Hugging Face 的 LOGO

Transformers 文件

T5Gemma

Hugging Face's logo
加入 Hugging Face 社群

並獲得增強的文件體驗

開始使用

T5Gemma

T5Gemma（又稱編碼器-解碼器 Gemma）由 Google 在一份研究論文中提出。它是一個編碼器-解碼器大型語言模型家族，透過將預訓練的僅解碼器模型改編為編碼器-解碼器模型開發而成。T5Gemma 包括預訓練和指令微調變體。其架構基於遵循 T5 的 Transformer 編碼器-解碼器設計，並改進了 Gemma 2 的 GQA、RoPE、GeGLU 啟用、RMSNorm 和交錯式區域性/全域性注意力。

T5Gemma 有兩組模型大小：1) Gemma 2 大小（2B-2B、9B-2B 和 9B-9B），它們基於官方 Gemma 2 模型（2B 和 9B）；2) T5 大小（小型、基礎型、大型和特大型），它們在 Gemma 2 框架下根據 T5 配置進行預訓練。此外，我們還提供了一個 ML 大小（中大型，總計約 2B）的模型，它介於 T5 大型和 T5 特大型之間。

預訓練變體分別透過兩個目標進行訓練：帶有知識蒸餾的字首語言建模 (PrefixLM) 和 UL2。我們為每種模型大小發布了這兩種變體。指令微調變體透過監督微調和強化學習進行後訓練。

以下示例演示如何使用 Pipeline 或 AutoModel 類，以及透過命令列與模型進行聊天。

<hfoptions id="usage"> <hfoption id="Pipeline">
import torch
from transformers import pipeline

pipe = pipeline(
    task="text2text-generation",
    model="google/t5gemma-placeholder",
    torch_dtype=torch.bfloat16,
    device="cuda",
)

pipe("Question: Why is the sky blue?\nAnswer:", max_new_tokens=50)
</hfoption> <hfoption id="AutoModel">
import torch
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM

tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
model = AutoModelForSeq2SeqLM.from_pretrained(
    "google/t5gemma-placeholder",
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

input_text = "Question: Why is the sky blue?\nAnswer:"
input_ids = tokenizer(input_text, return_tensors="pt").to("cuda")

outputs = model.generate(**input_ids, max_new_tokens=32)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
</hfoption> <hfoption id="transformers CLI">
echo -e "Question: Why is the sky blue? Answer:" | transformers run --task text2text-generation --model google/t5gemma-placeholder --device 0

T5GemmaConfig

class transformers.T5GemmaConfig

< >

( encoder: typing.Union[transformers.models.t5gemma.configuration_t5gemma.T5GemmaModuleConfig, dict[typing.Any, typing.Any], NoneType] = None decoder: typing.Union[transformers.models.t5gemma.configuration_t5gemma.T5GemmaModuleConfig, dict[typing.Any, typing.Any], NoneType] = None is_encoder_decoder: bool = True dropout_rate: float = 0.0 classifier_dropout_rate: float = 0.0 attention_dropout: float = 0.0 tie_word_embeddings: bool = True **kwargs )

引數

  • encoder (Union[T5GemmaModuleConfig, dict], optional, 可選) — 編碼器配置。
  • decoder (Union[T5GemmaModuleConfig, dict], optional, 可選) — 解碼器配置。
  • is_encoder_decoder (bool, optional, 可選, 預設為 True) — 模型是否用作編碼器/解碼器。
  • dropout_rate (float, 可選, 預設為 0.0) — 所有 dropout 層的比率（遵循 T5）。
  • classifier_dropout_rate (float, 可選, 預設為 0.0) — 分類器 dropout 比率（遵循 T5）。
  • attention_dropout (float, 可選, 預設為 0.0) — 注意力 dropout 比率。
  • tie_word_embeddings (bool, 可選, 預設為 True) — 是否繫結輸入和輸出嵌入。
  • kwargs (附加關鍵字引數, optional, 可選) — 將傳遞給 PretrainedConfig 基類。

