Hugging Face主页课程第二篇《 Using Transformers》

Using ? Transformers

本文翻译自 Hugging Face主页Resources下的 course

说明：有的文章将token、Tokenizer、Tokenization翻译为令牌、令牌器和令牌化。虽然从意义上来说更加准确，但是笔者感觉还是不够简单直接，不够形象。所以文中有些地方会翻译成分词、分词器和分词，有些地方又保留英文（有可能google翻译成标记、标记化没注意到）。有其它疑问可以留言或者查看原文。

本章简介

在第 1 章中，我们使用pipeline API 将 Transformer 模型用于不同的任务。 尽管此 API 功能强大且方便，但了解其内部工作原理很重要，这样我们才能灵活地解决其他问题。

在本章中，您将学习：

• 如何使用标记器和模型来复制管道 API 的行为
• 如何加载和保存模型和分词器
• 不同的标记化方法，例如基于词、基于字符和基于子词
• 如何处理不同长度的多个句子

1. Transformers简介

(Transformers 库API可以加载、训练和保存任何 Transformer 模型,模型的前向传递完全定义在单个-文件中（All in one file）。模型更易于理解，且一个模型上进行试验，不会影响其他模型
本章将end-to-end为例，使用一个模型和一个tokenizer 来重现第 1 章中介绍的管道 API）

Transformer 模型通常非常大。拥有数百万到数百亿的参数，训练和部署这些模型是一项复杂的工作。此外，由于几乎每天都会发布新模型，并且每个模型都有自己的实现，因此尝试所有这些模型并非易事。

? Transformers 库目标是提供一个单一的 API，通过它可以加载、训练和保存任何 Transformer 模型。其主要特点是：

• 易于使用：只需两行代码即可下载、加载和使用最先进的 NLP 模型进行inference。
• 灵活性：从本质上讲，所有模型都是简单的 PyTorch nn.Module 或 TensorFlow tf.keras.Model 类，并且可以像机器学习 (ML) 框架中的任何其他模型一样进行处理。
• 简单性：在整个库中几乎没有任何抽象。 “一体化文件（All in one file）”是一个核心概念：模型的前向传递完全定义在单个文件中，因此代码本身是可理解和可破解的。

最后一个功能使 ? Transformers 与其他 ML 库完全不同。模型不是建立在跨文件共享的模块上的；相反，每个模型都有自己的层。除了使模型更易于理解之外，这还使您可以轻松地在一个模型上进行试验，而不会影响其他模型。

本章将从一个end-to-end的例子开始，我们使用一个模型和一个tokenizer 来复制第 1 章中介绍的管道 API。

• model API：我们将深入研究model和configuration（配置）类，并向您展示如何加载模型以及它如何处理数值输入以输出预测。
• tokenizer API：管道的另一个主要组件。 tokenizer负责第一个和最后一个处理步骤，处理神经网络从文本到数字输入的转换，以及在需要时转换回文本。
  -通过模型在一个准备好的batch中处理多个句子，然后仔细研究高级tokenizer函数来封装（wrap it all up）。

为了从 Model Hub 和 ? Transformers 提供的所有功能中受益，我们建议您创建一个帐户。

2. 管道背后的故事

本节代码Open in Colab (PyTorch)
YouTube视频：what happend inside the pipeline function
让我们从一个完整的例子开始，看看当我们在第 1 章中执行以下代码时，幕后发生了什么：

from transformers import pipelineclassifier = pipeline("sentiment-analysis")
classifier(["I've been waiting for a HuggingFace course my whole life.", "I hate this so much!",
])

[{
    'label': 'POSITIVE', 'score': 0.9598047137260437},{
    'label': 'NEGATIVE', 'score': 0.9994558095932007}]

正如我们在第 1 章中看到的，这个管道将三个步骤组合在一起：预处理、通过模型传递输入和后处理：

让我们快速浏览一下这些内容。

tokenizer预处理

与其他神经网络一样，Transformer 模型不能直接处理原始文本，因此我们管道的第一步是将文本输入转换为模型可以理解的数字。为此，我们使用了一个分词器tokenizer，它将负责：

