Hugging Face 的 LOGO

Transformers 文件

ALBERT

Hugging Face's logo
加入 Hugging Face 社群

並獲得增強的文件體驗

開始使用

PyTorch TensorFlow Flax SDPA

ALBERT

ALBERT旨在解決BERT擴充套件和訓練時的記憶體限制問題。它增加了兩種引數減少技術。第一種是分解式嵌入引數化，它將較大的詞彙嵌入矩陣分解為兩個較小的矩陣，這樣可以在不增加過多引數的情況下增大隱藏層的大小。第二種是跨層引數共享，它允許層之間共享引數，從而保持可學習引數的數量較低。

ALBERT的建立是為了解決BERT中諸如GPU/TPU記憶體限制、訓練時間更長以及意外的模型效能下降等問題。ALBERT使用兩種引數削減技術來降低記憶體消耗並提高BERT的訓練速度。

  • 分解式嵌入引數化（Factorized embedding parameterization）： 將大的詞彙嵌入矩陣分解為兩個較小的矩陣，從而減少記憶體消耗。
  • 跨層引數共享（Cross-layer parameter sharing）： ALBERT不在為每個Transformer層學習獨立的引數，而是在各層之間共享引數，進一步減少了可學習權重（learnable weights）的數量。

ALBERT使用絕對位置嵌入（與BERT類似），因此填充（padding）應用於右側。嵌入的大小為128，而BERT使用768。ALBERT一次最多可以處理512個詞元（token）。

您可以在ALBERT社群組織下找到所有原始的ALBERT檢查點。

點選右側邊欄中的ALBERT模型，檢視更多關於如何將ALBERT應用於不同語言任務的示例。

下面的示例演示瞭如何使用Pipeline、AutoModel以及從命令列預測`[MASK]`詞元。

流水線
自動模型
Transformers CLI
import torch
from transformers import pipeline

pipeline = pipeline(
    task="fill-mask",
    model="albert-base-v2",
    torch_dtype=torch.float16,
    device=0
)
pipeline("Plants create [MASK] through a process known as photosynthesis.", top_k=5)

說明

  • 輸入應在右側進行填充，因為 BERT 使用絕對位置嵌入。
  • 嵌入大小`E`與隱藏大小`H`不同，因為嵌入是上下文無關的（一個嵌入向量代表一個詞元），而隱藏狀態是上下文相關的（一個隱藏狀態代表一個詞元序列）。嵌入矩陣也更大，因為其維度為`V x E`，其中`V`是詞彙表大小。因此，如果`H >> E`會更合理。如果`E < H`，模型的引數會更少。

資源

以下各節提供的資源包括官方Hugging Face和社群（以🌎表示）的資源列表，以幫助您開始使用AlBERT。如果您有興趣提交資源以包含在此處，請隨時提交Pull Request，我們將進行稽核！該資源最好能展示一些新內容，而不是重複現有資源。

文字分類
Token 分類
填充掩碼
問答

多項選擇

AlbertConfig

class transformers.AlbertConfig

< >

( vocab_size = 30000 embedding_size = 128 hidden_size = 4096 num_hidden_layers = 12 num_hidden_groups = 1 num_attention_heads = 64 intermediate_size = 16384 inner_group_num = 1 hidden_act = 'gelu_new' hidden_dropout_prob = 0 attention_probs_dropout_prob = 0 max_position_embeddings = 512 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 classifier_dropout_prob = 0.1 position_embedding_type = 'absolute' pad_token_id = 0 bos_token_id = 2 eos_token_id = 3 **kwargs )

