更精细地控制如何将input_ids索引转换为关联的向量，这将非常有用。 - use_cache (
bool, 可选) — 如果设置为True，则返回past_key_values键值状态，并且可以用于加速解码（请参阅past_key_values）。 - output_attentions (
bool, 可选) — 是否返回所有 attention 层的 attentions 张量。 有关更多详细信息，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，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是纯粹的元组。 - cache_position (
torch.LongTensor，形状为(sequence_length)，可选) — 索引，描述输入序列 token 在序列中的位置。与position_ids相反，此张量不受 padding 的影响。它用于在正确的位置更新缓存并推断完整序列长度。
Zamba2Model 的 forward 方法重写了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
Zamba2ForCausalLM
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.models.zamba2.modeling_zamba2.Zamba2HybridDynamicCache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **loss_kwargs ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) — 词汇表中输入序列 tokens 的索引。如果提供 padding，默认情况下将被忽略。索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形状为(batch_size, sequence_length)，可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。Mask 值在[0, 1]中选择：- 1 表示 token 未被 mask，
- 0 表示 token 已被 mask。
索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后的input_ids（请参阅past_key_values）。如果要更改 padding 行为，则应阅读
modeling_opt._prepare_decoder_attention_mask并根据您的需要进行修改。 有关默认策略的更多信息，请参见 论文 中的图 1。- 1 表示 head 未被 mask，
- 0 表示 head 已被 mask。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 每个输入序列 token 在位置嵌入中的位置索引。在范围[0, config.n_positions - 1]中选择。 - past_key_values (
Zamba2HybridDynamicCache，可选，当传递use_cache=True或当config.use_cache=True时返回) — 一个 Zamba2HybridDynamicCache 对象，包含预先计算的 hidden-states（自注意力模块中的键和值，以及 mamba 模块中的卷积和 ssm 状态），可以用于（请参阅past_key_values输入）加速顺序解码。键和值缓存张量的形状为(batch_size, num_heads, seq_len, head_dim)。卷积和 ssm 状态张量的形状分别为(batch_size, d_inner, d_conv)和(batch_size, d_inner, d_state)。有关更多详细信息，请参见Zamba2HybridDynamicCache类。如果使用
past_key_values，则用户可以选择仅输入最后的input_ids（那些没有将其过去键值状态提供给此模型的输入 ID），形状为(batch_size, 1)，而不是形状为(batch_size, sequence_length)的所有input_ids。 - inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。 如果您想要比模型的内部嵌入查找矩阵更好地控制如何将input_ids索引转换为关联的向量，这将非常有用。 - use_cache (
bool，可选) — 如果设置为True，则返回past_key_values键值状态，并且可以用于加速解码（请参阅past_key_values）。 - output_attentions (
bool，可选) — 是否返回所有注意力层的 attentions 张量。 有关更多详细信息，请参见返回的张量下的attentions。 - output_hidden_states (
bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参见返回的张量下的hidden_states。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是纯粹的元组。 - cache_position (
torch.LongTensor，形状为(sequence_length)，可选) — 索引，描述输入序列 token 在序列中的位置。与position_ids相反，此张量不受 padding 的影响。它用于在正确的位置更新缓存并推断完整序列长度。 - labels (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 用于计算 masked language modeling loss 的标签。 索引应在[0, ..., config.vocab_size]或 -100 范围内（请参阅input_idsdocstring）。 索引设置为-100的 tokens 将被忽略（masked），loss 仅针对标签在[0, ..., config.vocab_size]中的 tokens 计算。 - logits_to_keep (
int或torch.Tensor，可选) — 如果是int，则计算最后logits_to_keep个 tokens 的 logits。 如果为0，则计算所有input_ids的 logits（特殊情况）。 生成只需要最后一个 token logits，并且仅为该 token 计算它们可以节省内存，这对于长序列或大词汇量大小来说变得非常重要。 如果是torch.Tensor，则必须是与序列长度维度中要保留的索引相对应的 1D 张量。 这在使用 packed tensor 格式（批次和序列长度的单个维度）时很有用。
返回值
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (Zyphra/Zamba2-2.7B) 和输入。
-
loss (
torch.FloatTensor，形状为(1,)，可选，当提供labels时返回) — 语言建模 loss（用于下一个 token 预测）。 -
logits (
torch.FloatTensor，形状为(batch_size, sequence_length, config.vocab_size)) — 语言建模 head 的预测分数（SoftMax 之前每个词汇表 token 的分数）。 -
past_key_values (
tuple(tuple(torch.FloatTensor))，可选，当传递use_cache=True或当config.use_cache=True时返回) — 长度为config.n_layers的tuple(tuple(torch.FloatTensor))元组，其中每个元组都有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量）包含预先计算的 hidden-states（自注意力模块中的键和值），可以用于（请参阅