• 将输入拆分为称为标记的单词、子词subword或符号symbols（如标点符号）
• 将每个标记映射到一个整数
• 添加可能对模型有用的其他输入

使用 AutoTokenizer 类及其 from_pretrained 方法，以保证所有这些预处理都以与模型预训练时完全相同的方式完成。设定模型的 checkpoint名称，它会自动获取与模型的Tokenizer关联的数据并缓存它（所以它只在你第一次运行下面的代码时下载）。

由于情感分析管道的默认检查点是 distilbert-base-uncased-finetuned-sst-2-english我们运行以下命令：

from transformers import AutoTokenizercheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)

将我们的句子传递给分词器Tokenizer，它会输出一个字典，准备提供给我们模型！ 唯一要做的就是将输入 ID 列表转换为张量tensors。Transformer 模型只接受tensors作为输入。

您可以使用 ? Transformers，而不必担心使用哪个 ML 框架作为后端； 对于某些模型，它可能是 PyTorch 或 TensorFlow，或 Flax。

要指定我们想要返回的张量类型（PyTorch、TensorFlow 或普通 NumPy），我们使用 return_tensors 参数：

raw_inputs = ["I've been waiting for a HuggingFace course my whole life.", "I hate this so much!",
]
inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors="pt")
print(inputs)

你可以传递一个句子或一个句子列表，以及指定你想要返回的张量类型（如果没有传递类型，你将得到一个list of lists作为结果）。（稍后会解释填充和截断）

以下是 PyTorch 张量的结果：

{
    'input_ids': tensor([[  101,  1045,  1005,  2310,  2042,  3403,  2005,  1037, 17662, 12172, 2607,  2026,  2878,  2166,  1012,   102],[  101,  1045,  5223,  2023,  2061,  2172,   999,   102,     0,     0,     0,     0,     0,     0,     0,     0]]), 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],[1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
}

输出的字典包含两个键：

• input_ids 包含两行整数（每个句子一个），它们是每个句子中标记的唯一标识符。
• attention_mask：

Going through the model

我们可以像使用分词器一样下载我们的预训练模型。 ? Transformers 提供了一个 AutoModel 类，它也有一个 from_pretrained 方法：

from transformers import AutoModelcheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
model = AutoModel.from_pretrained(checkpoint)

在此代码片段中，我们下载了之前在管道中使用的相同checkpoint（它实际上应该已经被缓存）并用它实例化了一个模型。

这个架构只包含基本的 Transformer 模块：给定一些输入，它输出我们称之为隐藏状态 hidden states的东西，也称为特征。对于每个模型输入，我们将检索一个高维向量，表示 Transformer 模型对该输入的上下文理解。

不同的任务有不同的head。这些隐藏状态本身就很有用，但它们通常是作为head的输入。这样就可以使用相同的体系结构执行不同的任务。

高维向量

Transformer 模块输出的向量通常很大。 它一般具有三个维度：

• batch size：一次处理的序列数（在我们的示例中为 2）。
• 序列长度：序列的数字表示的长度（在我们的示例中为 16）。
• Hidden size：每个模型输入的向量维度。
  由于最后一个值，它被称为“高维”。 Hidden size可能非常大（对于较小的模型，通常为 768，在较大的模型中可以达到 3072 或更多）。

将预处理过的输入传入模型，得到：

outputs = model(**inputs)
print(outputs.last_hidden_state.shape)

torch.Size([2, 16, 768])

? Transformers 模型的输出行为类似于命名元组或字典。 您可以通过属性（outputs.last_hidden_state）或键（outputs[“last_hidden_state”]）或索引（outputs[0]）访问元素。

