zoukankan      html  css  js  c++  java
  • Transformers 快速入门 | 一

    作者|huggingface
    编译|VK
    来源|Github

    理念

    Transformers是一个为NLP的研究人员寻求使用/研究/扩展大型Transformers模型的库。

    该库的设计有两个强烈的目标:

    • 尽可能简单和快速使用:
      • 我们尽可能限制了要学习的面向对象抽象的类的数量,实际上几乎没有抽象,每个模型只需要使用三个标准类:配置、模型和tokenizer,
      • 所有这些类都可以通过使用公共的from_pretrained()实例化方法从预训练实例以简单统一的方式初始化,该方法将负责从库中下载,缓存和加载相关类提供的预训练模型或你自己保存的模型。
      • 因此,这个库不是构建神经网络模块的工具箱。如果您想扩展/构建这个库,只需使用常规的Python/PyTorch模块,并从这个库的基类继承,以重用诸如模型加载/保存等功能。
    • 提供最先进的模型与性能尽可能接近的原始模型:
      • 我们为每个架构提供了至少一个例子,该例子再现了上述架构的官方作者提供的结果
      • 代码通常尽可能地接近原始代码,这意味着一些PyTorch代码可能不那么pytorch化,因为这是转换TensorFlow代码后的结果。

    其他几个目标:

    • 尽可能一致地暴露模型的内部:
      • 我们使用一个API来访问所有的隐藏状态和注意力权重,
      • 对tokenizer和基本模型的API进行了标准化,以方便在模型之间进行切换。
    • 结合一个主观选择的有前途的工具微调/调查这些模型:
      • 向词汇表和嵌入项添加新标记以进行微调的简单/一致的方法,
      • 简单的方法面具和修剪变压器头。

    主要概念

    该库是建立在三个类型的类为每个模型:

    • model类是目前在库中提供的8个模型架构的PyTorch模型(torch.nn.Modules),例如BertModel
    • configuration类,它存储构建模型所需的所有参数,例如BertConfig。您不必总是自己实例化这些配置,特别是如果您使用的是未经任何修改的预训练的模型,创建模型将自动负责实例化配置(它是模型的一部分)
    • tokenizer类,它存储每个模型的词汇表,并在要输送到模型的词汇嵌入索引列表中提供用于编码/解码字符串的方法,例如BertTokenizer

    所有这些类都可以从预训练模型来实例化,并使用两种方法在本地保存:

    • from_pretraining()允许您从一个预训练版本实例化一个模型/配置/tokenizer,这个预训练版本可以由库本身提供(目前这里列出了27个模型),也可以由用户在本地(或服务器上)存储,
    • save_pretraining()允许您在本地保存模型/配置/tokenizer,以便可以使用from_pretraining()重新加载它。

    我们将通过一些简单的快速启动示例来完成这个快速启动之旅,看看如何实例化和使用这些类。其余的文件分为两部分:

    • 主要的类详细介绍了三种主要类(配置、模型、tokenizer)的公共功能/方法/属性,以及一些作为训练工具提供的优化类,
    • 包引用部分详细描述了每个模型体系结构的每个类的所有变体,特别是调用它们时它们期望的输入和输出。

    快速入门:使用

    这里有两个例子展示了一些Bert和GPT2类以及预训练模型。

    有关每个模型类的示例,请参阅完整的API参考。

    BERT示例

    让我们首先使用BertTokenizer从文本字符串准备一个标记化的输入(要输入给BERT的标记嵌入索引列表)

    import torch
    from transformers import BertTokenizer, BertModel, BertForMaskedLM
    
    # 可选:如果您想了解发生的信息,请按以下步骤logger
    import logging
    logging.basicConfig(level=logging.INFO)
    
    # 加载预训练的模型标记器(词汇表)
    tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
    
    # 标记输入
    text = "[CLS] Who was Jim Henson ? [SEP] Jim Henson was a puppeteer [SEP]"
    tokenized_text = tokenizer.tokenize(text)
    
    # 用“BertForMaskedLM”掩盖我们试图预测的标记`
    masked_index = 8
    tokenized_text[masked_index] = '[MASK]'
    assert tokenized_text == ['[CLS]', 'who', 'was', 'jim', 'henson', '?', '[SEP]', 'jim', '[MASK]', 'was', 'a', 'puppet', '##eer', '[SEP]']
    
    # 将标记转换为词汇索引
    indexed_tokens = tokenizer.convert_tokens_to_ids(tokenized_text)
    # 定义与第一句和第二句相关的句子A和B索引(见论文)
    segments_ids = [0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1]
    
