Hugging Face 的 LOGO

Transformers 文件

哪吒

Hugging Face's logo
加入 Hugging Face 社群

並獲得增強的文件體驗

開始使用

哪吒

PyTorch

該模型目前僅處於維護模式，我們不接受任何更改其程式碼的新 PR。如果您在執行此模型時遇到任何問題，請重新安裝支援此模型的最後一個版本：v4.40.2。您可以透過執行以下命令來執行此操作：pip install -U transformers==4.40.2。

概述

哪吒模型由 Junqiu Wei 等人在《哪吒：用於中文語言理解的神經上下文表示》中提出。

論文摘要如下：

預訓練語言模型由於其在大規模語料庫上預訓練以捕獲文字中深層上下文資訊的能力，在各種自然語言理解 (NLU) 任務中取得了巨大成功。在本技術報告中，我們介紹了在中文語料庫上預訓練名為 NEZHA（NEural contextualiZed representation for CHinese lAnguage understanding，哪吒）的語言模型，並針對中文 NLU 任務進行微調的實踐。哪吒的當前版本基於 BERT，並結合了經驗證的改進，包括作為有效位置編碼方案的功能相對位置編碼、全詞掩碼策略、混合精度訓練和用於訓練模型的 LAMB 最佳化器。實驗結果表明，哪吒在幾個代表性的中文任務中進行微調時，取得了最先進的效能，這些任務包括命名實體識別（人民日報命名實體識別）、句子匹配（LCQMC）、中文情感分類（ChnSenti）和自然語言推理（XNLI）。

該模型由sijunhe貢獻。原始程式碼可以在此處找到。

資源

NezhaConfig

class transformers.NezhaConfig

< >

( vocab_size = 21128 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 512 max_relative_position = 64 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 classifier_dropout = 0.1 pad_token_id = 0 bos_token_id = 2 eos_token_id = 3 use_cache = True **kwargs )

引數

  • vocab_size (int, 可選，預設為 21128) — NEZHA 模型的詞彙表大小。定義了可以透過傳遞給 NezhaModel 的 forward 方法的 inputs_ids 表示的不同 token。
  • hidden_size (int, 可選，預設為 768) — 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_attention_heads (int, 可選，預設為 12) — 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 3072) — Transformer 編碼器中“中間”（即前饋）層的維度。
  • hidden_act (str 或 function, 可選，預設為 "gelu") — 編碼器和池化器中的非線性啟用函式（函式或字串）。
  • hidden_dropout_prob (float, 可選，預設為 0.1) — 嵌入、編碼器和池化器中所有全連線層的 dropout 機率。
  • attention_probs_dropout_prob (float, 可選，預設為 0.1) — 注意力機率的 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 或 1024 或 2048）。
  • type_vocab_size (int, 可選，預設為 2) — 傳遞給 NezhaModel 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截斷正態初始化器的標準差。
  • layer_norm_eps (float, 可選，預設為 1e-12) — 層歸一化層使用的 epsilon。
  • classifier_dropout (float, 可選，預設為 0.1) — 附加分類器的 dropout 比率。
  • is_decoder (bool, 可選, 預設為 False) — 模型是否用作解碼器。如果為 False，則模型用作編碼器。

這是用於儲存 NezhaModel 配置的配置類。它用於根據指定引數例項化 Nezha 模型，定義模型架構。使用預設值例項化配置將生成與 Nezha sijunhe/nezha-cn-base 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，請參閱 PretrainedConfig 的文件。

示例

>>> from transformers import NezhaConfig, NezhaModel

>>> # Initializing an Nezha configuration
>>> configuration = NezhaConfig()

>>> # Initializing a model (with random weights) from the Nezha-base style configuration model
>>> model = NezhaModel(configuration)

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

NezhaModel

class transformers.NezhaModel

< >

( config add_pooling_layer = True )

引數

  • config (NezhaConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化並不會載入與模型相關的權重，只加載配置。請查閱 from_pretrained() 方法以載入模型權重。

裸哪吒模型 Transformer 輸出原始隱藏狀態，頂部沒有任何特定頭部。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

