Transformers 文件
RoBERTa-PreLayerNorm
並獲得增強的文件體驗
開始使用
RoBERTa-PreLayerNorm
概述
RoBERTa-PreLayerNorm 模型由 Myle Ott, Sergey Edunov, Alexei Baevski, Angela Fan, Sam Gross, Nathan Ng, David Grangier, Michael Auli 在 fairseq: 用於序列建模的快速可擴充套件工具包中提出。它與在 fairseq 中使用 --encoder-normalize-before 標誌相同。
論文摘要如下：
fairseq 是一個開源的序列建模工具包，允許研究人員和開發人員訓練用於翻譯、摘要、語言建模和其他文字生成任務的自定義模型。該工具包基於 PyTorch，支援多 GPU 和多機器上的分散式訓練。我們還支援在現代 GPU 上進行快速混合精度訓練和推理。
此模型由 andreasmadsen 貢獻。原始程式碼可在 此處 找到。
使用技巧
- 其實現與 Roberta 相同，不同之處在於它使用 Norm and Add 而不是 Add and Norm。Add 和 Norm 是指 Attention Is All You Need 中描述的 Addition 和 LayerNormalization。
- 這與在 fairseq 中使用
--encoder-normalize-before標誌相同。
資源
RobertaPreLayerNormConfig
class transformers.RobertaPreLayerNormConfig
< source >( vocab_size = 50265 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 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 position_embedding_type = 'absolute' use_cache = True classifier_dropout = None **kwargs )
引數
- vocab_size (
int, 可選, 預設為 50265) — RoBERTa-PreLayerNorm 模型的詞彙表大小。定義了呼叫 RobertaPreLayerNormModel 或 TFRobertaPreLayerNormModel 時，可以透過inputs_ids表示的不同 token 的數量。 - hidden_size (
int, 可選, 預設為 768) — 編碼器層和池化層維度。 - 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”（通常稱為前饋）層的維度。 - hidden_act (
str或Callable, 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）。如果是字串，支援"gelu"、"relu"、"silu"和"gelu_new"。 - hidden_dropout_prob (
float, 可選, 預設為 0.1) — 嵌入層、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 比例。 - max_position_embeddings (
int, 可選, 預設為 512) — 此模型可能使用的最大序列長度。通常設定為較大值以防萬一（例如 512 或 1024 或 2048）。 - type_vocab_size (
int, 可選, 預設為 2) — 呼叫 RobertaPreLayerNormModel 或 TFRobertaPreLayerNormModel 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 值。 - position_embedding_type (
str, 可選, 預設為"absolute") — 位置嵌入型別。選擇"absolute"、"relative_key"、"relative_key_query"中的一個。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 et al.)。有關"relative_key_query"的更多資訊，請參閱 Improve Transformer Models with Better Relative Position Embeddings (Huang et al.) 中的 方法 4。 - is_decoder (
bool, 可選, 預設為False) — 模型是否用作解碼器。如果為False，模型則用作編碼器。 - use_cache (
bool, 可選, 預設為True) — 模型是否應返回最後一個 key/values 注意力（並非所有模型都使用）。僅當config.is_decoder=True時相關。 - classifier_dropout (
float, 可選) — 分類頭的 dropout 比例。
這是用於儲存 RobertaPreLayerNormModel 或 TFRobertaPreLayerNormModel 配置的配置類。它用於根據指定引數例項化 RoBERTa-PreLayerNorm 模型，定義模型架構。使用預設值例項化配置將生成與 RoBERTa-PreLayerNorm andreasmadsen/efficient_mlm_m0.40 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 文件。
示例
>>> from transformers import RobertaPreLayerNormConfig, RobertaPreLayerNormModel
>>> # Initializing a RoBERTa-PreLayerNorm configuration
>>> configuration = RobertaPreLayerNormConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = RobertaPreLayerNormModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configRobertaPreLayerNormModel
class transformers.RobertaPreLayerNormModel
< source >( config add_pooling_layer = True )
引數
- config (RobertaPreLayerNormModel) — 帶有模型所有引數的模型配置類。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。請檢視 from_pretrained() 方法以載入模型權重。
- add_pooling_layer (
bool, 可選, 預設為True) — 是否新增池化層
該模型可以作為編碼器（僅有自注意力機制），也可以作為解碼器，在這種情況下，在自注意力層之間新增一層交叉注意力，遵循 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Lukasz Kaiser 和 Illia Polosukhin 的《Attention is all you need》_ 中描述的架構。
要作為解碼器使用，模型需要使用配置中 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，正向傳播時將需要 encoder_hidden_states 作為輸入。
.. _Attention is all you need: https://huggingface.co/papers/1706.03762
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_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.Tensor, 形狀為(batch_size, sequence_length)，可選) — 詞彙表中輸入序列 token 的索引。預設情況下會忽略填充。索引可以使用 AutoTokenizer 獲取。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor, 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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- 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 對應於句子 A 的 token，
- 1 對應於句子 B 的 token。此引數僅在模型使用
type_vocab_size引數且值為
初始化時使用。= 2. 此張量中的所有值應始終小於 type_vocab_size。
- position_ids (
torch.Tensor, 形狀為(batch_size, sequence_length)，可選) — 每個輸入序列 token 在位置嵌入中的位置索引。在[0, config.n_positions - 1]範圍內選擇。 - head_mask (
torch.Tensor, 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部無效的掩碼。掩碼值在[0, 1]中選擇：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- inputs_embeds (
torch.Tensor, 形狀為(batch_size, sequence_length, hidden_size)，可選) — 可選地，您可以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。 - encoder_hidden_states (
torch.Tensor, 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.Tensor, 形狀為(batch_size, sequence_length)，可選) — 用於避免對編碼器輸入的填充 token 索引執行注意力操作的掩碼。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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- past_key_values (
list[torch.FloatTensor], 可選) — 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），可用於加速順序解碼。這通常包括模型在解碼上一階段返回的past_key_values，當use_cache=True或config.use_cache=True時。允許兩種格式：
- 一個 Cache 例項，請參閱我們的 kv cache 指南；
- 一個
config.n_layers長度的tuple(torch.FloatTensor)元組，每個元組包含兩個形狀為(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，使用者可以選擇僅輸入形狀為(batch_size, 1)的最後一個input_ids（那些沒有將過去的鍵值狀態提供給此模型的輸入）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，則返回past_key_values鍵值狀態，可用於加速解碼（參見past_key_values）。 - 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 而不是普通元組。
返回
transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），根據配置（RobertaPreLayerNormConfig）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。 -
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進行進一步處理後。例如，對於 BERT 系列模型，這會返回經過線性層和 tanh 啟用函式處理後的分類 token。線性層權重在預訓練期間根據下一個句子預測（分類）目標進行訓練。 -
hidden_states (
tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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, 當傳入output_attentions=True且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, 當傳入use_cache=True或config.use_cache=True時返回) — 這是一個 Cache 例項。更多詳細資訊請參閱我們的 kv cache 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）加速順序解碼。
RobertaPreLayerNormModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
RobertaPreLayerNormForCausalLM
class transformers.RobertaPreLayerNormForCausalLM
< source >( config )
引數
- config (RobertaPreLayerNormForCausalLM) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不會載入與模型關聯的權重，僅載入配置。請檢視 from_pretrained() 方法載入模型權重。
RoBERTa-PreLayerNorm 模型，頂部帶有 語言建模 頭，用於 CLM 微調。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( 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 encoder_hidden_states: typing.Optional[torch.FloatTensor] = None encoder_attention_mask: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[tuple[tuple[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 **kwargs ) → transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 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 token 的索引。預設情況下會忽略填充。索引可以使用 AutoTokenizer 獲取。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- 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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- 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 對應於句子 A 的 token，