這是用於儲存 T5GemmaModel 配置的配置類。它用於根據指定引數例項化 T5Gemma 模型，定義模型架構。使用預設值例項化配置將生成與假設的平衡 Gemma2 編碼器-解碼器模型類似的配置。例如 google/t5gemma-placeholder

>>> from transformers import T5GemmaConfig, T5GemmaModel
>>> t5gemma_config = T5GemmaConfig.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaModel(t5gemma_config)
配置物件繼承自 [PretrainedConfig]，可用於控制模型輸出。有關更多資訊，請參閱 [PretrainedConfig] 的文件。

T5GemmaModuleConfig

class transformers.T5GemmaModuleConfig

< >

( vocab_size = 256000 hidden_size = 2304 intermediate_size = 9216 num_hidden_layers = 26 num_attention_heads = 8 num_key_value_heads = 4 head_dim = 256 hidden_activation = 'gelu_pytorch_tanh' max_position_embeddings = 8192 initializer_range = 0.02 rms_norm_eps = 1e-06 use_cache = True pad_token_id = 0 eos_token_id = 1 bos_token_id = 2 tie_word_embeddings = True rope_theta = 10000.0 attention_bias = False attention_dropout = 0.0 query_pre_attn_scalar = 256 sliding_window = 4096 layer_types = None final_logit_softcapping = 30.0 attn_logit_softcapping = 50.0 **kwargs )

引數

  • vocab_size (int, 可選, 預設為 256000) — T5GemmaModule 模型的詞彙表大小。定義了呼叫 T5GemmaModuleModel 時傳遞的 inputs_ids 可以表示的不同詞元數量。
  • hidden_size (int, 可選, 預設為 2304) — 隱藏表示的維度。
  • intermediate_size (int, 可選, 預設為 9216) — MLP 表示的維度。
  • num_hidden_layers (int, 可選, 預設為 26) — Transformer 解碼器中隱藏層的數量。
  • num_attention_heads (int, 可選, 預設為 8) — Transformer 解碼器中每個注意力層的注意力頭數量。
  • num_key_value_heads (int, 可選, 預設為 4) — 用於實現分組查詢注意力的鍵值頭數量。如果 num_key_value_heads=num_attention_heads，模型將使用多頭注意力 (MHA)，如果 num_key_value_heads=1，模型將使用多查詢注意力 (MQA)，否則使用 GQA。在將多頭檢查點轉換為 GQA 檢查點時，每個分組鍵值頭應透過對該組內的所有原始頭進行均值池化來構建。有關更多詳細資訊，請檢視這篇論文。如果未指定，則預設為 num_attention_heads。
  • head_dim (int, 可選, 預設為 256) — 注意力頭維度。
  • hidden_activation (str 或 function, 可選, 預設為 "gelu_pytorch_tanh") — 解碼器中的非線性啟用函式（函式或字串）。如果未指定，則預設為 "gelu_pytorch_tanh"。"gelu_pytorch_tanh" 使用 "gelu" 啟用函式的近似值。
  • max_position_embeddings (int, 可選, 預設為 8192) — 此模型可能使用的最大序列長度。
  • initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。
  • rms_norm_eps (float, 可選, 預設為 1e-06) — RMS 歸一化層使用的 epsilon。
  • use_cache (bool, 可選, 預設為 True) — 模型是否應返回最後一個鍵/值注意力（並非所有模型都使用）。僅在 config.is_decoder=True 時相關。
  • pad_token_id (int, 可選, 預設為 0) — 填充詞元 ID。
  • eos_token_id (int, 可選, 預設為 1) — 流結束詞元 ID。
  • bos_token_id (int, 可選, 預設為 2) — 流開始詞元 ID。
  • tie_word_embeddings (bool, 可選, 預設為 True) — 是否繫結詞嵌入。
  • rope_theta (float, 可選, 預設為 10000.0) — RoPE 嵌入的基週期。
  • attention_bias (bool, 預設為 False, 可選, 預設為 False) — 在自注意力機制中，是否在查詢、鍵、值和輸出投影層中使用偏置。
  • attention_dropout (float, 可選, 預設為 0.0) — 注意力機率的 dropout 比率。
  • query_pre_attn_scalar (float, 可選, 預設為 256) — 用於注意力分數上的縮放因子。
  • sliding_window (int, 可選, 預設為 4096) — 在 T5GemmaModule 中，每隔一層使用滑動視窗注意力。這是滑動視窗的大小。
  • layer_types (list, 可選) — 每層的注意力模式。
  • final_logit_softcapping (float, 可選, 預設為 30.0) — 對 logits 應用 tanh 軟上限時的縮放因子。
  • attn_logit_softcapping (float, 可選, 預設為 50.0) — 對注意力分數應用 tanh 軟上限時的縮放因子。