    # 将输入转换为PyTorch张量
    tokens_tensor = torch.tensor([indexed_tokens])
    segments_tensors = torch.tensor([segments_ids])
    

    让我们看看如何使用BertModel在隐藏状态下对输入进行编码:

    # 加载预训练模型(权重)
    model = BertModel.from_pretrained('bert-base-uncased')
    
    # 将模型设置为评估模式
    # 在评估期间有可再现的结果这是很重要的!
    model.eval()
    
    # 如果你有GPU,把所有东西都放在cuda上
    tokens_tensor = tokens_tensor.to('cuda')
    segments_tensors = segments_tensors.to('cuda')
    model.to('cuda')
    
    #预测每个层的隐藏状态特征
    with torch.no_grad():
        # 有关输入的详细信息,请参见models文档字符串
        outputs = model(tokens_tensor, token_type_ids=segments_tensors)
        # Transformer模型总是输出元组。
        # 有关所有输出的详细信息,请参见模型文档字符串。在我们的例子中,第一个元素是Bert模型最后一层的隐藏状态
        encoded_layers = outputs[0]
    # 我们已将输入序列编码为形状(批量大小、序列长度、模型隐藏维度)的FloatTensor
    assert tuple(encoded_layers.shape) == (1, len(indexed_tokens), model.config.hidden_size)
    

    以及如何使用BertForMaskedLM预测屏蔽的标记:

    # 加载预训练模型(权重)
    model = BertForMaskedLM.from_pretrained('bert-base-uncased')
    model.eval()
    
    # 如果你有GPU,把所有东西都放在cuda上
    tokens_tensor = tokens_tensor.to('cuda')
    segments_tensors = segments_tensors.to('cuda')
    model.to('cuda')
    
    # 预测所有标记
    with torch.no_grad():
        outputs = model(tokens_tensor, token_type_ids=segments_tensors)
        predictions = outputs[0]
    
    # 确认我们能预测“henson”
    predicted_index = torch.argmax(predictions[0, masked_index]).item()
    predicted_token = tokenizer.convert_ids_to_tokens([predicted_index])[0]
    assert predicted_token == 'henson'
    

    OpenAI GPT-2

    下面是一个快速开始的例子,使用GPT2TokenizerGPT2LMHeadModel类以及OpenAI的预训练模型来预测文本提示中的下一个标记。

    首先,让我们使用GPT2Tokenizer

    import torch
    from transformers import GPT2Tokenizer, GPT2LMHeadModel
    
    # 可选:如果您想了解发生的信息,请按以下步骤logger
    import logging
    logging.basicConfig(level=logging.INFO)
    
    # 加载预训练模型(权重)
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    
    # 编码输入
    text = "Who was Jim Henson ? Jim Henson was a"
    indexed_tokens = tokenizer.encode(text)
    
    # 转换为PyTorch tensor
    tokens_tensor = torch.tensor([indexed_tokens])
    

    让我们看看如何使用GPT2LMHeadModel生成下一个跟在我们的文本后面的token:

    # 加载预训练模型(权重)
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    
    # 将模型设置为评估模式
    # 在评估期间有可再现的结果这是很重要的!
    model.eval()
    
    # 如果你有GPU,把所有东西都放在cuda上
    tokens_tensor = tokens_tensor.to('cuda')
    model.to('cuda')
    
    # 预测所有标记
    with torch.no_grad():
        outputs = model(tokens_tensor)
        predictions = outputs[0]
    
    # 得到预测的下一个子词(在我们的例子中,是“man”这个词)
    predicted_index = torch.argmax(predictions[0, -1, :]).item()
    predicted_text = tokenizer.decode(indexed_tokens + [predicted_index])
    assert predicted_text == 'Who was Jim Henson? Jim Henson was a man'
    

    每个模型架构(Bert、GPT、GPT-2、Transformer XL、XLNet和XLM)的每个模型类的示例,可以在文档中找到。

    使用过去的GPT-2

    以及其他一些模型(GPT、XLNet、Transfo XL、CTRL),使用pastmems属性,这些属性可用于防止在使用顺序解码时重新计算键/值对。它在生成序列时很有用,因为注意力机制的很大一部分得益于以前的计算。