- 1 對應於句子 B 的 token。此引數僅在模型使用
type_vocab_size引數且值為
初始化時使用。= 2. 此張量中的所有值應始終小於 type_vocab_size。
- position_ids (
torch.LongTensor, 形狀為(batch_size, sequence_length)，可選) — 每個輸入序列 token 在位置嵌入中的位置索引。在[0, config.n_positions - 1]範圍內選擇。 - 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部無效的掩碼。掩碼值在[0, 1]中選擇：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- inputs_embeds (
torch.FloatTensor, 形狀為(batch_size, sequence_length, hidden_size)，可選) — 可選地，您可以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。 - 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的填充 token 索引執行注意力操作的掩碼。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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- 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 token 將被忽略（掩碼），損失僅針對標籤在[0, ..., config.vocab_size]範圍內的 token 計算。 - past_key_values (
tuple[tuple[torch.FloatTensor]], 可選) — 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），可用於加速順序解碼。這通常包括模型在解碼上一階段返回的past_key_values，當use_cache=True或config.use_cache=True時。允許兩種格式：
- 一個 Cache 例項，請參閱我們的 kv cache 指南；
- 一個
config.n_layers長度的tuple(torch.FloatTensor)元組，每個元組包含兩個形狀為(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，使用者可以選擇僅輸入形狀為(batch_size, 1)的最後一個input_ids（那些沒有將過去的鍵值狀態提供給此模型的輸入）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，則返回past_key_values鍵值狀態，可用於加速解碼（參見past_key_values）。 - 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 而不是普通元組。
返回
transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），根據配置（RobertaPreLayerNormConfig）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）。 -
hidden_states (
tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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, 當傳入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 後的交叉注意力權重，用於計算交叉注意力頭中的加權平均。
-
past_key_values (
Cache, 可選, 當傳入use_cache=True或config.use_cache=True時返回) — 這是一個 Cache 例項。更多詳細資訊請參閱我們的 kv cache 指南。包含預先計算的隱藏狀態（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。
RobertaPreLayerNormForCausalLM 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForCausalLM, AutoConfig
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> config = AutoConfig.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> config.is_decoder = True
>>> model = RobertaPreLayerNormForCausalLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40", config=config)
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> prediction_logits = outputs.logitsRobertaPreLayerNormForMaskedLM
class transformers.RobertaPreLayerNormForMaskedLM
< source >( config )
引數
- config (RobertaPreLayerNormForMaskedLM) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不會載入與模型關聯的權重，僅載入配置。請檢視 from_pretrained() 方法載入模型權重。
RoBERTa-PreLayerNorm 模型，頂部帶有 語言建模 頭。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( 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 encoder_hidden_states: typing.Optional[torch.FloatTensor] = None encoder_attention_mask: 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.modeling_outputs.MaskedLMOutput 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 token 的索引。預設情況下會忽略填充。索引可以使用 AutoTokenizer 獲取。詳情請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- 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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- 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 對應於句子 A 的 token，
- 1 對應於句子 B 的 token。此引數僅在模型使用
type_vocab_size引數且值為
初始化時使用。= 2. 此張量中的所有值應始終小於 type_vocab_size。
- position_ids (
torch.LongTensor, 形狀為(batch_size, sequence_length)，可選) — 每個輸入序列 token 在位置嵌入中的位置索引。在[0, config.n_positions - 1]範圍內選擇。 - 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部無效的掩碼。掩碼值在[0, 1]中選擇：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- inputs_embeds (
torch.FloatTensor, 形狀為(batch_size, sequence_length, hidden_size)，可選) — 可選地，您可以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。 - 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的填充 token 索引執行注意力操作的掩碼。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 token 未被掩碼，
- 0 表示 token 已被掩碼。
- 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]範圍內（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]範圍內的 token 計算。 - output_attentions (
bool, optional) — 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, optional) — 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, optional) — 是否返回一個 ModelOutput 物件而不是一個普通的元組。
返回
transformers.modeling_outputs.MaskedLMOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.MaskedLMOutput 物件或一個 torch.FloatTensor 元組（如果傳入了 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
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, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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。
RobertaPreLayerNormForMaskedLM 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForMaskedLM
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForMaskedLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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)
>>> tokenizer.decode(predicted_token_id)
...
>>> 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)
>>> round(outputs.loss.item(), 2)
...RobertaPreLayerNormForSequenceClassification
class transformers.RobertaPreLayerNormForSequenceClassification
< source >( config )
引數
- config (RobertaPreLayerNormForSequenceClassification) — 模型的配置類，包含模型的所有引數。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。
RoBERTa-PreLayerNorm 模型 Transformer，頂部帶有一個序列分類/迴歸頭（在池化輸出之上新增一個線性層），例如用於 GLUE 任務。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( 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.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。填充預設會被忽略。索引可以透過 AutoTokenizer 獲取。更多詳細資訊請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩蓋，
- 0 表示標記被掩蓋。
- token_type_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0,1]：- 0 對應於 句子 A 標記，
- 1 對應於 句子 B 標記。此引數僅當模型使用
type_vocab_size引數且其值為= 2 時才能使用。此張量中的所有值應始終 < type_vocab_size。
- position_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.n_positions - 1]。 - 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。掩碼值選擇範圍為[0, 1]：- 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) — 可以選擇直接傳入嵌入表示，而不是傳入input_ids。如果您想對如何將input_ids索引轉換為相關向量有更多的控制權，而不是模型內部的嵌入查詢矩陣，這將很有用。 - labels (
torch.LongTensor，形狀為(batch_size,)，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]範圍內。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）。 - 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) — 是否返回一個 ModelOutput 物件而不是一個普通的元組。
返回
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.SequenceClassifierOutput 物件或一個 torch.FloatTensor 元組（如果傳入了 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
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, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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。
RobertaPreLayerNormForSequenceClassification 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
單標籤分類示例
>>> import torch
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...