past_key_values输入）加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)，可选，当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（对于嵌入的输出，如果模型具有嵌入层，则为一个；+ 对于每层的输出，则为一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的 Hidden-states，加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)，可选，当传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 之后的 attentions 权重，用于计算自注意力 heads 中的加权平均值。
Zamba2ForCausalLM 的 forward 方法重写了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, Zamba2ForCausalLM
>>> model = Zamba2ForCausalLM.from_pretrained("Zyphra/Zamba2-7B-v1")
>>> tokenizer = AutoTokenizer.from_pretrained("Zyphra/Zamba2-7B-v1")
>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."Zamba2ForSequenceClassification
class transformers.Zamba2ForSequenceClassification
< source >( config )
参数
- config (Zamba2Config) — 具有模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型关联的权重，仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
Zamba2 模型，顶部带有序列分类 head（线性层）。
Zamba2ForSequenceClassification 使用最后一个 token 来进行分类，就像其他因果模型（例如 GPT-2）一样。
由于它对最后一个 token 进行分类，因此需要知道最后一个 token 的位置。如果在配置中定义了 pad_token_id，它会在每一行中找到最后一个不是 padding token 的 token。 如果没有定义 pad_token_id，它会简单地取每行 batch 中的最后一个值。 由于当传递 inputs_embeds 而不是 input_ids 时，它无法猜测 padding token，因此它也会执行相同的操作（取每行 batch 中的最后一个值）。
此模型继承自 PreTrainedModel。 有关库为所有模型实现的通用方法（例如下载或保存、调整输入 embeddings 大小、剪枝 heads 等），请查看超类文档。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档，了解与一般用法和行为相关的所有事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[transformers.cache_utils.Cache, typing.List[torch.FloatTensor], NoneType] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None )
参数
- input_ids (形状为
(batch_size, sequence_length)的torch.LongTensor) — 词汇表中输入序列 tokens 的索引。 如果您提供 padding，默认情况下将被忽略。索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)的torch.Tensor, 可选) — Mask，用于避免在 padding token 索引上执行 attention。 在[0, 1]中选择的 Mask 值：- 1 表示 未被 mask 的 tokens，
- 0 表示 已被 mask 的 tokens。
索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values，则可以选择仅输入最后的input_ids（请参阅past_key_values）。如果您想更改 padding 行为，您应该阅读
modeling_opt._prepare_decoder_attention_mask并根据您的需要进行修改。 有关默认策略的更多信息，请参见 论文 中的图 1。- 1 表示 head 未被 mask，
- 0 表示 head 已被 mask。
- position_ids (形状为
(batch_size, sequence_length)的torch.LongTensor, 可选) — 位置 embeddings 中每个输入序列 token 的位置索引。 在[0, config.n_positions - 1]范围内选择。 - past_key_values (
Zamba2HybridDynamicCache, 可选, 当传递use_cache=True或config.use_cache=True时返回) — 一个 Zamba2HybridDynamicCache 对象，其中包含预先计算的 hidden-states（自注意力模块中的 keys 和 values，以及 mamba 模块中的卷积和 ssm 状态），可以用于加速顺序解码（请参阅past_key_values输入）。 Key 和 value cache tensors 的形状为(batch_size, num_heads, seq_len, head_dim)。 卷积和 ssm 状态 tensors 的形状分别为(batch_size, d_inner, d_conv)和(batch_size, d_inner, d_state)。 有关更多详细信息，请参阅Zamba2HybridDynamicCache类。如果使用
past_key_values，则用户可以选择仅输入最后的input_ids（那些没有将其 past key value 状态提供给此模型的 input_ids），形状为(batch_size, 1)，而不是所有形状为(batch_size, sequence_length)的input_ids。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor, 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递input_ids。 如果您希望比模型的内部 embedding 查找矩阵更精细地控制如何将input_ids索引转换为关联的向量，这将非常有用。 - use_cache (
bool, 可选) — 如果设置为True，则返回past_key_values键值状态，并且可以用于加速解码（请参阅past_key_values）。 - output_attentions (
bool, 可选) — 是否返回所有 attention 层的 attentions tensors。 有关更多详细信息，请参阅返回的 tensors 下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参阅返回的 tensors 下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (形状为
(sequence_length)的torch.LongTensor, 可选) — 索引，描述输入序列 tokens 在序列中的位置。 与position_ids相反，此 tensor 不受 padding 的影响。 它用于在正确的位置更新 cache 并推断完整序列长度。 - labels (形状为
(batch_size,)的torch.LongTensor, 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]中。 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（交叉熵损失）。
Zamba2ForSequenceClassification 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。