該模型既可以作為編碼器（僅具有自注意力）也可以作為解碼器，在這種情況下，在自注意力層之間添加了一層交叉注意力，遵循 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez 和 Illia Polosukhin 的 Attention is all you need 中描述的架構。

要作為解碼器使用，模型需要使用配置的 is_decoder 引數設定為 True 進行初始化。要在 Seq2Seq 模型中使用，模型需要同時使用 is_decoder 引數和 add_cross_attention 設定為 True 進行初始化；此時期望 encoder_hidden_states 作為前向傳遞的輸入。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None encoder_hidden_states: typing.Optional[torch.Tensor] = None encoder_attention_mask: typing.Optional[torch.Tensor] = None past_key_values: typing.Optional[list[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 ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。

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

    什麼是 input ID？

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

    • 1 表示 未被掩蓋 的 token，
    • 0 表示 被掩蓋 的 token。

    什麼是注意力掩碼？

  • token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 分段 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：

    • 0 對應 句子 A 的 token，
    • 1 對應 句子 B 的 token。

    什麼是 token type ID？

  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於置空自注意力模組選定頭部的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示頭部 未被掩蓋，
    • 0 表示頭部 被掩蓋。
  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 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。如果你想對如何將 input_ids 索引轉換為關聯向量（而不是模型內部的嵌入查詢矩陣）有更多的控制，這會很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通元組。
  • encoder_hidden_states (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 可選) — 編碼器最後一層輸出的隱藏狀態序列。如果模型被配置為解碼器，則用於交叉注意力。
  • encoder_attention_mask (torch.FloatTensor，形狀為 (batch_size, sequence_length), 可選) — 用於避免對編碼器輸入填充 token 索引執行注意力的掩碼。如果模型被配置為解碼器，則此掩碼用於交叉注意力。掩碼值在 [0, 1] 中選擇：

    • 1 表示 未被掩蓋 的 token，
    • 0 表示 被掩蓋 的 token。
  • past_key_values (tuple(tuple(torch.FloatTensor))，長度為 config.n_layers，每個元組包含 4 個形狀為 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的張量) — 包含預先計算的注意力塊的鍵和值隱藏狀態。可用於加速解碼。

    如果使用 past_key_values，使用者可以選擇只輸入形狀為 (batch_size, 1) 的最後一個 decoder_input_ids（那些沒有將其過去的鍵值狀態提供給此模型的），而不是所有形狀為 (batch_size, sequence_length) 的 decoder_input_ids。

  • use_cache (bool, 可選) — 如果設定為 True，則返回 past_key_values 鍵值狀態，可用於加速解碼（參見 past_key_values）。

返回

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

一個 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），其中包含各種元素，具體取決於配置 (NezhaConfig) 和輸入。

  • 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。

  • pooler_output (torch.FloatTensor，形狀為 (batch_size, hidden_size)) — 序列中第一個 token (分類 token) 的最後一層隱藏狀態，經過用於輔助預訓練任務的層的進一步處理。例如，對於 BERT 家族模型，這將在經過線性層和 tanh 啟用函式處理後返回分類 token。線性層權重在預訓練期間根據下一句預測 (分類) 目標進行訓練。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

  • cross_attentions (tuple(torch.FloatTensor), 可選, 當傳遞 output_attentions=True 和 config.add_cross_attention=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    解碼器交叉注意力層的注意力權重，在注意力 softmax 之後，用於計算交叉注意力頭中的加權平均。

  • past_key_values (Cache, 可選, 當傳遞 use_cache=True 或 config.use_cache=True 時返回) — 這是一個 Cache 例項。有關更多詳細資訊，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，則可選地包含交叉注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速序列解碼。

NezhaModel 的前向方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaModel
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaModel.from_pretrained("sijunhe/nezha-cn-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state

NezhaForPreTraining

class transformers.NezhaForPreTraining

< >

( config )

引數

  • config (NezhaConfig) — 包含模型所有引數的模型配置類。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() 方法來載入模型權重。

Nezha 模型，頂部有兩個頭部，如預訓練時所做：一個 掩碼語言建模 頭部和一個 下一句預測 (分類) 頭部。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None next_sentence_label: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.deprecated.nezha.modeling_nezha.NezhaForPreTrainingOutput 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。