>>> # 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 = RobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40", num_labels=num_labels)
>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...多標籤分類示例
>>> import torch
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40", 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 = RobertaPreLayerNormForSequenceClassification.from_pretrained(
... "andreasmadsen/efficient_mlm_m0.40", 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).lossRobertaPreLayerNormForMultipleChoice
class transformers.RobertaPreLayerNormForMultipleChoice
< source >( config )
引數
- config (RobertaPreLayerNormForMultipleChoice) — 模型的配置類，包含模型的所有引數。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。
Roberta Prelayernorm 模型帶有多項選擇分類頭（在池化輸出之上新增一個線性層和一個 softmax），例如用於 RocStories/SWAG 任務。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( input_ids: typing.Optional[torch.LongTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None labels: 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 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 (
torch.LongTensor，形狀為(batch_size, num_choices, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以透過 AutoTokenizer 獲取。更多詳細資訊請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- token_type_ids (
torch.LongTensor，形狀為(batch_size, num_choices, sequence_length)，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0,1]：- 0 對應於 句子 A 標記，
- 1 對應於 句子 B 標記。此引數僅當模型使用
type_vocab_size引數且其值為= 2 時才能使用。此張量中的所有值應始終 < type_vocab_size。
- attention_mask (
torch.FloatTensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩蓋，
- 0 表示標記被掩蓋。
- labels (
torch.LongTensor，形狀為(batch_size,)，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是輸入張量第二個維度的大小。（請參閱上面的input_ids） - position_ids (
torch.LongTensor，形狀為(batch_size, num_choices, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - 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。掩碼值選擇範圍為[0, 1]：- 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, num_choices, sequence_length, hidden_size)，可選) — 可以選擇直接傳入嵌入表示，而不是傳入input_ids。如果您想對如何將input_ids索引轉換為相關向量有更多的控制權，而不是模型內部的嵌入查詢矩陣，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) — 是否返回一個 ModelOutput 物件而不是一個普通的元組。
返回
transformers.modeling_outputs.MultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.MultipleChoiceModelOutput 物件或一個 torch.FloatTensor 元組（如果傳入了 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
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, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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。
RobertaPreLayerNormForMultipleChoice 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForMultipleChoice
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForMultipleChoice.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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.logitsRobertaPreLayerNormForTokenClassification
class transformers.RobertaPreLayerNormForTokenClassification
< source >( config )
引數
- config (RobertaPreLayerNormForTokenClassification) — 模型的配置類，包含模型的所有引數。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。
Roberta Prelayernorm Transformer 頂部帶有一個標記分類頭（在隱藏狀態輸出之上新增一個線性層），例如用於命名實體識別（NER）任務。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( 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.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。填充預設會被忽略。索引可以透過 AutoTokenizer 獲取。更多詳細資訊請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩蓋，
- 0 表示標記被掩蓋。
- token_type_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0,1]：- 0 對應於 句子 A 標記，
- 1 對應於 句子 B 標記。此引數僅當模型使用
type_vocab_size引數且其值為= 2 時才能使用。此張量中的所有值應始終 < type_vocab_size。
- position_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.n_positions - 1]。 - 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。掩碼值選擇範圍為[0, 1]：- 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) — 可以選擇直接傳入嵌入表示，而不是傳入input_ids。如果您想對如何將input_ids索引轉換為相關向量有更多的控制權，而不是模型內部的嵌入查詢矩陣，這將很有用。 - labels (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 用於計算標記分類損失的標籤。索引應在[0, ..., config.num_labels - 1]範圍內。 - 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) — 是否返回一個 ModelOutput 物件而不是一個普通的元組。
返回
transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_outputs.TokenClassifierOutput 物件或一個 torch.FloatTensor 元組（如果傳入了 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
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, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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。
RobertaPreLayerNormForTokenClassification 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForTokenClassification
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForTokenClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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]]
>>> predicted_tokens_classes
...
>>> labels = predicted_token_class_ids
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...RobertaPreLayerNormForQuestionAnswering
class transformers.RobertaPreLayerNormForQuestionAnswering
< source >( config )
引數
- config (RobertaPreLayerNormForQuestionAnswering) — 模型的配置類，包含模型的所有引數。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。
Roberta Prelayernorm Transformer 頂部帶有一個用於抽取式問答任務（如 SQuAD）的跨度分類頭（在隱藏狀態輸出之上新增一個線性層，用於計算 span start logits 和 span end logits）。
該模型繼承自 PreTrainedModel。請檢視超類文件，瞭解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、剪枝頭部等）。
該模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與通用用法和行為相關的內容。
前向傳播
< source >( 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 start_positions: typing.Optional[torch.LongTensor] = None end_positions: 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.modeling_outputs.QuestionAnsweringModelOutput or tuple(torch.FloatTensor)
引數
- input_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。預設情況下會忽略填充。可以使用AutoTokenizer獲取索引。有關詳細資訊，請參閱PreTrainedTokenizer.encode()和PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示未被掩蓋的標記，
- 0 表示被掩蓋的標記。
- token_type_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 表示輸入的第一部分和第二部分的段標記索引。索引選擇在[0,1]之間：- 0 對應於句子 A標記，
- 1 對應於句子 B標記。此引數僅在模型使用
type_vocab_size引數（值為= 2）初始化時才能使用。此張量中的所有值應始終小於 type_vocab_size。
- position_ids (
torch.LongTensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.n_positions - 1]。 - 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部無效的掩碼。掩碼值選擇在[0, 1]之間：- 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，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具有比模型內部嵌入查詢矩陣更多的控制，這會很有用。 - start_positions (
torch.LongTensor，形狀為(batch_size,)，可選) — 用於計算標記分類損失的標註跨度起點的標籤（索引）。位置被限制在序列長度（sequence_length）內。序列之外的位置不計入損失計算。 - end_positions (
torch.LongTensor，形狀為(batch_size,)，可選) — 用於計算標記分類損失的標註跨度結束的標籤（索引）。位置被限制在序列長度（sequence_length）內。序列之外的位置不計入損失計算。 - 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，請參閱返回張量中的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，請參閱返回張量中的hidden_states。 - return_dict (
bool，可選) — 是否返回ModelOutput而不是普通元組。
返回
transformers.modeling_outputs.QuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
一個transformers.modeling_outputs.QuestionAnsweringModelOutput或torch.FloatTensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而異的各種元素。
-
loss (
torch.FloatTensorof 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.FloatTensorof shape(batch_size, sequence_length)) — 範圍起始分數（SoftMax 之前）。 -
end_logits (
torch.FloatTensorof shape(batch_size, sequence_length)) — 範圍結束分數（SoftMax 之前）。 -
hidden_states (
tuple(torch.FloatTensor), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —torch.FloatTensor的元組（一個用於嵌入層的輸出（如果模型有嵌入層），加上每個層的輸出），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, 當傳入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。
RobertaPreLayerNormForQuestionAnswering的forward方法，覆蓋了__call__特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, RobertaPreLayerNormForQuestionAnswering
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = RobertaPreLayerNormForQuestionAnswering.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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]
>>> tokenizer.decode(predict_answer_tokens, skip_special_tokens=True)
...