這是一個配置類，用於儲存 T5GemmaModuleModel 的配置。它用於根據指定引數例項化 T5GemmaModule 模型，定義模型架構。使用預設值例項化配置將生成與 T5GemmaModule-7B 類似的配置。例如 google/t5_gemma_module-7b 配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請參閱 PretrainedConfig 的文件。

>>> from transformers import T5GemmaModuleModel, T5GemmaModuleConfig
>>> # Initializing a T5GemmaModule t5_gemma_module-7b style configuration
>>> configuration = T5GemmaModuleConfig()
>>> # Initializing a model from the t5_gemma_module-7b style configuration
>>> model = T5GemmaModuleModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
模組配置（編碼器或解碼器）：與 Gemma2Config 相同。

T5GemmaModel

class transformers.T5GemmaModel

< >

( config: T5GemmaConfig )

引數

  • config (T5GemmaConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

T5Gemma 裸模型，直接輸出隱藏狀態，不帶任何特定頭部。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

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

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None past_key_values: typing.Optional[transformers.cache_utils.EncoderDecoderCache] = None inputs_embeds: typing.Optional[torch.Tensor] = None decoder_inputs_embeds: typing.Optional[torch.Tensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)

引數

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

    什麼是輸入 ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor, 可選) — 用於避免對填充 token 索引執行注意力的掩碼。掩碼值選擇在 [0, 1] 之間：

    • 1 表示**未被掩碼**的 token，
    • 0 表示**被掩碼**的 token。

    什麼是注意力掩碼？

  • position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 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.n_positions - 1]。

    什麼是位置 ID？

  • decoder_input_ids (形狀為 (batch_size, target_sequence_length) 的 torch.LongTensor, 可選) — 詞彙表中解碼器輸入序列 token 的索引。

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

    什麼是解碼器輸入 ID？

  • decoder_attention_mask (形狀為 (batch_size, target_sequence_length) 的 torch.BoolTensor, 可選) — 用於避免對特定 token 索引執行注意力的掩碼。預設情況下，將使用因果掩碼，以確保模型只能檢視以前的輸入來預測未來。
  • decoder_position_ids (形狀為 (batch_size, decoder_sequence_length) 的 torch.LongTensor, 可選) — 每個解碼器輸入序列 token 在位置嵌入中的位置索引。選擇範圍為 [0, config.decoder.n_positions - 1]。 什麼是位置 ID？
  • **flash_attn_kwargs — flash attention 相關引數。
  • encoder_outputs (~modeling_outputs.BaseModelOutput, 可選) — 元組包含 (last_hidden_state, 可選: hidden_states, 可選: attentions) last_hidden_state 形狀為 (batch_size, sequence_length, hidden_size), 可選) 是編碼器最後一層輸出的隱藏狀態序列。用於解碼器的交叉注意力。
  • past_key_values (~cache_utils.EncoderDecoderCache, 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），可用於加速序列解碼。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：

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

    模型將輸出與輸入相同的快取格式。如果未傳入 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最後一個 input_ids（那些未將過去的鍵值狀態提供給此模型的 token），形狀為 (batch_size, 1)，而不是所有 input_ids，形狀為 (batch_size, sequence_length)。

  • inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.Tensor, 可選) — 可選地，你可以選擇直接傳入嵌入表示，而不是傳入 input_ids。如果你想對如何將 input_ids 索引轉換為相關向量有比模型內部嵌入查詢矩陣更多的控制，這很有用。
  • decoder_inputs_embeds (形狀為 (batch_size, target_sequence_length, hidden_size) 的 torch.Tensor, 可選) — 可選地，你可以選擇直接傳入嵌入表示，而不是傳入 decoder_input_ids。如果使用 past_key_values，可選地只需輸入最後一個 decoder_inputs_embeds（請參閱 past_key_values）。如果你想對如何將 decoder_input_ids 索引轉換為相關向量有比模型內部嵌入查詢矩陣更多的控制，這很有用。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未設定，則 decoder_inputs_embeds 將採用 inputs_embeds 的值。

  • use_cache (bool, 可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，可用於加速解碼（請參閱 past_key_values）。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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。有關詳細資訊，請參閱返回張量中的 hidden_states。
  • cache_position (形狀為 (sequence_length) 的 torch.LongTensor, 可選) — 表示輸入序列 token 在序列中的位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。

返回

transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.Seq2SeqModelOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (T5GemmaConfig) 和輸入。

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

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

  • past_key_values (EncoderDecoderCache, 可選, 當傳入 use_cache=True 或當 config.use_cache=True 時返回) — 它是一個 EncoderDecoderCache 例項。有關詳細資訊，請參閱我們的 kv 快取指南。

    包含預先計算的隱藏狀態（自注意力塊和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。

  • decoder_hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    解碼器在每個層輸出的隱藏狀態，加上可選的初始嵌入輸出。

  • decoder_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    解碼器的注意力權重，在注意力 softmax 之後，用於計算自注意力頭中的加權平均。

  • cross_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    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。

  • encoder_last_hidden_state (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 模型編碼器最後一層輸出的隱藏狀態序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    編碼器在每個層輸出的隱藏狀態，加上可選的初始嵌入輸出。

  • encoder_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    編碼器的注意力權重，在注意力 softmax 之後，用於計算自注意力頭中的加權平均。

T5GemmaModel 的 forward 方法，重寫了 __call__ 特殊方法。

雖然必須在此函式中定義前向傳播的配方，但在此之後應呼叫 Module 例項，而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

T5GemmaEncoderModel

class transformers.T5GemmaEncoderModel

< >

( config: T5GemmaConfig )

引數

  • config (T5GemmaConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

T5Gemma 裸模型，直接輸出隱藏狀態，不帶任何特定頭部。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

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

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

引數

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

    什麼是輸入 ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor, 可選) — 用於避免對填充 token 索引執行注意力的掩碼。掩碼值選擇在 [0, 1] 之間：

    • 1 表示**未被掩碼**的 token，
    • 0 表示**被掩碼**的 token。

    什麼是注意力掩碼？

  • position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 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.n_positions - 1]。

    什麼是位置 ID？

  • inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.Tensor, 可選) — 可選地，你可以選擇直接傳入嵌入表示，而不是傳入 input_ids。如果你想對如何將 input_ids 索引轉換為相關向量有比模型內部嵌入查詢矩陣更多的控制，這很有用。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量中的 attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量中的 hidden_states。

返回

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

一個 transformers.modeling_outputs.BaseModelOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (T5GemmaConfig) 和輸入。

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

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

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

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

T5GemmaEncoderModel 的 forward 方法，重寫了 __call__ 特殊方法。

雖然必須在此函式中定義前向傳播的配方，但在此之後應呼叫 Module 例項，而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

T5GemmaForConditionalGeneration

class transformers.T5GemmaForConditionalGeneration

< >

( config: T5GemmaConfig )

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.BoolTensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None past_key_values: typing.Optional[transformers.cache_utils.EncoderDecoderCache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **loss_kwargs ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)

引數

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

    什麼是輸入 ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor, 可選) — 用於避免對填充 token 索引執行注意力的掩碼。掩碼值選擇在 [0, 1] 之間：