    可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參見 PreTrainedTokenizer.encode() 和 什麼是 input ID？

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

    • 1 表示 未被掩蓋 的 token，
    • 0 表示 被掩蓋 的 token。

    什麼是注意力掩碼？

  • token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 分段 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：

    • 0 對應 句子 A 的 token，
    • 1 對應 句子 B 的 token。

    什麼是 token type ID？

  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於置空自注意力模組選定頭部的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示頭部 未被掩蓋，
    • 0 表示頭部 被掩蓋。
  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 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。如果你想對如何將 input_ids 索引轉換為關聯向量（而不是模型內部的嵌入查詢矩陣）有更多的控制，這會很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通元組。
  • labels (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 用於計算掩碼語言建模損失的標籤。索引應在 [-100, 0, ..., config.vocab_size] 中（參見 input_ids 文件字串）。索引設定為 -100 的 token 將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 中的 token 計算。
  • next_sentence_label (torch.LongTensor，形狀為 (batch_size,), 可選) — 用於計算下一序列預測（分類）損失的標籤。輸入應為序列對（參見 input_ids 文件字串）。索引應在 [0, 1] 中選擇：

    • 0 表示序列 B 是序列 A 的延續，
    • 1 表示序列 B 是隨機序列。
  • kwargs (dict[str, any], 可選，預設為 {}) — 用於隱藏已棄用的舊引數。

返回

transformers.models.deprecated.nezha.modeling_nezha.NezhaForPreTrainingOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.deprecated.nezha.modeling_nezha.NezhaForPreTrainingOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），其中包含各種元素，具體取決於配置 (NezhaConfig) 和輸入。

  • loss (可選, 當提供 labels 時返回, torch.FloatTensor，形狀為 (1,)) — 總損失，作為掩碼語言建模損失和下一序列預測（分類）損失的總和。

  • 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）。

  • seq_relationship_logits (torch.FloatTensor 形狀為 (batch_size, 2)) — 下一序列預測（分類）頭的預測分數（SoftMax 之前的 True/False 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) — torch.FloatTensor 的元組（一個用於嵌入層輸出，加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    模型在每個層輸出的隱藏狀態加上初始嵌入輸出。

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

    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。

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

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForPreTraining
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForPreTraining.from_pretrained("sijunhe/nezha-cn-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)

>>> prediction_logits = outputs.prediction_logits
>>> seq_relationship_logits = outputs.seq_relationship_logits

NezhaForMaskedLM

class transformers.NezhaForMaskedLM

< >

( config )

引數

  • config (NezhaConfig) — 包含模型所有引數的模型配置類。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() 方法來載入模型權重。

Nezha 模型，頂部帶有一個 語言建模 頭部。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None encoder_hidden_states: typing.Optional[torch.Tensor] = None encoder_attention_mask: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。

    可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參見 PreTrainedTokenizer.encode() 和 什麼是 input ID？

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

    • 1 表示 未被掩蓋 的 token，
    • 0 表示 被掩蓋 的 token。

    什麼是注意力掩碼？

  • token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 分段 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：

    • 0 對應 句子 A 的 token，
    • 1 對應 句子 B 的 token。

    什麼是 token type ID？

  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於置空自注意力模組選定頭部的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示頭部 未被掩蓋，
    • 0 表示頭部 被掩蓋。
  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 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。如果你想對如何將 input_ids 索引轉換為關聯向量（而不是模型內部的嵌入查詢矩陣）有更多的控制，這會很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通元組。
  • labels (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 用於計算掩碼語言建模損失的標籤。索引應在 [-100, 0, ..., config.vocab_size] 中（參見 input_ids 文件字串）。索引設定為 -100 的 token 將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 中的 token 計算。

返回

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

一個 transformers.modeling_outputs.MaskedLMOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），其中包含各種元素，具體取決於配置 (NezhaConfig) 和輸入。

  • loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 掩碼語言建模 (MLM) 損失。

  • 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）。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

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

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForMaskedLM
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForMaskedLM.from_pretrained("sijunhe/nezha-cn-base")

>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # retrieve index of [MASK]
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]

>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)

>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-[MASK] tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)