Model heads: Making sense out of numbers

Model heads:将隐藏状态的高维向量作为输入，并将它们投影到不同的维度上。 它们通常由一个或几个线性层组成：

在此图中，模型由其embeddings layer和后续层表示。embeddings layer将输入进行预处理，每个输入 ID转换为表示对应token的向量。 随后的层使用注意力机制操纵这些向量以产生句子的最终表示。

? Transformers 中有许多不同的架构可用，每一种架构都围绕着处理特定任务而设计。 这是一个非详尽列表：

• Model (retrieve the hidden states)
• ForCausalLM
• ForMaskedLM
• ForMultipleChoice
• ForQuestionAnswering
• ForSequenceClassification
• ForTokenClassification
• and others ?
  在我们的示例中，我们需要一个带有序列分类的模型head（能够将句子分类为正面或负面）。 因此，我们实际上不会使用 AutoModel 类，而是使用 AutoModelForSequenceClassification：

from transformers import AutoModelForSequenceClassificationcheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
outputs = model(**inputs)

model head将我们之前看到的高维向量作为输入，并输出包含两个值（每个标签一个）的向量：

print(outputs.logits.shape)

torch.Size([2, 2])

由于我们只有两个句子和两个标签，因此我们从模型中得到的结果是 2 x 2 的形状。
Postprocessing the output后处理
我们从模型中获得的作为输出的值本身并不一定有意义。 让我们来看看：

print(outputs.logits)

tensor([[-1.5607,  1.6123],[ 4.1692, -3.3464]], grad_fn=<AddmmBackward>)

我们的模型预测了第一个句子结果 [-1.5607, 1.6123] 和第二个句子的结果 [4.1692, -3.3464]。 这些不是概率，而是 logits，即模型最后一层输出的原始非标准化分数。 要转换为概率，它们需要经过一个 SoftMax 层（==所有? Transformers 模型都输出 logits，因为训练的损失函数一般会融合最后一个激活函数（比如SoftMax，和实际的交叉熵损失函数）：

import torchpredictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
print(predictions)

tensor([[4.0195e-02, 9.5980e-01],[9.9946e-01, 5.4418e-04]], grad_fn=<SoftmaxBackward>)

这次输出是可识别的概率分数。

要获得每个位置对应的标签，我们可以检查模型配置的 id2label 属性（下一节将详细介绍）：

model.config.id2label

{
    0: 'NEGATIVE', 1: 'POSITIVE'}

现在我们可以得出结论，该模型预测了以下内容：

第一句：NEGATIVE：0.0402，POSITIVE：0.9598
第二句：NEGATIVE：0.9995，POSITIVE：0.0005

我们已经成功地重现了管道的三个步骤：

• 使用分词器进行预处理、
• 通过模型传递输入
• 后处理

现在让我们花点时间深入了解每个步骤。

??快来试试吧！ 选择两个（或更多）你自己的文本，并通过sentiment-analysis pipeline运行它们。 然后自己复制您在本节看到的步骤，并检查您是否获得了相同的结果！

3.Models

在本节中，我们将仔细研究创建和使用模型。 我们将使用 AutoModel 类从checkpoint实例化任何模型。

AutoModel 类及其所有相关类实际上是库中各种可用模型的简单包装器。 它可以自动为您的checkpoint猜测合适的模型架构，然后使用该架构实例化模型。

但是，如果您知道要使用的模型类型，则可以直接使用定义其架构的类。 让我们来看看它如何与 BERT 模型配合使用。

创建一个transformer

初始化 BERT 模型需要做的第一件事是加载配置对象：

from transformers import BertConfig, BertModel# Building the config
config = BertConfig()# Building the model from the config
model = BertModel(config)

config配置包含了许多用于构建模型的属性：

print(config)

BertConfig {
    [...]"hidden_size": 768,            #hidden_states 向量的大小"intermediate_size": 3072,	 #FFN第一层神经元个数，即attention层传入第一层全连接会扩维4倍"max_position_embeddings": 512,#最大序列长度512"num_attention_heads": 12,"num_hidden_layers": 12,[...]
}

hidden_size ： hidden_states 向量的大小
num_hidden_layers ：Transformer 模型的层数

不同的加载方式

从默认配置创建模型会使用随机值对其进行初始化：

from transformers import BertConfig, BertModelconfig = BertConfig()
model = BertModel(config)# 模型已经随机初始化了

