Hugging Face 的 LOGO

Transformers 文件

GPT-NeoX-Japanese

Hugging Face's logo
加入 Hugging Face 社群

並獲得增強的文件體驗

開始使用

GPT-NeoX-Japanese

PyTorch FlashAttention

概述

我們介紹了 GPT-NeoX-Japanese，這是一個基於 https://github.com/EleutherAI/gpt-neox 訓練的日語自迴歸語言模型。日語是一種獨特的語言，詞彙量大，並且結合了平假名、片假名和漢字書寫系統。為了應對日語獨特的結構，我們使用了一個特殊的子詞分詞器。我們非常感謝 tanreinama 開源了這個非常有幫助的分詞器。根據谷歌關於 PaLM 的研究建議，我們移除了 Transformer 塊中的偏置引數，從而實現了更好的模型效能。詳情請參閱這篇文章。

該模型的開發由來自 ABEJA, Inc. 的 Shinya Otani、Takayoshi Makabe、Anuj Arora 和 Kyo Hattori 領導。有關此模型構建活動的更多資訊，請參閱這裡（日語）。

使用示例

generate() 方法可用於使用 GPT NeoX Japanese 模型生成文字。

>>> from transformers import GPTNeoXJapaneseForCausalLM, GPTNeoXJapaneseTokenizer

>>> model = GPTNeoXJapaneseForCausalLM.from_pretrained("abeja/gpt-neox-japanese-2.7b")
>>> tokenizer = GPTNeoXJapaneseTokenizer.from_pretrained("abeja/gpt-neox-japanese-2.7b")

>>> prompt = "人とAIが協調するためには、"

>>> input_ids = tokenizer(prompt, return_tensors="pt").input_ids

>>> gen_tokens = model.generate(
...     input_ids,
...     do_sample=True,
...     temperature=0.9,
...     max_length=100,
... )
>>> gen_text = tokenizer.batch_decode(gen_tokens, skip_special_tokens=True)[0]

>>> print(gen_text)
人とAIが協調するためには、AIと人が共存し、AIを正しく理解する必要があります。

資源

GPTNeoXJapaneseConfig

class transformers.GPTNeoXJapaneseConfig

< >

( vocab_size = 32000 hidden_size = 2560 num_hidden_layers = 32 num_attention_heads = 32 intermediate_multiple_size = 4 hidden_act = 'gelu' rotary_pct = 1.0 rotary_emb_base = 10000 max_position_embeddings = 2048 initializer_range = 0.02 layer_norm_eps = 1e-05 use_cache = True bos_token_id = 31996 eos_token_id = 31999 rope_scaling = None attention_dropout = 0.1 hidden_dropout = 0.0 **kwargs )