引數

  • vocab_size (int, 可選, 預設為 30000) — ALBERT模型的詞彙表大小。定義了在呼叫 `AlbertModel` 或 `TFAlbertModel` 時，`inputs_ids` 可以表示的不同詞元的數量。
  • embedding_size (int, 可選, 預設為 128) — 詞彙表嵌入的維度。
  • hidden_size (int, 可選, 預設為 4096) — 編碼器層和池化層的維度。
  • num_hidden_layers (int, 可選, 預設為 12) — Transformer編碼器中的隱藏層數量。
  • num_hidden_groups (int, 可選, 預設為 1) — 隱藏層的組數，同一組內的引數是共享的。
  • num_attention_heads (int, 可選, 預設為 64) — Transformer編碼器中每個注意力層的注意力頭數量。
  • intermediate_size (int, 可選, 預設為 16384) — Transformer編碼器中“中間”層（通常稱為前饋層）的維度。
  • inner_group_num (int, 可選, 預設為 1) — 注意力和前饋網路（ffn）的內部重複次數。
  • hidden_act (str 或 Callable, 可選, 預設為 "gelu_new") — 編碼器和池化層中的非線性啟用函式（函式或字串）。如果為字串，支援 "gelu"、"relu"、"silu" 和 "gelu_new"。
  • hidden_dropout_prob (float, 可選, 預設為 0) — 嵌入層、編碼器和池化層中所有全連線層的丟棄（dropout）機率。
  • attention_probs_dropout_prob (float, 可選, 預設為 0) — 注意力機率的丟棄（dropout）比率。
  • max_position_embeddings (int, 可選, 預設為 512) — 此模型可能使用的最大序列長度。通常將其設定為一個較大的值（例如，512、1024或2048）。
  • type_vocab_size (int, 可選, 預設為 2) — 在呼叫 `AlbertModel` 或 `TFAlbertModel` 時，傳遞的 `token_type_ids` 的詞彙表大小。
  • initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的truncated_normal_initializer的標準差。
  • layer_norm_eps (float, 可選, 預設為 1e-12) — 層歸一化層使用的epsilon值。
  • classifier_dropout_prob (float, 可選, 預設為 0.1) — 附加分類器的丟棄（dropout）比率。
  • position_embedding_type (str, 可選, 預設為 "absolute") — 位置嵌入的型別。選擇 "absolute"、"relative_key"、"relative_key_query"之一。對於位置嵌入，使用 "absolute"。有關 "relative_key" 的更多資訊，請參閱《Self-Attention with Relative Position Representations》（Shaw等人）。有關 "relative_key_query" 的更多資訊，請參閱《Improve Transformer Models with Better Relative Position Embeddings》（Huang等人）中的 *方法4*。
  • pad_token_id (int, 可選, 預設為 0) — 填充詞元的ID。
  • bos_token_id (int, 可選, 預設為 2) — 序列開始詞元的ID。
  • eos_token_id (int, 可選, 預設為 3) — 序列結束詞元的ID。

這是用於儲存`AlbertModel`或`TFAlbertModel`配置的配置類。它用於根據指定的引數例項化一個ALBERT模型，定義模型架構。使用預設值例項化配置將產生與ALBERT albert/albert-xxlarge-v2架構類似的配置。

配置物件繼承自PretrainedConfig，可用於控制模型輸出。有關更多資訊，請閱讀PretrainedConfig的文件。

示例

>>> from transformers import AlbertConfig, AlbertModel

>>> # Initializing an ALBERT-xxlarge style configuration
>>> albert_xxlarge_configuration = AlbertConfig()

>>> # Initializing an ALBERT-base style configuration
>>> albert_base_configuration = AlbertConfig(
...     hidden_size=768,
...     num_attention_heads=12,
...     intermediate_size=3072,
... )

>>> # Initializing a model (with random weights) from the ALBERT-base style configuration
>>> model = AlbertModel(albert_xxlarge_configuration)

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

AlbertTokenizer

[[autodoc]] AlbertTokenizer - build_inputs_with_special_tokens - get_special_tokens_mask - create_token_type_ids_from_sequences - save_vocabulary

AlbertTokenizerFast

class transformers.AlbertTokenizerFast

< >

( vocab_file = None tokenizer_file = None do_lower_case = True remove_space = True keep_accents = False bos_token = '[CLS]' eos_token = '[SEP]' unk_token = '<unk>' sep_token = '[SEP]' pad_token = '<pad>' cls_token = '[CLS]' mask_token = '[MASK]' **kwargs )