    • 1 表示**未被掩碼**的 token，
    • 0 表示**被掩碼**的 token。

    什麼是注意力掩碼？

  • position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 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.n_positions - 1]。

    什麼是位置 ID？

  • decoder_input_ids (形狀為 (batch_size, target_sequence_length) 的 torch.LongTensor, 可選) — 詞彙表中解碼器輸入序列 token 的索引。

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

    什麼是解碼器輸入 ID？

  • decoder_attention_mask (形狀為 (batch_size, target_sequence_length) 的 torch.BoolTensor，可選) — 遮罩以避免在某些詞元索引上執行注意力操作。預設情況下，將使用因果遮罩，以確保模型只能檢視先前的輸入來預測未來。
  • decoder_position_ids (形狀為 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可選) — 解碼器輸入序列中每個詞元在位置嵌入中的位置索引。選擇範圍為 [0, config.decoder.n_positions - 1]。什麼是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，可選) — 元組包含 (last_hidden_state，可選：hidden_states，可選：attentions) 形狀為 (batch_size, sequence_length, hidden_size) 的 last_hidden_state（可選）是編碼器最後一層輸出的隱藏狀態序列。用於解碼器的交叉注意力。
  • past_key_values (~cache_utils.EncoderDecoderCache，可選) — 預計算的隱藏狀態（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；
    • 一個長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量。這也被稱為舊版快取格式。

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

    如果使用 past_key_values，使用者可以選擇只輸入形狀為 (batch_size, 1) 的最後一個 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 input_ids。

  • inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想對如何將 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，這很有用。
  • decoder_inputs_embeds (形狀為 (batch_size, target_sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 decoder_input_ids。如果使用 past_key_values，可選地只需輸入最後一個 decoder_inputs_embeds（參見 past_key_values）。如果你想對如何將 decoder_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，這很有用。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未設定，decoder_inputs_embeds 將取 inputs_embeds 的值。

  • labels (形狀為 (batch_size, sequence_length) 的 torch.LongTensor，可選) — 用於計算掩碼語言模型損失的標籤。索引應在 [0, ..., config.vocab_size] 或 -100 之間（參見 input_ids 文件字串）。索引設定為 -100 的詞元將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 中的詞元計算。
  • 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。更多詳細資訊請參見返回張量下的 attentions。
  • output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參見返回張量下的 hidden_states。
  • cache_position (形狀為 (sequence_length) 的 torch.LongTensor，可選) — 表示輸入序列詞元在序列中位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。
  • logits_to_keep (Union[int, torch.Tensor]，預設為 0) — 如果是 int，則計算最後 logits_to_keep 個詞元的 logits。如果是 0，則計算所有 input_ids 的 logits（特殊情況）。生成時只需要最後一個詞元的 logits，僅計算該詞元的 logits 可以節省記憶體，這對於長序列或大詞彙量來說非常重要。如果是 torch.Tensor，則必須是與序列長度維度中要保留的索引相對應的 1D 張量。這在使用打包張量格式（批次和序列長度的單個維度）時很有用。

返回

transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.Seq2SeqLMOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或當 config.return_dict=False 時），包含根據配置 (T5GemmaConfig) 和輸入的不同元素。

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

  • 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）。

  • past_key_values (EncoderDecoderCache, 可選, 當傳入 use_cache=True 或當 config.use_cache=True 時返回) — 它是一個 EncoderDecoderCache 例項。有關詳細資訊，請參閱我們的 kv 快取指南。

    包含預先計算的隱藏狀態（自注意力塊和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。

  • decoder_hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    解碼器在每一層輸出時的隱藏狀態以及初始嵌入輸出。

  • decoder_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    解碼器的注意力權重，在注意力 softmax 之後，用於計算自注意力頭中的加權平均。

  • cross_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    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。

  • encoder_last_hidden_state (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 模型編碼器最後一層輸出的隱藏狀態序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    編碼器在每一層輸出時的隱藏狀態以及初始嵌入輸出。