模型可以在这种状态下使用，但是会输出乱码； 它需要先训练。 我们可以根据手头的任务从头开始训练模型，这将需要很长时间和大量数据，并且会对环境产生不可忽视的影响。 为了避免不必要和重复的工作，必须能够共享和重用已经训练过的模型。

使用 from_pretrained 方法来加载一个已经训练过的 Transformer 模型：

from transformers import BertModelmodel = BertModel.from_pretrained("bert-base-cased")

正如您之前看到的，我们可以用 AutoModel 类替换 BertModel，效果是一样的。后面我们会使用AutoModel类，这样做的好处是设定模型结构的部分可以不影响checkpoint。如果您的代码适用于一个checkpoint，那么也可以用于另一个checkpoint。甚至即使模型结构不同，只要checkpoint是针对类似任务训练的，也适用（例如情感分析任务）。

在上面的代码示例中，我们没有使用 BertConfig，而是通过 bert-base-cased 标识符加载了一个预训练模型的checkpoint，这个checkpoint由 BERT 的作者自己训练；您可以在其model card中找到有关它的更多详细信息。

该模型现在已使用checkpoint的所有权重进行初始化。它可以直接用于对训练过的任务进行推理，也可以在新任务上进行微调。通过使用预先训练好的权重进行训练，而不是从头开始，我们可以快速取得良好的效果。

权重已下载并缓存在缓存文件夹中（因此以后对 from_pretrained 方法的调用不会重新下载它们），该文件夹默认为 ~/.cache/huggingface/transformers。您可以通过设置 HF_HOME 环境变量来自定义缓存文件夹。

用于加载模型的标识符可以是 Model Hub 上任何模型的标识符，只要它与 BERT 架构兼容即可。 可以在此处找到 BERT 检查点的完整列表。

保存模型

保存模型就像加载模型一样简单——我们使用 save_pretrained 方法，它类似于 from_pretrained 方法：

model.save_pretrained("directory_on_my_computer")

这会将两个文件保存到您的磁盘：

ls directory_on_my_computerconfig.json pytorch_model.bin

如果您查看 config.json 文件，您将认识到构建模型架构所需的属性。 该文件还包含一些元数据，例如检查点的来源以及您上次保存检查点时使用的 ? Transformers 版本。

pytorch_model.bin 文件被称为状态字典； 它包含您模型的所有权重。 这两个文件齐头并进； 配置configuration是了解模型架构所必需的，而模型权重model weights是模型的参数。

使用 Transformer 模型进行推理

现在您知道如何加载和保存模型，让我们尝试使用它进行一些预测。 Transformer 模型只能处理数字——tokenizer生成的数字。 但在我们讨论分词器之前，让我们探讨一下模型接受哪些输入。

tokenizer可以负责将输入转换为适当框架的张量，但为了帮助您了解发生了什么，我们将快速了解在将输入发送到模型之前必须完成的操作。

假设我们有几个序列：

sequences = ["Hello!","Cool.","Nice!"
]

分词器tokenizer将这些转换为词汇索引，通常称为输入 ID。 每个序列现在都是一个数字列表！ 结果输出是：

encoded_sequences = [[ 101, 7592,  999,  102],[ 101, 4658, 1012,  102],[ 101, 3835,  999,  102]
]

这是一个编码序列列表。 张量只接受矩形（想想矩阵）。 这个“数组”已经是矩形的，所以将它转换为张量很容易：

import torchmodel_inputs = torch.tensor(encoded_sequences)

使用张量作为模型的输入
在模型中使用张量非常简单——我们只用输入调用模型：

output = model(model_inputs)