引數

  • vocab_file (str) — SentencePiece 檔案（通常帶有 .spm 副檔名），其中包含例項化分詞器所需的詞彙表。
  • do_lower_case (bool, 可選, 預設為 True) — 是否在分詞時將輸入轉換為小寫。
  • remove_space (bool, 可選, 預設為 True) — 是否在分詞時去除文字中的空格（刪除字串前後多餘的空格）。
  • keep_accents (bool, 可選, 預設為 False) — 是否在分詞時保留重音符號。
  • bos_token (str, 可選, 預設為 "[CLS]") — 序列開始標記，在預訓練期間使用。可用作序列分類器標記。

    當使用特殊標記構建序列時，這不是用於序列開始的標記。實際使用的標記是 cls_token。
  • eos_token (str, 可選, 預設為 "[SEP]") — 序列結束標記。.. note:: 當使用特殊標記構建序列時，這不是用於序列結束的標記。實際使用的標記是 sep_token。
  • unk_token (str, 可選, 預設為 "<unk>") — 未知標記。不在詞彙表中的標記無法轉換為 ID，將被設定為此標記。
  • sep_token (str, 可選, 預設為 "[SEP]") — 分隔標記，用於從多個序列構建一個序列，例如用於序列分類的兩個序列，或用於問答的文字和問題。它也用作使用特殊標記構建的序列的最後一個標記。
  • pad_token (str, 可選, 預設為 "<pad>") — 用於填充的標記，例如在批處理不同長度的序列時使用。
  • cls_token (str, 可選, 預設為 "[CLS]") — 分類器標記，用於序列分類（對整個序列進行分類，而不是對每個標記進行分類）。當使用特殊標記構建序列時，它是序列的第一個標記。
  • mask_token (str, 可選, 預設為 "[MASK]") — 用於掩碼值的標記。這是在使用掩碼語言模型訓練此模型時使用的標記。模型將嘗試預測此標記。

構建一個“快速”ALBERT分詞器（由HuggingFace的tokenizers庫支援）。基於 Unigram。此分詞器繼承自PreTrainedTokenizerFast，其中包含大部分主要方法。使用者應參考此超類以獲取有關這些方法的更多資訊。

build_inputs_with_special_tokens

< >

( token_ids_0: list token_ids_1: typing.Optional[list[int]] = None ) → List[int]

引數

  • token_ids_0 (List[int]) — 將要新增特殊標記的ID列表
  • token_ids_1 (List[int], 可選) — 用於序列對的可選的第二個ID列表。

返回

List[int]

包含適當特殊標記的 輸入 ID 列表。

透過連線和新增特殊標記，從一個序列或一對序列為序列分類任務構建模型輸入。一個ALBERT序列具有以下格式

  • 單個序列：[CLS] X [SEP]
  • 序列對：[CLS] A [SEP] B [SEP]

Albert特定輸出

class transformers.models.albert.modeling_albert.AlbertForPreTrainingOutput

< >

( loss: typing.Optional[torch.FloatTensor] = None prediction_logits: typing.Optional[torch.FloatTensor] = None sop_logits: typing.Optional[torch.FloatTensor] = None hidden_states: typing.Optional[tuple[torch.FloatTensor]] = None attentions: typing.Optional[tuple[torch.FloatTensor]] = None )

引數

  • loss (*可選*, 當提供了 labels 時返回，形狀為 (1,) 的 torch.FloatTensor) — 總損失，是掩碼語言建模損失和下一句預測（分類）損失的和。
  • prediction_logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭的預測分數（SoftMax之前的每個詞彙標記的分數）。
  • sop_logits (形狀為 (batch_size, 2) 的 torch.FloatTensor) — 下一句預測（分類）頭的預測分數（SoftMax之前的真/假延續分數）。
  • hidden_states (tuple[torch.FloatTensor], 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個用於嵌入層的輸出，如果模型有嵌入層，+ 一個用於每層的輸出）。

    模型在每層輸出時的隱藏狀態以及可選的初始嵌入輸出。

  • attentions (tuple[torch.FloatTensor], 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    注意力 softmax 之後的注意力權重，用於計算自注意力頭中的加權平均值。