  • encoder_attentions (tuple(torch.FloatTensor), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每層一個）。

    編碼器的注意力權重，在注意力 softmax 之後，用於計算自注意力頭中的加權平均。

T5GemmaForConditionalGeneration 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然必須在此函式中定義前向傳播的配方，但在此之後應呼叫 Module 例項，而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

示例

T5GemmaForSequenceClassification

class transformers.T5GemmaForSequenceClassification

< >

( config: T5GemmaConfig is_encoder_decoder: typing.Optional[bool] = None )

引數

  • config (T5GemmaConfig) — 模型的配置類，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相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。
  • is_encoder_decoder (Optional，可選) — 是否使用 encoder_decoder 進行序列分類。當設定為 False 時，僅使用編碼器。

T5Gemma 模型，在頂部帶有序列分類/迴歸頭，例如用於 GLUE 任務。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

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

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.Tensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_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 ) → transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

引數

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

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

    什麼是輸入 ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor，可選) — 遮罩以避免在填充詞元索引上執行注意力操作。遮罩值選擇在 [0, 1] 之間：

    • 對於 未被遮罩 的詞元，值為 1，
    • 對於 被遮罩 的詞元，值為 0。

    什麼是注意力遮罩？

  • position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor，可選) — 每個輸入序列詞元在位置嵌入中的位置索引。選擇範圍為 [0, config.n_positions - 1]。

    什麼是位置 ID？

  • decoder_input_ids (形狀為 (batch_size, target_sequence_length) 的 torch.LongTensor，可選) — 詞彙表中解碼器輸入序列詞元的索引。

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

    什麼是解碼器輸入 ID？

  • decoder_attention_mask (形狀為 (batch_size, target_sequence_length) 的 torch.Tensor，可選) — 遮罩以避免在某些詞元索引上執行注意力操作。預設情況下，將使用因果遮罩，以確保模型只能檢視先前的輸入來預測未來。
  • decoder_position_ids (形狀為 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可選) — 解碼器輸入序列中每個詞元在位置嵌入中的位置索引。選擇範圍為 [0, config.decoder.n_positions - 1]。什麼是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，可選) — 元組包含 (last_hidden_state，可選：hidden_states，可選：attentions) 形狀為 (batch_size, sequence_length, hidden_size) 的 last_hidden_state（可選）是編碼器最後一層輸出的隱藏狀態序列。用於解碼器的交叉注意力。
  • inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想對如何將 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，這很有用。
  • decoder_inputs_embeds (形狀為 (batch_size, target_sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 decoder_input_ids。如果使用 past_key_values，可選地只需輸入最後一個 decoder_inputs_embeds（參見 past_key_values）。如果你想對如何將 decoder_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，這很有用。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未設定，decoder_inputs_embeds 將取 inputs_embeds 的值。

  • labels (形狀為 (batch_size,) 的 torch.LongTensor，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 之間。如果 config.num_labels == 1，則計算迴歸損失（均方損失），如果 config.num_labels > 1，則計算分類損失（交叉熵）。
  • output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。更多詳細資訊請參見返回張量下的 attentions。
  • output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參見返回張量下的 hidden_states。

返回

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

一個 transformers.modeling_outputs.SequenceClassifierOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或當 config.return_dict=False 時），包含根據配置 (T5GemmaConfig) 和輸入的不同元素。

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

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

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

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

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

T5GemmaForSequenceClassification 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然必須在此函式中定義前向傳播的配方，但在此之後應呼叫 Module 例項，而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

單標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, T5GemmaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder")

>>> 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 = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder", 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, T5GemmaForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForSequenceClassification.from_pretrained("google/t5gemma-placeholder", 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 = T5GemmaForSequenceClassification.from_pretrained(
...     "google/t5gemma-placeholder", num_labels=num_labels, problem_type="multi_label_classification"
... )

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

T5GemmaForTokenClassification

class transformers.T5GemmaForTokenClassification

< >

( config: T5GemmaConfig is_encoder_decoder: typing.Optional[bool] = None )