    下面是一个使用带pastGPT2LMHeadModel和argmax解码的完整工作示例(只能作为示例,因为argmax decoding引入了大量重复):

    from transformers import GPT2LMHeadModel, GPT2Tokenizer
    import torch
    
    tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    
    generated = tokenizer.encode("The Manhattan bridge")
    context = torch.tensor([generated])
    past = None
    
    for i in range(100):
        print(i)
        output, past = model(context, past=past)
        token = torch.argmax(output[..., -1, :])
    
        generated += [token.tolist()]
        context = token.unsqueeze(0)
    
    sequence = tokenizer.decode(generated)
    
    print(sequence)
    

    由于以前所有标记的键/值对都包含在past,因此模型只需要一个标记作为输入。

    Model2Model示例

    编码器-解码器架构需要两个标记化输入:一个用于编码器,另一个用于解码器。假设我们想使用Model2Model进行生成性问答,从标记将输入模型的问答开始。

    import torch
    from transformers import BertTokenizer, Model2Model
    
    # 可选:如果您想了解发生的信息,请按以下步骤logger
    import logging
    logging.basicConfig(level=logging.INFO)
    
    # 加载预训练模型(权重)
    tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
    
    # 编码输入(问题)
    question = "Who was Jim Henson?"
    encoded_question = tokenizer.encode(question)
    
    # 编码输入(答案)
    answer = "Jim Henson was a puppeteer"
    encoded_answer = tokenizer.encode(answer)
    
    # 将输入转换为PyTorch张量
    question_tensor = torch.tensor([encoded_question])
    answer_tensor = torch.tensor([encoded_answer])
    

    让我们看看如何使用Model2Model获取与此(问题,答案)对相关联的loss值:

    #为了计算损失,我们需要向解码器提供语言模型标签(模型生成的标记id)。
    lm_labels =  encoded_answer
    labels_tensor = torch.tensor([lm_labels])
    
    # 加载预训练模型(权重)
    model = Model2Model.from_pretrained('bert-base-uncased')
    
    # 将模型设置为评估模式
    # 在评估期间有可再现的结果这是很重要的!
    model.eval()
    
    # 如果你有GPU,把所有东西都放在cuda上
    question_tensor = question_tensor.to('cuda')
    answer_tensor = answer_tensor.to('cuda')
    labels_tensor = labels_tensor.to('cuda')
    model.to('cuda')
    
    # 预测每个层的隐藏状态特征
    with torch.no_grad():
        # 有关输入的详细信息,请参见models文档字符串
        outputs = model(question_tensor, answer_tensor, decoder_lm_labels=labels_tensor)
        # Transformers模型总是输出元组。
        # 有关所有输出的详细信息,请参见models文档字符串
        # 在我们的例子中,第一个元素是LM损失的值
        lm_loss = outputs[0]
    

    此损失可用于对Model2Model的问答任务进行微调。假设我们对模型进行了微调,现在让我们看看如何生成答案:

    # 让我们重复前面的问题
    question = "Who was Jim Henson?"
    encoded_question = tokenizer.encode(question)
    question_tensor = torch.tensor([encoded_question])
    
    # 这次我们试图生成答案,所以我们从一个空序列开始
    answer = "[CLS]"
    encoded_answer = tokenizer.encode(answer, add_special_tokens=False)
    answer_tensor = torch.tensor([encoded_answer])
    
    # 加载预训练模型(权重)
    model = Model2Model.from_pretrained('fine-tuned-weights')
    model.eval()
    
    # 如果你有GPU,把所有东西都放在cuda上
    question_tensor = question_tensor.to('cuda')
    answer_tensor = answer_tensor.to('cuda')
    model.to('cuda')
    
    # 预测所有标记
    with torch.no_grad():
        outputs = model(question_tensor, answer_tensor)
        predictions = outputs[0]
    
    # 确认我们能预测“jim”
    predicted_index = torch.argmax(predictions[0, -1]).item()
    predicted_token = tokenizer.convert_ids_to_tokens([predicted_index])[0]
    assert predicted_token == 'jim'
    

    欢迎关注磐创博客资源汇总站:
    http://docs.panchuang.net/

    欢迎关注PyTorch官方中文教程站:
    http://pytorch.panchuang.net/

    OpenCV中文官方文档:
    http://woshicver.com/

  • 相关阅读:
    MVC梳理与总结
    《岛上书店》
    PIL简单图片处理(上)
    Day 3---快捷键
    Day 2---控制快捷键
    Day 1--快捷键
    每天学点Emacs
    swift写ios mvc的小demo
    hexo博客部署到github无法上传的问题
    Django Web开发【7】 投票与评论
  • 原文地址:https://www.cnblogs.com/panchuangai/p/12567847.html
Copyright © 2011-2022 走看看