AlbertForPreTraining 的輸出型別。

class transformers.models.albert.modeling_tf_albert.TFAlbertForPreTrainingOutput

< >

( loss: Optional[tf.Tensor] = None prediction_logits: Optional[tf.Tensor] = None sop_logits: Optional[tf.Tensor] = None hidden_states: tuple[tf.Tensor] | None = None attentions: tuple[tf.Tensor] | None = None )

引數

  • prediction_logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 tf.Tensor) — 語言建模頭的預測分數（SoftMax之前的每個詞彙標記的分數）。
  • sop_logits (形狀為 (batch_size, 2) 的 tf.Tensor) — 下一句預測（分類）頭的預測分數（SoftMax之前的真/假延續分數）。
  • hidden_states (tuple(tf.Tensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元組（一個用於嵌入層的輸出 + 一個用於每層的輸出）。

    模型在每層輸出時的隱藏狀態以及初始嵌入輸出。

  • attentions (tuple(tf.Tensor), 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元組（每層一個）。

    注意力 softmax 之後的注意力權重，用於計算自注意力頭中的加權平均值。

TFAlbertForPreTraining 的輸出型別。

Pytorch
隱藏 Pytorch 內容

AlbertModel

[[autodoc]] AlbertModel - forward

AlbertForPreTraining

[[autodoc]] AlbertForPreTraining - forward

AlbertForMaskedLM

[[autodoc]] AlbertForMaskedLM - forward

AlbertForSequenceClassification

[[autodoc]] AlbertForSequenceClassification - forward

AlbertForMultipleChoice

class transformers.AlbertForMultipleChoice

< >

( config: AlbertConfig )

引數

  • config (AlbertConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法以載入模型權重。

Albert模型，其頂部帶有多項選擇分類頭（在池化輸出之上是一個線性層和一個softmax），例如用於RocStories/SWAG任務。

此模型繼承自PreTrainedModel。有關該庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪注意力頭等），請檢視超類文件。

該模型也是一個PyTorch torch.nn.Module 子類。可以像常規的PyTorch模組一樣使用它，並參考PyTorch文件瞭解所有與通用用法和行為相關的事項。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.albert.modeling_albert.AlbertForPreTrainingOutput 或 tuple(torch.FloatTensor)

引數

  • input_ids (形狀為 (batch_size, num_choices, sequence_length) 的 torch.LongTensor) — 詞彙表中輸入序列標記的索引。

    可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。

    什麼是輸入ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor, 可選) — 掩碼，用於避免對填充標記索引執行注意力。掩碼值在 [0, 1] 中選擇：

    • 1 表示標記未被掩碼,
    • 0 表示標記被掩碼.

    什麼是注意力掩碼？

  • token_type_ids (形狀為 (batch_size, num_choices, sequence_length) 的 torch.LongTensor, 可選) — 段標記索引，用於指示輸入的第一部分和第二部分。索引在 [0, 1] 中選擇：

    • 0 對應於 *A句* 標記，
    • 1 對應於 *B句* 標記。

    什麼是標記型別ID？

  • position_ids (形狀為 (batch_size, num_choices, sequence_length) 的 torch.LongTensor, 可選) — 位置嵌入中每個輸入序列標記的位置索引。在 [0, config.max_position_embeddings - 1] 範圍內選擇。

    什麼是位置ID？

  • head_mask (形狀為 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor, 可選) — 用於置零自注意力模組中選定頭的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示頭未被掩碼，
    • 0 表示頭被掩碼。
  • inputs_embeds (形狀為 (batch_size, num_choices, sequence_length, hidden_size) 的 torch.FloatTensor, 可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想更好地控制如何將 input_ids 索引轉換為關聯向量，而不是使用模型內部的嵌入查詢矩陣，這會很有用。
  • labels (形狀為 (batch_size,) 的 torch.LongTensor, 可選) — 用於計算多項選擇分類損失的標籤。索引應在 [0, ..., num_choices-1] 範圍內，其中 num_choices 是輸入張量第二維的大小。（參見上面的 input_ids）
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
  • return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。