虽然模型接受许多不同的参数，但只有输入 ID是必需的。我们需要仔细研究，构建出 Transformer 模型可以理解的tokenizers。 （稍后将解释其他参数的作用以及何时需要它们）

4. Tokenizers

Tokenizers是 NLP 管道的核心组件之一。 模型只能处理数字，因此分词器需要将我们的文本输入转换为数值型的数据。 在本节中，我们将探讨标记化管道tokenization pipeline中发生的事情。

在 NLP 任务中，通常处理的数据是原始文本。 这是此类文本的示例：

Jim Henson was a puppeteer

但是，模型只能处理数字，因此我们需要找到一种将原始文本转换为数字的方法。 这就是分词器所做的，并且有很多方法可以做到这一点。我们的目标是找到对模型最有意义的表示。如果可能的话，找到最短的表示。

让我们看一下tokenization算法的一些示例，并尝试回答您可能对tokenization提出的一些问题。

Word-based词级分词

想到的第一种标记器是基于单词的。 它通常很容易设置和使用，只需几条规则就会产生不错的结果。 在下图中，目标是将原始文本拆分为单词并为每个单词找到一个数字表示：

有多种方法可以拆分文本。 例如，我们可以通过应用 Python 的 split 函数使用空格将文本标记为单词：

tokenized_text = "Jim Henson was a puppeteer".split()
print(tokenized_text)

['Jim', 'Henson', 'was', 'a', 'puppeteer']

还有一些单词tokenizers的变体，它们具有额外的标点符号规则。使用这种tokenizers，我们最终可以得到一些非常大的“词汇表vocabularies”，其中vocabularies由我们在语料库中拥有的独立tokens的总数定义。

每个单词都分配了一个 ID，从 0 开始一直到词汇表的大小。模型使用这些 ID 来识别每个单词。

如果我们想用基于单词的tokenizer完全覆盖一种语言，我们需要为语言中的每个单词对应一个标识符，这将生成大量的标记。
例如，英语中有超过 500,000 个单词，因此要构建从每个单词到输入 ID 的映射，我们需要跟踪这么多 ID。此外，像“dog”这样的词与“dogs”这样的词的表示方式不同，模型最初无法知道“dog”和“dogs”是相似的：它会将这两个词识别为不相关。又例如“run”和“running”。

最后，我们需要一个自定义标记custom token来表示不在我们词汇表中的单词。这被称为“未知”标记“unknown” token，通常表示为“[UNK]”或“”。如果您看到 tokenizer 正在生成大量这样的tokens，这通常是一个不好的迹象，因为它无法检索单词的合理表示，并且您在此过程中会丢失信息。制作词汇表的目标是使 tokenizer尽可能少的将单词分词成unknown token。

减少“unknown” token数量的一种方法是使用基于字符的tokenizer。

Character-based基于字符的分词

基于字符的tokenizer将文本拆分为字符characters，而不是单词。 这有两个主要好处：

• 词汇量要小得多。
• 词汇表外（未知）标记要少得多，因为每个单词都可以从字符构建。

但是这里也出现了一些关于空格和标点符号的问题：

这种方法也不是完美的。 每个字符本身并没有多大意义，英文单词就是这种情况。 但是，这又因语言而异。 在中文中，每个字符比拉丁语言中的字符包含更多信息。

使用基于单词的分词器，每个token是一个单词，但对于Character-based tokenizer，一个单词会很容易变成 10 个或更多的tokens。这使得我们的模型最终会处理大量的tokens 。

为了两全其美，我们可以使用结合这两种方法的第三种技术：子词分词subword tokenization。
Subword tokenization子词分词
子词分词算法原则：常用词不会拆分为更小的子词，而是将少见词（低频词）分解为有意义的子词。

例如，“annoyingly”可能被认为是一个罕见的词，可以分解为“annoying”和“ly”。 这两个词都可能更频繁地作为独立的子词出现，同时“annoyingly”的含义由“annoying”和“ly”的复合含义保留。