引數

  • vocab_size (int, optional, 預設為 32000) — GPTNeoXJapanese 模型的詞彙表大小。定義了在呼叫 GPTNeoXJapanese 時傳入的 inputs_ids 可以表示的不同詞元的數量。
  • hidden_size (int, optional, 預設為 2560) — 編碼器層和池化層的維度。
  • num_hidden_layers (int, optional, 預設為 32) — Transformer 編碼器中的隱藏層數量。
  • num_attention_heads (int, optional, 預設為 32) — Transformer 編碼器中每個注意力層的注意力頭數量。
  • intermediate_multiple_size (int, optional, 預設為 4) — Transformer 編碼器中“中間”層的維度透過 hidden_size * intermediate_multiple_size 計算。
  • hidden_act (str or function, optional, 預設為 "gelu") — 編碼器和池化層中的非線性啟用函式（函式或字串）。
  • rotary_pct (float, optional, 預設為 1.00) — 分配給旋轉嵌入的隱藏維度百分比。
  • rotary_emb_base (int, optional, 預設為 10000) — 計算旋轉嵌入頻率的基數。
  • max_position_embeddings (int, optional, 預設為 2048) — 此模型可能使用的最大序列長度。
  • initializer_range (float, optional, 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, optional, 預設為 1e-5) — 層歸一化層使用的 epsilon 值。
  • use_cache (bool, optional, 預設為 True) — 模型是否應返回最後一個鍵/值注意力（並非所有模型都使用）。僅在 config.is_decoder=True 時相關。
  • rope_scaling (Dict, optional) — 包含 RoPE 嵌入縮放配置的字典。注意：如果你應用了新的 rope 型別，並期望模型在更長的 max_position_embeddings 上工作，我們建議你相應地更新此值。預期內容：rope_type (str)：要使用的 RoPE 子變體。可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 之一，其中 ‘default’ 是原始 RoPE 實現。factor (float, optional)：與除 ‘default’ 之外的所有 rope 型別一起使用。應用於 RoPE 嵌入的縮放因子。在大多數縮放型別中，factor 為 x 將使模型能夠處理長度為 x * 原始最大預訓練長度的序列。original_max_position_embeddings (int, optional)：與 ‘dynamic’、‘longrope’ 和 ‘llama3’ 一起使用。預訓練期間使用的原始最大位置嵌入。attention_factor (float, optional)：與 ‘yarn’ 和 ‘longrope’ 一起使用。應用於注意力計算的縮放因子。如果未指定，則預設為實現推薦的值，使用 factor 欄位推斷建議值。beta_fast (float, optional)：僅與 ‘yarn’ 一起使用。用於設定線性斜坡函式中外插（僅）邊界的引數。如果未指定，則預設為 32。beta_slow (float, optional)：僅與 ‘yarn’ 一起使用。用於設定線性斜坡函式中內插（僅）邊界的引數。如果未指定，則預設為 1。short_factor (list[float], optional)：僅與 ‘longrope’ 一起使用。應用於短上下文（< original_max_position_embeddings）的縮放因子。必須是與隱藏大小除以注意力頭數再除以 2 長度相同的數字列表。long_factor (list[float], optional)：僅與 ‘longrope’ 一起使用。應用於長上下文（< original_max_position_embeddings）的縮放因子。必須是與隱藏大小除以注意力頭數再除以 2 長度相同的數字列表。low_freq_factor (float, optional)：僅與 ‘llama3’ 一起使用。應用於 RoPE 低頻分量的縮放因子。high_freq_factor (float, optional)：僅與 ‘llama3’ 一起使用。應用於 RoPE 高頻分量的縮放因子。
  • attention_dropout (float, optional, 預設為 0.1) — 注意力的 dropout 比率。
  • hidden_dropout (float, optional, 預設為 0.0) — 隱藏層的 dropout 比率。
  • 示例 —

這是用於儲存 GPTNeoXModelJapanese 配置的配置類。它用於根據指定的引數例項化一個 GPTNeoX 模型，定義模型架構。使用預設值例項化配置將產生與 GPTNeoXJapanese abeja/gpt-neox-japanese-2.7b 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。預設配置設定為 2.7B 模型。

>>> from transformers import GPTNeoXJapaneseConfig, GPTNeoXJapaneseModel

>>> # Initializing a GPTNeoXJapanese gpt-neox-japanese-2.7b style configuration
>>> configuration = GPTNeoXJapaneseConfig()

>>> # Initializing a model (with random weights) from the gpt-neox-japanese-2.7b style configuration
>>> model = GPTNeoXJapaneseModel(configuration)

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

GPTNeoXJapaneseTokenizer

class transformers.GPTNeoXJapaneseTokenizer

< >

( vocab_file emoji_file unk_token = '<|endoftext|>' pad_token = '<|endoftext|>' bos_token = '<|startoftext|>' eos_token = '<|endoftext|>' do_clean_text = False **kwargs )

引數

  • vocab_file (str) — 包含詞彙表的檔案。
  • emoji_file (str) — 包含表情符號的檔案。
  • unk_token (str, optional, 預設為 "<|endoftext|>") — 未知詞元。不在詞彙表中的詞元無法轉換為 ID，將被設定為此詞元。
  • pad_token (str, 可選, 預設為 "<|endoftext|>") — 用於填充的詞元。
  • bos_token (str, 可選, 預設為 "<|startoftext|>") — 序列開始詞元。
  • eos_token (str, 可選, 預設為 "<|endoftext|>") — 序列結束詞元。
  • do_clean_text (bool, 可選, 預設為 False) — 是否為URL、EMAIL、TEL、日語日期和日語價格清理文字。