>>> # 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
>>> round(loss.item(), 2)
...TFRobertaPreLayerNormModel
class transformers.TFRobertaPreLayerNormModel
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只加載配置。請檢視from_pretrained()方法載入模型權重。
裸 RoBERTa-PreLayerNorm 模型 Transformer，輸出原始隱藏狀態，頂部沒有任何特定頭部。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None encoder_hidden_states: np.ndarray | tf.Tensor | None = None encoder_attention_mask: np.ndarray | tf.Tensor | None = None past_key_values: Optional[tuple[tuple[Union[np.ndarray, tf.Tensor]]]] = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFBaseModelOutputWithPoolingAndCrossAttentions或tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)) — 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()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示未被掩蓋的標記，
- 0 表示被掩蓋的標記。
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 表示輸入的第一部分和第二部分的段標記索引。索引選擇在[0, 1]之間：- 0 對應於句子 A標記，
- 1 對應於句子 B標記。
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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部無效的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示頭部未被掩蓋，
- 0 表示頭部被掩蓋。
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size)，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具有比模型內部嵌入查詢矩陣更多的控制，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。有關更多詳細資訊，請參閱返回張量中的attentions。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - 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，請參閱返回張量中的hidden_states。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool，可選) — 是否返回ModelOutput而不是普通元組。此引數可在即時模式下使用，在圖模式下其值將始終設定為 True。 - training (
bool，可選，預設為False) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間具有不同的行為）。 - encoder_hidden_states (
tf.Tensor，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。如果模型配置為解碼器，則用於交叉注意力。 - encoder_attention_mask (
tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 避免對編碼器輸入中的填充標記索引執行注意力操作的掩碼。如果模型配置為解碼器，則此掩碼用於交叉注意力。掩碼值選擇在[0, 1]之間：- 1 表示未被掩蓋的標記，
- 0 表示被掩蓋的標記。
- past_key_values (
tuple[tuple[tf.Tensor]]，長度為config.n_layers) — 包含預先計算的注意力塊的鍵值隱藏狀態。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），而不是形狀為(batch_size, sequence_length)的所有decoder_input_ids。 - use_cache (
bool，可選，預設為True) — 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）。訓練期間設定為False，生成期間設定為True。
返回
transformers.modeling_tf_outputs.TFBaseModelOutputWithPoolingAndCrossAttentions 或 tuple(tf.Tensor)
一個transformers.modeling_tf_outputs.TFBaseModelOutputWithPoolingAndCrossAttentions或tf.Tensor的元組（如果傳入return_dict=False或config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而異的各種元素。
-
last_hidden_state (
tf.Tensorof shape(batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。 -
pooler_output (
tf.Tensor，形狀為(batch_size, hidden_size)) — 序列第一個標記（分類標記）的最後一層隱藏狀態，經由線性層和 Tanh 啟用函式進一步處理。線性層權重在預訓練期間根據下一個句子預測（分類）目標進行訓練。此輸出通常不是輸入語義內容的良好摘要，通常最好對整個輸入序列的隱藏狀態進行平均或池化。
-
past_key_values (
list[tf.Tensor]，可選，當傳入use_cache=True或config.use_cache=True時返回) —tf.Tensor的列表，長度為config.n_layers，每個張量的形狀為(2, batch_size, num_heads, sequence_length, embed_size_per_head))。包含預先計算的隱藏狀態（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(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormModel的forward方法，覆蓋了__call__特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormModel
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormModel.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> last_hidden_states = outputs.last_hidden_stateTFRobertaPreLayerNormForCausalLM
class transformers.TFRobertaPreLayerNormForCausalLM
< source >( config: RobertaPreLayerNormConfig *inputs **kwargs )
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None encoder_hidden_states: np.ndarray | tf.Tensor | None = None encoder_attention_mask: np.ndarray | tf.Tensor | None = None past_key_values: Optional[tuple[tuple[Union[np.ndarray, tf.Tensor]]]] = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFCausalLMOutputWithCrossAttentions或tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)) — 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()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示未被掩蓋的標記，
- 0 表示被掩蓋的標記。
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 表示輸入的第一部分和第二部分的段標記索引。索引選擇在[0, 1]之間：- 0 對應於句子 A標記，
- 1 對應於句子 B標記。
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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部無效的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示頭部未被掩蓋，
- 0 表示頭部被掩蓋。
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size)，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具有比模型內部嵌入查詢矩陣更多的控制，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。有關更多詳細資訊，請參閱返回張量中的attentions。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - 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，請參閱返回張量中的hidden_states。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 物件而不是普通的元組。此引數可在即時模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選, 預設為False) — 是否在訓練模式下使用模型（某些模組，如 dropout 模組在訓練和評估之間的行為不同）。 - encoder_hidden_states (
tf.Tensor，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。如果模型配置為解碼器，則用於交叉注意力。 - encoder_attention_mask (
tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 用於避免對編碼器輸入的填充標記索引執行注意力的掩碼。如果模型配置為解碼器，則此掩碼用於交叉注意力。掩碼值選擇範圍為[0, 1]:- 1 表示標記 未被掩蓋,
- 0 表示標記 被掩蓋.
- past_key_values (
tuple[tuple[tf.Tensor]]，長度為config.n_layers) — 包含預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) ，而不是形狀為(batch_size, sequence_length)的所有decoder_input_ids。 - use_cache (
bool, 可選, 預設為True) — 如果設定為True，將返回past_key_values鍵值狀態，可用於加速解碼（參見past_key_values）。訓練期間設定為False，生成期間設定為True - labels (
tf.Tensor或np.ndarray，形狀為(batch_size, sequence_length), 可選) — 用於計算交叉熵分類損失的標籤。索引應在[0, ..., config.vocab_size - 1]之間。
返回
transformers.modeling_tf_outputs.TFCausalLMOutputWithCrossAttentions 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFCausalLMOutputWithCrossAttentions 或一個 tf.Tensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (RobertaPreLayerNormConfig) 和輸入。
-
loss (形狀為
(n,)的tf.Tensor，可選，其中n是非掩碼標籤的數量，當提供了labels時返回) — 語言建模損失（用於下一標記預測）。 -
logits (
tf.Tensorof shape(batch_size, sequence_length, config.vocab_size)) — 語言模型頭部的預測分數（SoftMax 之前每個詞彙標記的分數）。 -
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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 (
list[tf.Tensor]，可選，當傳入use_cache=True或config.use_cache=True時返回) —tf.Tensor的列表，長度為config.n_layers，每個張量的形狀為(2, batch_size, num_heads, sequence_length, embed_size_per_head))。包含預先計算的隱藏狀態（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。
TFRobertaPreLayerNormForCausalLM 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForCausalLM
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForCausalLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> logits = outputs.logitsTFRobertaPreLayerNormForMaskedLM
class transformers.TFRobertaPreLayerNormForMaskedLM
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不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。
RoBERTa-PreLayerNorm 模型，頂部帶有 語言建模 頭。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFMaskedLMOutput 或 tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)) — 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()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 用於避免對填充標記索引執行注意力的掩碼。掩碼值選擇範圍為[0, 1]:- 1 表示標記 未被掩蓋,
- 0 表示標記 被掩蓋.