这是一个示例，展示了子词分词算法如何对序列“Let’s do tokenization!！”进行分词：

这些子词最终提供了很多语义含义：例如，在上面的示例中，“tokenization”被拆分为“token”和“ization”，这两个子词都具有语义，同时节省空间（一个较长的单词只需要两个tokens就可以表示）。 这使我们能够以较小的词汇表进行相对较好的覆盖，并且几乎没有未知的tokens。

这种方法在土耳其语等agglutinative语言中特别有用，您可以通过将子词串在一起来形成（几乎）任意长的复杂词。

另外除了上述方法，还有更多的分词技术。 例如：

字节级 BPE（Byte-level BPE），用于 GPT-2
WordPiece，用于 BERT
SentencePiece 或 Unigram，用于多个多语言模型
您现在应该对tokenizer的工作原理有足够的了解，可以开始使用tokenizer API。

加载和保存

加载和保存tokenizer和使用模型一样简单，基于相同的两种方法：from_pretrained 和 save_pretrained。 这些方法将加载或保存tokenizer使用的算法（有点像模型的架构）及其词汇表（有点像模型的权重）。

和加载BERT 模型一样，我们也加载和使用BERT的checkpoint来训练 BERT tokenizer，只不过这里使用 BertTokenizer 类：

from transformers import BertTokenizertokenizer = BertTokenizer.from_pretrained("bert-base-cased")

与 AutoModel 类似，AutoTokenizer 类将根据检查点名称，在库中选取适当的Tokenizer类，并且可以直接与任何检查点一起使用：

from transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained("bert-base-cased")

跟上节一样使用tokenizer:

tokenizer("Using a Transformer network is simple")

{
    'input_ids': [101, 7993, 170, 11303, 1200, 2443, 1110, 3014, 102],'token_type_ids': [0, 0, 0, 0, 0, 0, 0, 0, 0],'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1]}

保存tokenizer 和保存model方式一样:

tokenizer.save_pretrained("directory_on_my_computer")

先让我们看看 input_ids 是如何生成的。 为此，我们需要查看分词器的中间方法。（第 3 章中会详细讲解 token_type_ids，稍后我们将讲解 attention_mask 键）。

编码

将文本转换为数字称为编码。编码分两步完成：分词tokenization，然后转换为输入ID。

• 有多个规则可以管理分词过程，这就是为什么我们需要使用模型名称来实例化tokenizer，以确保我们使用模型预训练时使用的相同规则。

• 第二步是将这些标记转换为数字，然后就可以将它们转换张量来提供给模型。为此，tokenizer有一个词汇表vocabulary，使用 from_pretrained 方法实例化tokenizer时会下载vocabulary。因为我们需要使用模型预训练时使用的相同词汇。

为了更好地理解这两个步骤，我们使用一些单独执行部分tokenization pipeline的方法，来向您展示这些步骤的中间结果（实际中是使用tokenizer直接处理输入，如第 2 节所示）。
分词Tokenization
分词过程由tokenizer的tokenize方法完成：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("bert-base-cased")sequence = "Using a Transformer network is simple"
tokens = tokenizer.tokenize(sequence)print(tokens)

此方法的输出是一个字符串列表或tokens：

['Using', 'a', 'transform', '##er', 'network', 'is', 'simple']

这个分词器是一个子词分词器：它对词进行拆分，得到可以用其词汇表表示的tokens。 这就是 Transformer 的情况，它被分成两个标记：transform 和 ##er。（##表示er的前面还有子词，在子词转换回单词时会去掉）

从tokens 到 input IDs
使用tokenizer的convert_tokens_to_ids 方法将rokens转换为 input IDs：

ids = tokenizer.convert_tokens_to_ids(tokens)print(ids)

[7993, 170, 11303, 1200, 2443, 1110, 3014]