此分詞器繼承自 PreTrainedTokenizer，並基於此倉庫（https://github.com/tanreinama/Japanese-BPEEncoder_V2）中使用的日語專用子詞編碼。有關詳細資訊，請檢視該倉庫。日語的詞彙量相對較大，且詞與詞之間沒有分隔。此外，該語言是平假名、片假名和漢字的組合，並且經常使用諸如“1”和“①”之類的變體。為了應對這些情況，此分詞器具有以下特點：

  • 逐子詞分割，介於位元組串和形態分析之間。
  • 為每個漢字、平假名和片假名字元建立BPE，並且不存在跨越字元型別的BPE，例如漢字+平假名或平假名+片假名。
  • 不需要 <unk> 的全位元組編碼。
  • 獨立於UTF程式碼，如2位元組和3位元組字元。
  • 將異形字轉換為相同的 token_id。
  • Emoji和表情符號被分組為12種特殊標籤。

示例

>>> from transformers import GPTNeoXJapaneseTokenizer

>>> tokenizer = GPTNeoXJapaneseTokenizer.from_pretrained("abeja/gpt-neox-japanese-2.7b")
>>> # You can confirm both 慶応 and 慶應 are encoded to 17749
>>> tokenizer("吾輩は貓である🐯。実は慶応(慶應)大學出身")["input_ids"]
[30014, 26883, 26638, 27228, 25, 26650, 31732, 31679, 27809, 26638, 17749, 31592, 17749, 31593, 321, 1281]

>>> # Both 慶応 and 慶應 are decoded to 慶応
>>> tokenizer.decode(tokenizer("吾輩は貓である🐯。実は慶応(慶應)大學出身")["input_ids"])
'吾輩は貓である🐯。実は慶応(慶応)大學出身'

convert_tokens_to_string

< >

( tokens )

將標記序列（字串）轉換為單個字串。

GPTNeoXJapaneseModel

class transformers.GPTNeoXJapaneseModel

< >

( config )

引數

  • config (GPTNeoXJapaneseModel) — 包含模型所有引數的模型配置類。使用配置檔案進行初始化不會載入與模型相關的權重，僅載入配置。請檢視 from_pretrained() 方法來載入模型權重。

原始的 Gpt Neox Japanese 模型，輸出原始隱藏狀態，頂部沒有任何特定的頭。

該模型繼承自 PreTrainedModel。查閱超類文件，瞭解庫為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、修剪頭部等）。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規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 position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None past_key_values: typing.Union[transformers.cache_utils.Cache, tuple[tuple[torch.FloatTensor]], NoneType] = 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 ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 詞彙表中輸入序列詞元的索引。預設情況下，填充將被忽略。

    索引可以使用 AutoTokenizer 獲得。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

    什麼是輸入ID？

  • attention_mask (torch.FloatTensor，形狀為 (batch_size, sequence_length), 可選) — 用於避免對填充詞元索引執行注意力機制的掩碼。掩碼值選自 [0, 1]：

    • 1 表示詞元未被遮蔽，
    • 0 表示詞元被遮蔽。

    什麼是注意力掩碼？

  • position_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 位置嵌入中每個輸入序列詞元的位置索引。選值範圍為 [0, config.n_positions - 1]。

    什麼是位置ID？

  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組中選定的頭無效的掩碼。掩碼值選自 [0, 1]：

    • 1 表示頭未被遮蔽，
    • 0 表示頭被遮蔽。
  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 可選) — 可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想比模型內部的嵌入查詢矩陣更好地控制如何將 input_ids 索引轉換為關聯向量，這會很有用。
  • past_key_values (Union[~cache_utils.Cache, tuple[tuple[torch.FloatTensor]], NoneType]) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速序列解碼。這通常包括在解碼的先前階段，當 use_cache=True 或 config.use_cache=True 時由模型返回的 past_key_values。