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]:- 0 對應於 句子 A 標記,
- 1 對應於 句子 B 標記.
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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。掩碼值選擇範圍為[0, 1]:- 1 表示頭 未被掩蓋,
- 0 表示頭 被掩蓋.
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size), 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索引轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，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。有關更多詳細資訊，請參閱返回張量下的attentions。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - 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。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 物件而不是普通的元組。此引數可在即時模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選, 預設為False) — 是否在訓練模式下使用模型（某些模組，如 dropout 模組在訓練和評估之間的行為不同）。 - labels (
tf.Tensor，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]之間（參見input_ids文件字串）。索引設定為-100的標記將被忽略（掩碼），損失僅針對標籤在[0, ..., config.vocab_size]中的標記計算。
返回
transformers.modeling_tf_outputs.TFMaskedLMOutput 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFMaskedLMOutput 或一個 tf.Tensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (RobertaPreLayerNormConfig) 和輸入。
-
loss (
tf.Tensorof shape(n,), 可選, 其中 n 是非掩碼標籤的數量，當提供labels時返回) — 掩碼語言模型 (MLM) 損失。 -
logits (
tf.Tensorof shape(batch_size, sequence_length, config.vocab_size)) — 語言模型頭部的預測分數（SoftMax 之前每個詞彙標記的分數）。 -
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormForMaskedLM 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForMaskedLM
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForMaskedLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("The capital of France is <mask>.", return_tensors="tf")
>>> logits = model(**inputs).logits
>>> # retrieve index of <mask>
>>> mask_token_index = tf.where((inputs.input_ids == tokenizer.mask_token_id)[0])
>>> selected_logits = tf.gather_nd(logits[0], indices=mask_token_index)
>>> predicted_token_id = tf.math.argmax(selected_logits, axis=-1)
>>> tokenizer.decode(predicted_token_id)
' Paris'TFRobertaPreLayerNormForSequenceClassification
class transformers.TFRobertaPreLayerNormForSequenceClassification
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不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。
RoBERTa-PreLayerNorm 模型 Transformer，頂部帶有一個序列分類/迴歸頭（在池化輸出之上新增一個線性層），例如用於 GLUE 任務。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)) — 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()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 用於避免對填充標記索引執行注意力的掩碼。掩碼值選擇範圍為[0, 1]:- 1 表示標記 未被掩蓋,
- 0 表示標記 被掩蓋.
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]:- 0 對應於 句子 A 標記,
- 1 對應於 句子 B 標記.
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length), 可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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。掩碼值選擇範圍為[0, 1]:- 1 表示頭 未被掩蓋,
- 0 表示頭 被掩蓋.
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size), 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索引轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，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。有關更多詳細資訊，請參閱返回張量下的attentions。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - 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。此引數只能在即時模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 物件而不是普通的元組。此引數可在即時模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選, 預設為False) — 是否在訓練模式下使用模型（某些模組，如 dropout 模組在訓練和評估之間的行為不同）。 - labels (
tf.Tensor，形狀為(batch_size,), 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_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一個 tf.Tensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (RobertaPreLayerNormConfig) 和輸入。
-
loss (
tf.Tensor，形狀為(batch_size, )，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 (
tf.Tensor，形狀為(batch_size, config.num_labels)) — 分類（或迴歸，如果 config.num_labels==1）分數（SoftMax 之前）。 -
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormForSequenceClassification 的 forward 方法，重寫了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForSequenceClassification
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> logits = model(**inputs).logits
>>> predicted_class_id = int(tf.math.argmax(logits, axis=-1)[0])>>> # 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 = TFRobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40", num_labels=num_labels)
>>> labels = tf.constant(1)
>>> loss = model(**inputs, labels=labels).lossTFRobertaPreLayerNormForMultipleChoice
class transformers.TFRobertaPreLayerNormForMultipleChoice
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不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。
RobertaPreLayerNorm 模型，頂部帶有多項選擇分類頭（池化輸出頂部是一個線性層和 softmax），例如用於 RocStories/SWAG 任務。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或 tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，形狀為(batch_size, num_choices, sequence_length)) — 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()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, num_choices, sequence_length), 可選) — 用於避免對填充標記索引執行注意力的掩碼。掩碼值選擇範圍為[0, 1]:- 1 表示標記 未被掩蓋,
- 0 表示標記 被掩蓋.
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, num_choices, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]:- 0 對應於 句子 A 標記,
- 1 對應於 句子 B 標記.
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, num_choices, sequence_length), 可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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。掩碼值選擇範圍為[0, 1]:- 1 表示頭 未被掩蓋,
- 0 表示頭 被掩蓋.
- inputs_embeds (
tf.Tensor，形狀為(batch_size, num_choices, sequence_length, hidden_size)，可選) — 可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精細地控制如何將input_ids索引轉換為關聯向量，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。更多詳情請參閱返回張量下的attentions。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - 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下的hidden_states。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。此引數可在 eager 模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選，預設為False) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間有不同的行為）。 - labels (
tf.Tensor，形狀為(batch_size,)，可選) — 用於計算多項選擇分類損失的標籤。索引應在[0, ..., num_choices]範圍內，其中num_choices是輸入張量第二維的大小。（請參見上面的input_ids）
返回
transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFMultipleChoiceModelOutput 或一個 tf.Tensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
loss (
tf.Tensor，形狀為 (batch_size, )，可選，當提供labels時返回) — 分類損失。 -
logits (
tf.Tensor，形狀為(batch_size, num_choices)) — num_choices 是輸入張量的第二維。（參見上面的 input_ids）。分類分數（SoftMax 之前）。
-
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormForMultipleChoice 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForMultipleChoice
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForMultipleChoice.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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."