引數

  • config (T5GemmaConfig) — 模型的配置類，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相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。
  • is_encoder_decoder (Optional，可選) — 是否使用 encoder_decoder 進行詞元分類。當設定為 False 時，僅使用編碼器。

帶有詞元分類頭（在隱藏狀態輸出上方的線性層）的 T5Gemma 轉換器，例如用於命名實體識別 (NER) 任務。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

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

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.Tensor] = None decoder_position_ids: typing.Optional[torch.LongTensor] = None encoder_outputs: typing.Optional[transformers.modeling_outputs.BaseModelOutput] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None decoder_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 ) → transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

引數

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

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

    什麼是輸入 ID？

  • attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor，可選) — 遮罩以避免在填充詞元索引上執行注意力操作。遮罩值選擇在 [0, 1] 之間：

    • 對於 未被遮罩 的詞元，值為 1，
    • 對於 被遮罩 的詞元，值為 0。

    什麼是注意力遮罩？

  • position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor，可選) — 每個輸入序列詞元在位置嵌入中的位置索引。選擇範圍為 [0, config.n_positions - 1]。

    什麼是位置 ID？

  • decoder_input_ids (形狀為 (batch_size, target_sequence_length) 的 torch.LongTensor，可選) — 詞彙表中解碼器輸入序列詞元的索引。

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

    什麼是解碼器輸入 ID？

  • decoder_attention_mask (形狀為 (batch_size, target_sequence_length) 的 torch.Tensor，可選) — 遮罩以避免在某些詞元索引上執行注意力操作。預設情況下，將使用因果遮罩，以確保模型只能檢視先前的輸入來預測未來。
  • decoder_position_ids (形狀為 (batch_size, decoder_sequence_length) 的 torch.LongTensor，可選) — 解碼器輸入序列中每個詞元在位置嵌入中的位置索引。選擇範圍為 [0, config.decoder.n_positions - 1]。什麼是位置 ID？
  • encoder_outputs (~modeling_outputs.BaseModelOutput，可選) — 元組包含 (last_hidden_state，可選：hidden_states，可選：attentions) 形狀為 (batch_size, sequence_length, hidden_size) 的 last_hidden_state（可選）是編碼器最後一層輸出的隱藏狀態序列。用於解碼器的交叉注意力。
  • inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想對如何將 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，這很有用。
  • decoder_inputs_embeds (torch.FloatTensor，形狀為 (batch_size, target_sequence_length, hidden_size)，可選) — 可選引數，可以直接傳遞嵌入表示，而不是傳遞 decoder_input_ids。如果使用了 past_key_values，則可選地只需要輸入最後的 decoder_inputs_embeds（參見 past_key_values）。如果您希望對如何將 decoder_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。

    如果 decoder_input_ids 和 decoder_inputs_embeds 都未設定，則 decoder_inputs_embeds 將取 inputs_embeds 的值。

  • 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（交叉熵損失）。
  • output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳細資訊請參見返回張量下的 attentions。
  • output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參見返回張量下的 hidden_states。

返回

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

一個 transformers.modeling_outputs.TokenClassifierOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），包含根據配置（T5GemmaConfig）和輸入的不同元素。

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

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

  • hidden_states (tuple(torch.FloatTensor), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則包括嵌入輸出，加上每層輸出）。

    模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。

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

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

T5GemmaForTokenClassification 的 forward 方法，覆蓋了 __call__ 特殊方法。

雖然必須在此函式中定義前向傳播的配方，但在此之後應呼叫 Module 例項，而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

示例

>>> from transformers import AutoTokenizer, T5GemmaForTokenClassification
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("google/t5gemma-placeholder")
>>> model = T5GemmaForTokenClassification.from_pretrained("google/t5gemma-placeholder")

>>> 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)
...
< > 在 GitHub 上更新

←T5 T5v1.1→
© . This site is unofficial and not affiliated with Hugging Face, Inc.