    允許兩種格式：

    • 一個 Cache 例項，請參閱我們的 kv 快取指南；
    • 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量。這也稱為舊版快取格式。

    模型將輸出與輸入相同的快取格式。如果沒有傳入 past_key_values，將返回舊版快取格式。

    如果使用 past_key_values，使用者可以選擇只輸入最後一個 input_ids（那些沒有為其提供過去鍵值狀態的 input_ids），形狀為 (batch_size, 1)，而不是所有形狀為 (batch_size, sequence_length) 的 input_ids。

  • use_cache (bool, 可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，並可用於加速解碼（請參閱 past_key_values）。
  • 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) — 是否返回一個 ModelOutput 而不是一個普通的元組。
  • cache_position (torch.LongTensor，形狀為 (sequence_length), 可選) — 描述輸入序列詞元在序列中位置的索引。與 position_ids 相反，此張量不受填充影響。它用於在正確的位置更新快取並推斷完整的序列長度。

返回

transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.BaseModelOutputWithPast 或一個 `torch.FloatTensor` 元組（如果傳遞了 `return_dict=False` 或 `config.return_dict=False`），根據配置（GPTNeoXJapaneseConfig）和輸入，包含各種元素。

  • last_hidden_state (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。

    如果使用了 past_key_values，則只輸出形狀為 (batch_size, 1, hidden_size) 的序列的最後一個隱藏狀態。

  • past_key_values (Cache, 可選, 在傳遞 `use_cache=True` 或 `config.use_cache=True` 時返回) — 這是一個 Cache 例項。更多詳情，請參閱我們的 kv 快取指南。

    包含預先計算的隱藏狀態（自注意力塊中的鍵和值，如果 `config.is_encoder_decoder=True`，則還包括交叉注意力塊中的鍵和值），可用於（請參閱 `past_key_values` 輸入）加速順序解碼。

  • hidden_states (tuple(torch.FloatTensor), 可選, 在傳遞 `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），再加上每個層的輸出）。

    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, 在傳遞 `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。

GPTNeoXJapaneseModel 的 forward 方法會覆蓋 __call__ 特殊方法。

儘管前向傳播的配方需要在此函式內定義，但之後應呼叫 `Module` 例項而不是此函式，因為前者會處理執行前處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, GPTNeoXJapaneseModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("abeja/gpt-neox-japanese-2.7b")
>>> model = GPTNeoXJapaneseModel.from_pretrained("abeja/gpt-neox-japanese-2.7b")

>>> inputs = tokenizer("日本語のGPT-neoxがHugging Faceで使えます😀", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

GPTNeoXJapaneseForCausalLM

class transformers.GPTNeoXJapaneseForCausalLM

< >

( config )

引數

  • config (GPTNeoXJapaneseForCausalLM) — 包含模型所有引數的模型配置類。使用配置檔案進行初始化不會載入與模型相關的權重，僅載入配置。請檢視 from_pretrained() 方法來載入模型權重。

GPTNeoXJapanese 模型，其頂部帶有一個 `語言建模` 頭，用於分類器模型的微調。

該模型繼承自 PreTrainedModel。查閱超類文件，瞭解庫為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、修剪頭部等）。

該模型也是 PyTorch torch.nn.Module 的子類。可以像常規 PyTorch 模組一樣使用它，並參考 PyTorch 文件瞭解所有與常規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 position_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None past_key_values: typing.Union[transformers.cache_utils.Cache, tuple[tuple[torch.FloatTensor]], NoneType] = 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 **kwargs ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 詞彙表中輸入序列詞元的索引。預設情況下，填充將被忽略。

    索引可以使用 AutoTokenizer 獲得。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

    什麼是輸入ID？

  • attention_mask (torch.FloatTensor，形狀為 (batch_size, sequence_length), 可選) — 用於避免對填充詞元索引執行注意力機制的掩碼。掩碼值選自 [0, 1]：