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="tf", padding=True)
>>> inputs = {k: tf.expand_dims(v, 0) for k, v in encoding.items()}
>>> outputs = model(inputs) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> logits = outputs.logitsTFRobertaPreLayerNormForTokenClassification
class transformers.TFRobertaPreLayerNormForTokenClassification
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，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。請檢視 from_pretrained() 方法來載入模型權重。
RoBERTa-PreLayerNorm 模型，頂部帶有一個 token 分類頭（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。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFTokenClassifierOutput 或 tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，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，請參閱 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 用於避免在填充 token 索引上執行注意力的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示 token 未被掩蓋，
- 0 表示 token 已被掩蓋。
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 段落 token 索引，用於指示輸入的第一個和第二個部分。索引選擇在[0, 1]之間：- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列 token 在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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失效的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示頭未被掩蓋，
- 0 表示頭已被掩蓋。
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size)，可選) — 可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精細地控制如何將input_ids索引轉換為關聯向量，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。更多詳情請參閱返回張量下的attentions。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - 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下的hidden_states。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。此引數可在 eager 模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選，預設為False) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間有不同的行為）。 - labels (
tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 用於計算 token 分類損失的標籤。索引應在[0, ..., config.num_labels - 1]範圍內。
返回
transformers.modeling_tf_outputs.TFTokenClassifierOutput 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFTokenClassifierOutput 或一個 tf.Tensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
loss (
tf.Tensor，形狀為(n,)，可選，其中 n 是未被掩蓋的標籤數量，當提供labels時返回) — 分類損失。 -
logits (
tf.Tensor，形狀為(batch_size, sequence_length, config.num_labels)) — 分類分數（SoftMax 之前）。 -
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormForTokenClassification 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForTokenClassification
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForTokenClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer(
... "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="tf"
... )
>>> logits = model(**inputs).logits
>>> predicted_token_class_ids = tf.math.argmax(logits, axis=-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] for t in predicted_token_class_ids[0].numpy().tolist()]TFRobertaPreLayerNormForQuestionAnswering
class transformers.TFRobertaPreLayerNormForQuestionAnswering
< source >( config *inputs **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，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。請檢視 from_pretrained() 方法來載入模型權重。
RoBERTa-PreLayerNorm 模型，頂部帶有一個 span 分類頭，用於抽取式問答任務，如 SQuAD（隱藏狀態輸出頂部的一個線性層，用於計算 span start logits 和 span end logits）。
此模型繼承自TFPreTrainedModel。請檢視超類文件，瞭解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、修剪頭部等）。
此模型也是keras.Model的子類。將其作為常規 TF 2.0 Keras 模型使用，並參考 TF 2.0 文件瞭解所有與通用用法和行為相關的事項。
transformers 中的 TensorFlow 模型和層接受兩種輸入格式
- 所有輸入作為關鍵字引數（如 PyTorch 模型），或
- 所有輸入作為第一個位置引數中的列表、元組或字典。
支援第二種格式的原因是，Keras 方法在將輸入傳遞給模型和層時更喜歡這種格式。由於此支援，在使用model.fit()等方法時，一切都應該“正常工作”——只需以model.fit()支援的任何格式傳遞您的輸入和標籤！但是，如果您想在fit()和predict()等 Keras 方法之外使用第二種格式，例如在使用 Keras Functional API 建立自己的層或模型時，您可以使用三種可能性來收集第一個位置引數中的所有輸入張量
- 只有一個
input_ids的單個張量，沒有其他：model(input_ids) - 長度可變的列表，包含一個或多個輸入張量，按文件字串中給出的順序：
model([input_ids, attention_mask])或model([input_ids, attention_mask, token_type_ids]) - 一個字典，其中包含一個或多個與文件字串中給出的輸入名稱關聯的輸入張量：
model({"input_ids": input_ids, "token_type_ids": token_type_ids})
請注意，當使用子類化建立模型和層時，您無需擔心這些，因為您可以像傳遞給任何其他 Python 函式一樣傳遞輸入！
呼叫
< source >( input_ids: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None token_type_ids: np.ndarray | tf.Tensor | None = None position_ids: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None inputs_embeds: np.ndarray | tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None start_positions: np.ndarray | tf.Tensor | None = None end_positions: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput 或 tuple(tf.Tensor)
引數
- input_ids (
Numpy array或tf.Tensor，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，請參閱 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 用於避免在填充 token 索引上執行注意力的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示 token 未被掩蓋，
- 0 表示 token 已被掩蓋。
- token_type_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 段落 token 索引，用於指示輸入的第一個和第二個部分。索引選擇在[0, 1]之間：- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
- position_ids (
Numpy array或tf.Tensor，形狀為(batch_size, sequence_length)，可選) — 每個輸入序列 token 在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
Numpy array或tf.Tensor，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失效的掩碼。掩碼值選擇在[0, 1]之間：- 1 表示頭未被掩蓋，
- 0 表示頭已被掩蓋。
- inputs_embeds (
tf.Tensor，形狀為(batch_size, sequence_length, hidden_size)，可選) — 可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精細地控制如何將input_ids索引轉換為關聯向量，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。更多詳情請參閱返回張量下的attentions。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - 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下的hidden_states。此引數只能在 eager 模式下使用，在圖模式下將使用配置中的值。 - return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。此引數可在 eager 模式下使用，在圖模式下該值將始終設定為 True。 - training (
bool, 可選，預設為False) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間有不同的行為）。 - start_positions (
tf.Tensor，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）內。序列外的位置不計入損失計算。 - end_positions (
tf.Tensor，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）內。序列外的位置不計入損失計算。
返回
transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput 或 tuple(tf.Tensor)
一個 transformers.modeling_tf_outputs.TFQuestionAnsweringModelOutput 或一個 tf.Tensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False），包含根據配置（RobertaPreLayerNormConfig）和輸入而定的各種元素。
-
loss (
tf.Tensor，形狀為(batch_size, )，可選，在提供了start_positions和end_positions時返回) — 總的 span 提取損失是起始位置和結束位置的交叉熵之和。 -
start_logits (形狀為
(batch_size, sequence_length)的tf.Tensor) — 跨度起始分數（SoftMax 之前）。 -
end_logits (形狀為
(batch_size, sequence_length)的tf.Tensor) — 跨度結束分數（SoftMax 之前）。 -
hidden_states (
tuple(tf.Tensor)，可選，當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —tf.Tensor的元組（一個用於嵌入輸出 + 每個層輸出一個），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(tf.Tensor)，可選，當傳入output_attentions=True或config.output_attentions=True時返回) —tf.Tensor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。
TFRobertaPreLayerNormForQuestionAnswering 的前向方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, TFRobertaPreLayerNormForQuestionAnswering
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = TFRobertaPreLayerNormForQuestionAnswering.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="tf")
>>> outputs = model(**inputs)
>>> answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
>>> answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]FlaxRobertaPreLayerNormModel
class transformers.FlaxRobertaPreLayerNormModel