返回

transformers.models.albert.modeling_albert.AlbertForPreTrainingOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.albert.modeling_albert.AlbertForPreTrainingOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或 config.return_dict=False），根據配置（AlbertConfig）和輸入包含各種元素。

  • loss (*可選*, 當提供了 labels 時返回，形狀為 (1,) 的 torch.FloatTensor) — 總損失，是掩碼語言建模損失和下一句預測（分類）損失的和。

  • prediction_logits (torch.FloatTensor 形狀為 (batch_size, sequence_length, config.vocab_size)) — 語言建模頭的預測分數（SoftMax 之前的每個詞彙 token 的分數）。

  • sop_logits (形狀為 (batch_size, 2) 的 torch.FloatTensor) — 下一句預測（分類）頭的預測分數（SoftMax之前的真/假延續分數）。

  • hidden_states (tuple[torch.FloatTensor], 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個用於嵌入層的輸出，如果模型有嵌入層，+ 一個用於每層的輸出）。

    模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

  • attentions (tuple[torch.FloatTensor], 可選, 當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

AlbertForMultipleChoice 的前向方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的流程需要在此函式內定義，但之後應該呼叫 `Module` 例項而不是此函式，因為前者會處理前後處理步驟，而後者會靜默地忽略它們。

示例

>>> from transformers import AutoTokenizer, AlbertForMultipleChoice
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("albert/albert-xxlarge-v2")
>>> model = AlbertForMultipleChoice.from_pretrained("albert/albert-xxlarge-v2")

>>> 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

用於詞元分類的Albert模型 (AlbertForTokenClassification)

[[autodoc]] AlbertForTokenClassification - forward

用於問題回答的Albert模型 (AlbertForQuestionAnswering)

[[autodoc]] AlbertForQuestionAnswering - forward

TensorFlow
隱藏 TensorFlow 內容

TFAlbertModel

[[autodoc]] TFAlbertModel - call

用於預訓練的TFAlbert模型 (TFAlbertForPreTraining)

[[autodoc]] TFAlbertForPreTraining - call

用於掩碼語言建模的TFAlbert模型 (TFAlbertForMaskedLM)

[[autodoc]] TFAlbertForMaskedLM - call

用於序列分類的TFAlbert模型 (TFAlbertForSequenceClassification)

[[autodoc]] TFAlbertForSequenceClassification - call

用於多項選擇的TFAlbert模型 (TFAlbertForMultipleChoice)

[[autodoc]] TFAlbertForMultipleChoice - call

用於詞元分類的TFAlbert模型 (TFAlbertForTokenClassification)

[[autodoc]] TFAlbertForTokenClassification - call

用於問題回答的TFAlbert模型 (TFAlbertForQuestionAnswering)

[[autodoc]] TFAlbertForQuestionAnswering - call

JAX
隱藏 JAX 內容

FlaxAlbertModel

[[autodoc]] FlaxAlbertModel - call

用於預訓練的FlaxAlbert模型 (FlaxAlbertForPreTraining)

[[autodoc]] FlaxAlbertForPreTraining - call

用於掩碼語言建模的FlaxAlbert模型 (FlaxAlbertForMaskedLM)

[[autodoc]] FlaxAlbertForMaskedLM - call

用於序列分類的FlaxAlbert模型 (FlaxAlbertForSequenceClassification)

[[autodoc]] FlaxAlbertForSequenceClassification - call

用於多項選擇的FlaxAlbert模型 (FlaxAlbertForMultipleChoice)

[[autodoc]] FlaxAlbertForMultipleChoice - call

用於詞元分類的FlaxAlbert模型 (FlaxAlbertForTokenClassification)

[[autodoc]] FlaxAlbertForTokenClassification - call

用於問題回答的FlaxAlbert模型 (FlaxAlbertForQuestionAnswering)

[[autodoc]] FlaxAlbertForQuestionAnswering - call

< > 在 GitHub 上更新

←影片處理器 Arcee→
© . This site is unofficial and not affiliated with Hugging Face, Inc.