这些输出转换为合适结构的张量，就可以作为模型的输入。

??快来试试吧！ 在我们在第 2 节中使用的输入句子（“I’ve been waiting for a HuggingFace course my whole life.” and “I hate this so much!”）上复制最后两个步骤（tokenization 和转换为输入 ID）。 检查您得到的input IDs是否与我们之前得到的相同！

解码

解码是相反的，通过decode方法，可以将词汇索引转化为字符串文本。 如下所示：

decoded_string = tokenizer.decode([7993, 170, 11303, 1200, 2443, 1110, 3014])
print(decoded_string)

'Using a Transformer network is simple'

decode 方法不仅将索引转换回tokens，还将同一个单词的subword组合在一起以生成可读的句子。 当我们使用预测新文本的模型（从提示生成的文本，或序列到序列问题（如翻译或摘要））时，这种行为将非常有用。

到现在为止，您应该了解分词器可以处理的操作：分词、转换为input IDs以及将input IDs转换回字符串文本。 然而，我们只是看到了冰山一角。 在下一节中，我们了解tokenizer的限制，并看看如何克服这些限制。

5. 多序列处理

在上一节中，我们探讨了最简单的用例：对单个小长度序列进行处理。 然而，实际中还有一些其他问题：

• 我们如何处理不同长度的多个序列？
• 词汇索引vocabulary indices是唯一能让模型正常工作的输入方式吗？
• 会不会有序列太差的情况？
  让我们仔细看看这些问题，并研究如何使用 ? Transformers API 来解决它们。

模型输入是分批的（batch）

上节中，我们将序列转换为数字列表。 现在让我们将这些数字列表转换为张量并发送到模型：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassificationcheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)sequence = "I've been waiting for a HuggingFace course my whole life."tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)
input_ids = torch.tensor(ids)
# T下行会报错
model(input_ids)

IndexError: Dimension out of range (expected to be in range of [-1, 0], but got 1)