>>> outputs = model(**inputs, labels=labels)

NezhaForNextSentencePrediction

class transformers.NezhaForNextSentencePrediction

< >

( config )

引數

  • config (NezhaConfig) — 包含模型所有引數的模型配置類。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() 方法來載入模型權重。

Nezha 模型，頂部帶有一個 下一句預測 (分類) 頭部。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs ) → transformers.modeling_outputs.NextSentencePredictorOutput 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。

    可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參見 PreTrainedTokenizer.encode() 和 什麼是 input ID？

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

    • 1 表示 未被掩蓋 的 token，
    • 0 表示 被掩蓋 的 token。

    什麼是注意力掩碼？

  • token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 分段 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：

    • 0 對應 句子 A 的 token，
    • 1 對應 句子 B 的 token。

    什麼是 token type ID？

  • head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於置空自注意力模組選定頭部的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示頭部 未被掩蓋，
    • 0 表示頭部 被掩蓋。
  • inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size), 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。如果你想對如何將 input_ids 索引轉換為關聯向量（而不是模型內部的嵌入查詢矩陣）有更多的控制，這會很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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。更多詳細資訊請參閱返回張量中的hidden_states。
  • return_dict (bool, 可選) — 是否返回ModelOutput而非普通元組。
  • labels (形狀為(batch_size,)的torch.LongTensor，可選) — 用於計算下一個句子預測（分類）損失的標籤。輸入應該是一對序列（參見input_ids文件字串）。索引應在[0, 1]之間：

    • 0表示序列B是序列A的延續，
    • 1表示序列B是一個隨機序列。

返回

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

一個transformers.modeling_outputs.NextSentencePredictorOutput或一個torch.FloatTensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（NezhaConfig）和輸入的不同元素。

  • loss (torch.FloatTensor，形狀為 (1,)，可選，當提供 next_sentence_label 時返回) — 下一個序列預測（分類）損失。

  • logits (torch.FloatTensor，形狀為 (batch_size, 2)) — 下一個序列預測（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) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

NezhaForNextSentencePrediction 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForNextSentencePrediction
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForNextSentencePrediction.from_pretrained("sijunhe/nezha-cn-base")

>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> next_sentence = "The sky is blue due to the shorter wavelength of blue light."
>>> encoding = tokenizer(prompt, next_sentence, return_tensors="pt")

>>> outputs = model(**encoding, labels=torch.LongTensor([1]))
>>> logits = outputs.logits
>>> assert logits[0, 0] < logits[0, 1]  # next sentence was random

NezhaForSequenceClassification

class transformers.NezhaForSequenceClassification

< >

( config )

引數

  • config (NezhaConfig) — 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() 方法來載入模型權重。

Nezha 模型 Transformer，頂部帶有一個序列分類/迴歸頭（在池化輸出頂部的一個線性層），例如用於 GLUE 任務。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

引數

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

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

    • 1表示未被遮罩的標記，
    • 0表示被遮罩的標記。

    什麼是注意力遮罩？

  • token_type_ids (形狀為(batch_size, sequence_length)的torch.LongTensor，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引在[0, 1]中選擇：

    • 0對應於句子A標記，
    • 1對應於句子B標記。

    什麼是標記型別ID？

  • head_mask (形狀為(num_heads,)或(num_layers, num_heads)的torch.FloatTensor，可選) — 遮罩，用於取消自注意力模組的選定頭部。遮罩值在[0, 1]中選擇：

    • 1表示頭部未被遮罩，
    • 0表示頭部被遮罩。
  • inputs_embeds (形狀為(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可選) — 可選地，您可以選擇直接傳遞嵌入表示，而不是傳遞input_ids。如果您希望對如何將input_ids索引轉換為相關向量比模型的內部嵌入查詢矩陣有更多的控制，這將很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳細資訊請參閱返回張量中的attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參閱返回張量中的hidden_states。
  • return_dict (bool, 可選) — 是否返回ModelOutput而非普通元組。
  • labels (形狀為(batch_size,)的torch.LongTensor，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在[0, ..., config.num_labels - 1]之間。如果config.num_labels == 1，則計算迴歸損失（均方損失）；如果config.num_labels > 1，則計算分類損失（交叉熵）。