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，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。請檢視 from_pretrained() 方法來載入模型權重。
裸 RoBERTa-PreLayerNorm 模型 Transformer，輸出原始隱藏狀態，頂部沒有任何特定頭部。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray，形狀為(batch_size, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩碼，
- 0 表示標記已被掩碼。
- token_type_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]：- 0 對應於句子 A 標記，
- 1 對應於句子 B 標記。
- position_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray，形狀為(batch_size, sequence_length),可選) -- 用於置空注意力模組選定頭部的掩碼。掩碼值選擇範圍為[0, 1]`：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而非普通元組。
返回
transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 torch.FloatTensor 的元組 (如果傳入 return_dict=False 或 config.return_dict=False)，其中包含根據配置 (RobertaPreLayerNormConfig) 和輸入而定的各種元素。
-
last_hidden_state (形狀為
(batch_size, sequence_length, hidden_size)的jnp.ndarray) — 模型最後一層輸出的隱藏狀態序列。 -
pooler_output (
jnp.ndarray，形狀為(batch_size, hidden_size)) — 序列第一個標記（分類標記）的最後一層隱藏狀態，經過線性層和 Tanh 啟用函式進一步處理。線性層權重在預訓練期間透過下一個句子預測（分類）目標進行訓練。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormModel
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormModel.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="jax")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_stateFlaxRobertaPreLayerNormForCausalLM
class transformers.FlaxRobertaPreLayerNormForCausalLM
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。
RobertaPreLayerNorm 模型，頂部帶有一個語言建模頭（隱藏狀態輸出頂部的線性層），例如用於自迴歸任務。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxCausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray，形狀為(batch_size, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩碼，
- 0 表示標記已被掩碼。
- token_type_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]：- 0 對應於句子 A 標記，
- 1 對應於句子 B 標記。
- position_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray，形狀為(batch_size, sequence_length),可選) -- 用於置空注意力模組選定頭部的掩碼。掩碼值選擇範圍為[0, 1]`：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而非普通元組。
返回
transformers.modeling_flax_outputs.FlaxCausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxCausalLMOutputWithCrossAttentions 或 torch.FloatTensor 的元組 (如果傳入 return_dict=False 或 config.return_dict=False)，其中包含根據配置 (RobertaPreLayerNormConfig) 和輸入而定的各種元素。
-
logits (形狀為
(batch_size, sequence_length, config.vocab_size)的jnp.ndarray) — 語言建模頭的預測分數（SoftMax 之前每個詞彙 token 的分數）。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray的元組（每個層一個），形狀為(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 後的交叉注意力權重，用於計算交叉注意力頭中的加權平均。
-
past_key_values (
tuple(tuple(jnp.ndarray)), 可選, 當傳入use_cache=True或config.use_cache=True時返回) —jnp.ndarray元組的元組，長度為config.n_layers，每個元組包含自注意力和交叉注意力層的快取鍵值狀態（如果模型在編碼器-解碼器設定中使用）。僅當config.is_decoder = True時相關。包含預先計算的隱藏狀態（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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForCausalLM
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForCausalLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="np")
>>> outputs = model(**inputs)
>>> # retrieve logts for next token
>>> next_token_logits = outputs.logits[:, -1]FlaxRobertaPreLayerNormForMaskedLM
class transformers.FlaxRobertaPreLayerNormForMaskedLM
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。
RoBERTa-PreLayerNorm 模型，頂部帶有 語言建模 頭。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray，形狀為(batch_size, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩碼，
- 0 表示標記已被掩碼。
- token_type_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]：- 0 對應於句子 A 標記，
- 1 對應於句子 B 標記。
- position_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray，形狀為(batch_size, sequence_length),可選) -- 用於置空注意力模組選定頭部的掩碼。掩碼值選擇範圍為[0, 1]`：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而非普通元組。
返回
transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或 torch.FloatTensor 的元組 (如果傳入 return_dict=False 或 config.return_dict=False)，其中包含根據配置 (RobertaPreLayerNormConfig) 和輸入而定的各種元素。
-
last_hidden_state (形狀為
(batch_size, sequence_length, hidden_size)的jnp.ndarray) — 模型最後一層輸出的隱藏狀態序列。 -
pooler_output (
jnp.ndarray，形狀為(batch_size, hidden_size)) — 序列第一個標記（分類標記）的最後一層隱藏狀態，經過線性層和 Tanh 啟用函式進一步處理。線性層權重在預訓練期間透過下一個句子預測（分類）目標進行訓練。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForMaskedLM
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForMaskedLM.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="jax")
>>> outputs = model(**inputs)
>>> logits = outputs.logitsFlaxRobertaPreLayerNormForSequenceClassification
class transformers.FlaxRobertaPreLayerNormForSequenceClassification
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。
RobertaPreLayerNorm 模型 Transformer，頂部帶有一個序列分類/迴歸頭（池化輸出頂部的線性層），例如用於 GLUE 任務。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray，形狀為(batch_size, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩碼，
- 0 表示標記已被掩碼。
- token_type_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]：- 0 對應於句子 A 標記，
- 1 對應於句子 B 標記。
- position_ids (
numpy.ndarray，形狀為(batch_size, sequence_length), 可選) — 輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray，形狀為(batch_size, sequence_length),可選) -- 用於置空注意力模組選定頭部的掩碼。掩碼值選擇範圍為[0, 1]`：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而非普通元組。
返回
transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput 或 torch.FloatTensor 的元組 (如果傳入 return_dict=False 或 config.return_dict=False)，其中包含根據配置 (RobertaPreLayerNormConfig) 和輸入而定的各種元素。
-
logits (形狀為
(batch_size, config.num_labels)的jnp.ndarray) — 分類（如果 config.num_labels==1，則為迴歸）分數（SoftMax 之前）。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForSequenceClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="jax")
>>> outputs = model(**inputs)
>>> logits = outputs.logitsFlaxRobertaPreLayerNormForMultipleChoice
class transformers.FlaxRobertaPreLayerNormForMultipleChoice
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型的配置類，包含模型的所有引數。使用配置檔案初始化模型不會載入與模型相關的權重，只會載入配置。請檢視 from_pretrained() 方法來載入模型權重。
RobertaPreLayerNorm 模型，頂部帶有多項選擇分類頭（池化輸出頂部是一個線性層和 softmax），例如用於 RocStories/SWAG 任務。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxMultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray，形狀為(batch_size, num_choices, sequence_length)) — 詞彙表中輸入序列標記的索引。索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray，形狀為(batch_size, num_choices, sequence_length), 可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇範圍為[0, 1]：- 1 表示標記未被掩碼，
- 0 表示標記已被掩碼。
- token_type_ids (
numpy.ndarray，形狀為(batch_size, num_choices, sequence_length), 可選) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇範圍為[0, 1]：- 0 對應於句子 A 標記，
- 1 對應於句子 B 標記。
- position_ids (
numpy.ndarray，形狀為(batch_size, num_choices, sequence_length), 可選) — 輸入序列標記在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray，形狀為(batch_size, num_choices, sequence_length),可選) -- 用於置空注意力模組選定頭部的掩碼。掩碼值選擇範圍為[0, 1]`：- 1 表示頭部未被掩碼，
- 0 表示頭部已被掩碼。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而非普通元組。
返回
transformers.modeling_flax_outputs.FlaxMultipleChoiceModelOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxMultipleChoiceModelOutput 或 torch.FloatTensor 的元組 (如果傳入 return_dict=False 或 config.return_dict=False)，其中包含根據配置 (RobertaPreLayerNormConfig) 和輸入而定的各種元素。
-
logits (形狀為
(batch_size, num_choices)的jnp.ndarray) — num_choices 是輸入張量的第二個維度。（請參閱上面的 input_ids）。分類分數（SoftMax 之前）。
-
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForMultipleChoice
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForMultipleChoice.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> 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."