    • 1 表示詞元未被遮蔽，
    • 0 表示詞元被遮蔽。

    什麼是注意力掩碼？

  • position_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 位置嵌入中每個輸入序列詞元的位置索引。選值範圍為 [0, config.n_positions - 1]。

    什麼是位置ID？

  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 可選) — 可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想比模型內部的嵌入查詢矩陣更好地控制如何將 input_ids 索引轉換為關聯向量，這會很有用。
  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組中選定的頭無效的掩碼。掩碼值選自 [0, 1]：

    • 1 表示頭未被遮蔽，
    • 0 表示頭被遮蔽。
  • past_key_values (Union[~cache_utils.Cache, tuple[tuple[torch.FloatTensor]], NoneType]) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速序列解碼。這通常包括在解碼的先前階段，當 use_cache=True 或 config.use_cache=True 時由模型返回的 past_key_values。

    允許兩種格式：

    • 一個 Cache 例項，請參閱我們的 kv 快取指南；
    • 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量。這也稱為舊版快取格式。

    模型將輸出與輸入相同的快取格式。如果沒有傳入 past_key_values，將返回舊版快取格式。

    如果使用 past_key_values，使用者可以選擇只輸入最後一個 input_ids（那些沒有為其提供過去鍵值狀態的 input_ids），形狀為 (batch_size, 1)，而不是所有形狀為 (batch_size, sequence_length) 的 input_ids。

  • labels (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 用於計算從左到右語言建模損失（下一個詞預測）的標籤。索引應在 [-100, 0, ..., config.vocab_size] 範圍內（參見 input_ids 文件字串）。索引設定為 -100 的詞元將被忽略（遮蔽），損失僅對標籤在 [0, ..., config.vocab_size] 範圍內的詞元進行計算。
  • use_cache (bool, 可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，並可用於加速解碼（請參閱 past_key_values）。
  • 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) — 是否返回一個 ModelOutput 而不是一個普通的元組。
  • cache_position (torch.LongTensor，形狀為 (sequence_length), 可選) — 描述輸入序列詞元在序列中位置的索引。與 position_ids 相反，此張量不受填充影響。它用於在正確的位置更新快取並推斷完整的序列長度。

返回

transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.CausalLMOutputWithPast 或一個 `torch.FloatTensor` 元組（如果傳遞了 `return_dict=False` 或 `config.return_dict=False`），根據配置（GPTNeoXJapaneseConfig）和輸入，包含各種元素。

  • loss (torch.FloatTensor 形狀為 (1,)，可選，當提供 labels 時返回) — 語言建模損失（用於下一個 token 預測）。

  • logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。

  • past_key_values (Cache, 可選, 在傳遞 `use_cache=True` 或 `config.use_cache=True` 時返回) — 這是一個 Cache 例項。更多詳情，請參閱我們的 kv 快取指南。

    包含預計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速順序解碼。

  • hidden_states (tuple(torch.FloatTensor), 可選, 在傳遞 `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），再加上每個層的輸出）。

    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, 在傳遞 `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。

GPTNeoXJapaneseForCausalLM 的 forward 方法會覆蓋 __call__ 特殊方法。

儘管前向傳播的配方需要在此函式內定義，但之後應呼叫 `Module` 例項而不是此函式，因為前者會處理執行前處理和後處理步驟，而後者會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, GPTNeoXJapaneseForCausalLM, GPTNeoXJapaneseConfig
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("abeja/gpt-neox-japanese-2.7b")
>>> config = GPTNeoXJapaneseConfig.from_pretrained("abeja/gpt-neox-japanese-2.7b")
>>> config.is_decoder = True
>>> model = GPTNeoXJapaneseForCausalLM.from_pretrained("abeja/gpt-neox-japanese-2.7b", config=config)

>>> inputs = tokenizer("日本語のGPT-neoxがHugging Faceで使えます😀", return_tensors="pt")
>>> outputs = model(**inputs)

>>> prediction_logits = outputs.logits
< > 在 GitHub 上更新

←GPT NeoX GPT-J→
© . This site is unofficial and not affiliated with Hugging Face, Inc.