返回

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

一個transformers.modeling_outputs.SequenceClassifierOutput或一個torch.FloatTensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（NezhaConfig）和輸入的不同元素。

  • loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。

  • logits (形狀為 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分類（如果 config.num_labels==1，則為迴歸）分數（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

NezhaForSequenceClassification 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

單標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, NezhaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForSequenceClassification.from_pretrained("sijunhe/nezha-cn-base")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = NezhaForSequenceClassification.from_pretrained("sijunhe/nezha-cn-base", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss

多標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, NezhaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForSequenceClassification.from_pretrained("sijunhe/nezha-cn-base", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = NezhaForSequenceClassification.from_pretrained(
...     "sijunhe/nezha-cn-base", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

NezhaForMultipleChoice

class transformers.NezhaForMultipleChoice

< >

( config )

引數

  • config (NezhaConfig) — 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() 方法來載入模型權重。

Nezha 模型，頂部帶有多項選擇分類頭（在池化輸出頂部的一個線性層和一個 softmax），例如用於 RocStories/SWAG 任務。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.MultipleChoiceModelOutput 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。

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

    • 1表示未被遮罩的標記，
    • 0表示被遮罩的標記。

    什麼是注意力遮罩？

  • token_type_ids (形狀為(batch_size, num_choices, sequence_length)的torch.LongTensor，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引在[0, 1]中選擇：

    • 0對應於句子A標記，
    • 1對應於句子B標記。

    什麼是標記型別ID？

  • head_mask (形狀為(num_heads,)或(num_layers, num_heads)的torch.FloatTensor，可選) — 遮罩，用於取消自注意力模組的選定頭部。遮罩值在[0, 1]中選擇：

    • 1表示頭部未被遮罩，
    • 0表示頭部被遮罩。
  • inputs_embeds (形狀為(batch_size, num_choices, sequence_length, hidden_size)的torch.FloatTensor，可選) — 可選地，您可以選擇直接傳遞嵌入表示，而不是傳遞input_ids。如果您希望對如何將input_ids索引轉換為相關向量比模型的內部嵌入查詢矩陣有更多的控制，這將很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳細資訊請參閱返回張量中的attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參閱返回張量中的hidden_states。
  • return_dict (bool, 可選) — 是否返回ModelOutput而非普通元組。
  • 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]之間，其中num_choices是輸入張量第二維的大小。（參見上面的input_ids）

返回

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

一個transformers.modeling_outputs.MultipleChoiceModelOutput或一個torch.FloatTensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（NezhaConfig）和輸入的不同元素。

  • loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失。

  • logits (形狀為 (batch_size, num_choices) 的 torch.FloatTensor) — num_choices 是輸入張量的第二維大小。（請參閱上面的 input_ids）。

    分類分數（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

NezhaForMultipleChoice 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForMultipleChoice
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForMultipleChoice.from_pretrained("sijunhe/nezha-cn-base")

>>> 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

NezhaForTokenClassification

class transformers.NezhaForTokenClassification

< >

( config )

引數

  • config (NezhaConfig) — 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() 方法來載入模型權重。

Nezha 模型，頂部帶有一個標記分類頭（在隱藏狀態輸出頂部的一個線性層），例如用於命名實體識別（NER）任務。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

引數

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

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

    • 1表示未被遮罩的標記，
    • 0表示被遮罩的標記。

    什麼是注意力遮罩？

  • token_type_ids (形狀為(batch_size, sequence_length)的torch.LongTensor，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引在[0, 1]中選擇：

    • 0對應於句子A標記，
    • 1對應於句子B標記。

    什麼是標記型別ID？

  • head_mask (形狀為(num_heads,)或(num_layers, num_heads)的torch.FloatTensor，可選) — 遮罩，用於取消自注意力模組的選定頭部。遮罩值在[0, 1]中選擇：