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="jax", padding=True)
>>> outputs = model(**{k: v[None, :] for k, v in encoding.items()})
>>> logits = outputs.logitsFlaxRobertaPreLayerNormForTokenClassification
class transformers.FlaxRobertaPreLayerNormForTokenClassification
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不載入與模型關聯的權重，僅載入配置。請檢視from_pretrained()方法以載入模型權重。
RobertaPreLayerNorm 模型，頂部帶有一個 token 分類頭（隱藏狀態輸出上方的線性層），例如用於命名實體識別 (NER) 任務。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxTokenClassifierOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray, 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。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray, 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。掩碼值選擇範圍為[0, 1]：- 1 表示 token 未被掩蓋，
- 0 表示 token 被掩蓋。
- token_type_ids (
numpy.ndarray, 形狀為(batch_size, sequence_length), 可選) — 用於指示輸入的第一部分和第二部分的段 token 索引。索引選擇範圍為[0, 1]：- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
- position_ids (
numpy.ndarray, 形狀為(batch_size, sequence_length), 可選) — 輸入序列中每個 token 在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray, 形狀為(batch_size, sequence_length),可選) — 用於遮蔽注意力模組中選定頭的掩碼。掩碼值選擇範圍為[0, 1]：- 1 表示頭未被掩蓋，
- 0 表示頭被掩蓋。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。
返回
transformers.modeling_flax_outputs.FlaxTokenClassifierOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxTokenClassifierOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置 (RobertaPreLayerNormConfig) 和輸入而變化的各種元素。
-
logits (
jnp.ndarray，形狀為(batch_size, sequence_length, config.num_labels)) — 分類得分（SoftMax 之前）。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForTokenClassification
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForTokenClassification.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="jax")
>>> outputs = model(**inputs)
>>> logits = outputs.logitsFlaxRobertaPreLayerNormForQuestionAnswering
class transformers.FlaxRobertaPreLayerNormForQuestionAnswering
< source >( config: RobertaPreLayerNormConfig input_shape: tuple = (1, 1) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True gradient_checkpointing: bool = False **kwargs )
引數
- config (RobertaPreLayerNormConfig) — 模型配置類，包含模型的所有引數。使用配置檔案初始化不載入與模型關聯的權重，僅載入配置。請檢視from_pretrained()方法以載入模型權重。
RobertaPreLayerNorm 模型，頂部帶有一個 span 分類頭，用於 SQuAD 等抽取式問答任務（隱藏狀態輸出上方的線性層用於計算 span start logits 和 span end logits）。
此模型繼承自 FlaxPreTrainedModel。請檢視超類文件，瞭解該庫為其所有模型實現的一般方法（例如從 PyTorch 模型下載、儲存和轉換權重）。
此模型也是 flax.linen.Module 子類。將其作為常規 Flax linen 模組使用，並參閱 Flax 文件瞭解所有與一般用法和行為相關的事項。
最後，此模型支援固有的 JAX 功能，例如
__call__
< source >( input_ids attention_mask = None token_type_ids = None position_ids = None head_mask = None encoder_hidden_states = None encoder_attention_mask = None params: typing.Optional[dict] = None dropout_rng: <function PRNGKey at 0x7effc7ad3a30> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None past_key_values: typing.Optional[dict] = None ) → transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
引數
- input_ids (
numpy.ndarray, 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。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
numpy.ndarray, 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。掩碼值選擇範圍為[0, 1]：- 1 表示 token 未被掩蓋，
- 0 表示 token 被掩蓋。
- token_type_ids (
numpy.ndarray, 形狀為(batch_size, sequence_length), 可選) — 用於指示輸入的第一部分和第二部分的段 token 索引。索引選擇範圍為[0, 1]：- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
- position_ids (
numpy.ndarray, 形狀為(batch_size, sequence_length), 可選) — 輸入序列中每個 token 在位置嵌入中的位置索引。選擇範圍為[0, config.max_position_embeddings - 1]。 - head_mask (
numpy.ndarray, 形狀為(batch_size, sequence_length),可選) — 用於遮蔽注意力模組中選定頭的掩碼。掩碼值選擇範圍為[0, 1]：- 1 表示頭未被掩蓋，
- 0 表示頭被掩蓋。
- return_dict (
bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。
返回
transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或 tuple(torch.FloatTensor)
一個 transformers.modeling_flax_outputs.FlaxQuestionAnsweringModelOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置 (RobertaPreLayerNormConfig) 和輸入而變化的各種元素。
-
start_logits (
jnp.ndarray，形狀為(batch_size, sequence_length)) — 跨度開始得分（SoftMax 之前）。 -
end_logits (
jnp.ndarray，形狀為(batch_size, sequence_length)) — 跨度結束得分（SoftMax 之前）。 -
hidden_states (
tuple(jnp.ndarray), 可選, 當傳入output_hidden_states=True或config.output_hidden_states=True時返回) —jnp.ndarray的元組（一個用於嵌入輸出 + 每個層輸出一個），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(jnp.ndarray), 可選, 當傳入output_attentions=True或config.output_attentions=True時返回) —jnp.ndarray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。
FlaxRobertaPreLayerNormPreTrainedModel 的 forward 方法，覆蓋了 __call__ 特殊方法。
儘管前向傳播的配方需要在此函式中定義，但之後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。
示例
>>> from transformers import AutoTokenizer, FlaxRobertaPreLayerNormForQuestionAnswering
>>> tokenizer = AutoTokenizer.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> model = FlaxRobertaPreLayerNormForQuestionAnswering.from_pretrained("andreasmadsen/efficient_mlm_m0.40")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="jax")
>>> outputs = model(**inputs)
>>> start_scores = outputs.start_logits
>>> end_scores = outputs.end_logits