    • 1表示頭部未被遮罩，
    • 0表示頭部被遮罩。
  • inputs_embeds (形狀為(batch_size, sequence_length, hidden_size)的torch.FloatTensor，可選) — 可選地，您可以選擇直接傳遞嵌入表示，而不是傳遞input_ids。如果您希望對如何將input_ids索引轉換為相關向量比模型的內部嵌入查詢矩陣有更多的控制，這將很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳細資訊請參閱返回張量中的attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參閱返回張量中的hidden_states。
  • return_dict (bool, 可選) — 是否返回ModelOutput而非普通元組。
  • labels (形狀為(batch_size, sequence_length)的torch.LongTensor，可選) — 用於計算標記分類損失的標籤。索引應在[0, ..., config.num_labels - 1]之間。

返回

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

一個transformers.modeling_outputs.TokenClassifierOutput或一個torch.FloatTensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（NezhaConfig）和輸入的不同元素。

  • loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失。

  • logits (形狀為 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 分類分數（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

NezhaForTokenClassification 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForTokenClassification
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForTokenClassification.from_pretrained("sijunhe/nezha-cn-base")

>>> inputs = tokenizer(
...     "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
... )

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_token_class_ids = logits.argmax(-1)

>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]

>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss

NezhaForQuestionAnswering

class transformers.NezhaForQuestionAnswering

< >

( config )

引數

  • config (NezhaConfig) — 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() 方法來載入模型權重。

Nezha 模型，頂部帶有一個用於抽取式問答任務（如 SQuAD）的跨度分類頭（在隱藏狀態輸出頂部用於計算跨度起始 logits和跨度結束 logits的線性層）。

該模型繼承自 PreTrainedModel。請查閱超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解所有與一般用法和行為相關的事項。

前向傳播

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None start_positions: typing.Optional[torch.Tensor] = None end_positions: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)

引數

  • input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 詞彙表中輸入序列 token 的索引。

    索引可以使用 AutoTokenizer 獲取。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 token 索引執行注意力計算的掩碼。掩碼值在 [0, 1] 中選擇：

    • 1 表示 未被遮蔽 的 token，
    • 0 表示 被遮蔽 的 token。

    什麼是注意力掩碼？

  • token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length), 可選) — 分段 token 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 句子 A token，
    • 1 對應於 句子 B token。

    什麼是 token 型別 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的選定頭無效的掩碼。掩碼值在 [0, 1] 中選擇：

    • 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) — 可選地，除了傳遞 input_ids，你也可以選擇直接傳遞嵌入表示。如果你想對如何將 input_ids 索引轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，這將非常有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳情請參閱返回張量中的 attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳情請參閱返回張量中的 hidden_states。
  • return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通元組。
  • start_positions (torch.LongTensor，形狀為 (batch_size,), 可選) — 用於計算 token 分類損失的標註 span 起始位置（索引）的標籤。位置將被限制在序列長度（sequence_length）範圍內。序列以外的位置不計入損失計算。
  • end_positions (torch.LongTensor，形狀為 (batch_size,), 可選) — 用於計算 token 分類損失的標註 span 結束位置（索引）的標籤。位置將被限制在序列長度（sequence_length）範圍內。序列以外的位置不計入損失計算。

返回

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

一個 transformers.modeling_outputs.QuestionAnsweringModelOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），其中包含根據配置 (NezhaConfig) 和輸入而定的各種元素。

  • loss (torch.FloatTensor of shape (1,), 可選, 當提供 labels 時返回) — 總範圍提取損失是起始位置和結束位置的交叉熵之和。

  • start_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 範圍起始分數（SoftMax 之前）。

  • end_logits (torch.FloatTensor of shape (batch_size, sequence_length)) — 範圍結束分數（SoftMax 之前）。

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），形狀為 (batch_size, sequence_length, hidden_size)。

    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) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

    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。

NezhaForQuestionAnswering 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的實現需要在該函式中定義，但之後應該呼叫 Module 例項，而不是該函式，因為前者負責執行預處理和後處理步驟，而後者則會默默地忽略它們。

示例

>>> from transformers import AutoTokenizer, NezhaForQuestionAnswering
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("sijunhe/nezha-cn-base")
>>> model = NezhaForQuestionAnswering.from_pretrained("sijunhe/nezha-cn-base")

>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"

>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()

>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]

>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
< > 在 GitHub 上更新

←Nemotron NLLB→
© . This site is unofficial and not affiliated with Hugging Face, Inc.