我们使用了第2节中pipeline一样的处理步骤，为什么还会失败？

这是因为我们给模型输入了单个序列，而 ? Transformers 模型默认需要多个句子。仔细观察，您会发现tokenizer不仅将input IDs列表转换为张量，它还给input IDs添加了一个维度（和首尾特殊字符）：
```python
tokenized_inputs = tokenizer(sequence, return_tensors="pt")
print(tokenized_inputs["input_ids"])

tensor([[  101,  1045,  1005,  2310,  2042,  3403,  2005,  1037, 17662, 12172,2607,  2026,  2878,  2166,  1012,   102]])

让我们添加一个维度再试试：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassificationcheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)sequence = "I've been waiting for a HuggingFace course my whole life."tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)input_ids = torch.tensor([ids])
print("Input IDs:", input_ids)output = model(input_ids)
print("Logits:", output.logits)

我们打印出input_ids和生成的 logits向量：

Input IDs: [[ 1045,  1005,  2310,  2042,  3403,  2005,  1037, 17662, 12172,  2607, 2026,  2878,  2166,  1012]]
Logits: [[-2.7276,  2.8789]]

批处理是一次给模型输入多个序列。 如果你只有一个序列，那就构建一个batch为一个序列：

batched_ids = [ids, ids]

这个batch含有两个相同的输入序列。

??快来试试吧！ 将此 batched_ids 列表转换为张量并将其传递给您的模型。 检查您是否得到了与以前一样的 logits（但是logits出现两次）！

批处理可以使模型一次处理多个序列。 这导致了第二个问题：多个句子组合时，它们的长度可能不同。 而作为模型的输入，同批次的各张量必须是同一长度。因此您将无法直接将input_ids列表转换为张量。 为了解决这个问题，我们通常填充输入（pad the inputs）。

Padding the inputs

下面的列表不能转换为张量：

batched_ids = [[200, 200, 200],[200, 200]]

为了解决这个问题，将不够长的张量padding到相同长度。 Padding过程一般是通过将padding token（fewer values）添加到不够长的序列后面。 在上面的示例中，Padding生成的张量如下所示：

padding_id = 100

batched_ids = [[200, 200, 200],[200, 200, padding_id]]

padding token ID 可以在 tokenizer.pad_token_id 中找到。 我们使用它将两个句子一起批处理：

model = AutoModelForSequenceClassification.from_pretrained(checkpoint)sequence1_ids = [[200, 200, 200]]
sequence2_ids = [[200, 200]]
batched_ids = [[200, 200, 200], [200, 200, tokenizer.pad_token_id]]print(model(torch.tensor(sequence1_ids)).logits)
print(model(torch.tensor(sequence2_ids)).logits)
print(model(torch.tensor(batched_ids)).logits)

tensor([[ 1.5694, -1.3895]], grad_fn=<AddmmBackward>)
tensor([[ 0.5803, -0.4125]], grad_fn=<AddmmBackward>)tensor([[ 1.5694, -1.3895],[ 1.3373, -1.2163]], grad_fn=<AddmmBackward>)

上面预测的 logits 有问题：sequence2_ids应该与batched_ids的第二个logits相同，但我们得到了完全不同的值！

这是因为 Transformer 模型的关键特征是attention序列中的每个tokens。所以也会关注到padding token 。 为了使padding token后的序列得到与原来同样的logits，需要屏蔽对padding token的关注。 我们可以使用attention mask来完成。

Attention masks

Attention masks也是一个张量，它的值全部是0和1，形状与input IDs 张量完全相同。1 表示对应的token应该被关注，0表示对应的token不应该被关注（直接忽略，attention score为0）。

让我们用一个Attention masks来完成前面的例子：

batched_ids = [[200, 200, 200],[200, 200, padding_id]]
attention_mask = [[1, 1, 1],[1, 1, 0]]
outputs = model((torch.tensor(batched_ids), attention_mask=torch.tensor(attention_mask))
print(outputs.logits)

tensor([[ 1.5694, -1.3895],[ 0.5803, -0.4125]], grad_fn=<AddmmBackward>)

现在批处理的第二个句子得到了和 padding之前一样的logits值。

??快来试试吧！ 在第 2 节中使用的两个句子上手动tokenization（“I’ve been waiting for a HuggingFace course my whole life.” and “I hate this so much!”）。 将它们传递给模型并检查您是否获得了与第 2 节中相同的 logits。现在使用padding token将它们组合在一起，然后创建适当的attention mask。 看看最后是否获得了相同的结果！

超长序列

对于 Transformer 模型，我们可以传递模型的序列长度是有限制的。 大多数模型输入是512维或1024 维的序列，处理更长的序列时会崩溃。 这个问题有两种解决方案：

• 使用支持更长序列的模型。
• 截断序列

不同模型支持不同的序列长度，有些模型专门处理很长的序列。例如Longformer和LED。如果您要处理超长序列可以看看这两个模型。

否则，我们建议您通过指定 max_sequence_length 参数来截断序列：

sequence = sequence[:max_sequence_length]

6. 组合处理

在最后几节中，我们一直在尽最大努力手工完成大部分工作。 我们已经探索了tokenizers的工作原理，并研究了分词tokenization、转换为input IDs、padding、截断和注意力掩码attention mask。

然而，正如我们在第 2 节中看到的，? Transformers API 可以通过处理以上所有步骤。 当你直接在句子上调用你的tokenizers时，得到的结果可以直接输入模型：

from transformers import AutoTokenizercheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)sequence = "I've been waiting for a HuggingFace course my whole life."model_inputs = tokenizer(sequence)

#model_inputs输出一个含有两个键值对的字典
{
    'input_ids': [101, 1045, 1005, 2310, 2042, 3403, 2005, 1037, 17662, 12172, 2607, 2026, 2878, 2166, 1012, 102], 
'attention_mask': [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}

model_inputs 变量包含模型正常运行所需的一切。 对于 DistilBERT，这包括input IDs 和attention mask。

这种方法非常强大。可以处理单个或多个输入序列，而不需要修改API：

sequence = "I've been waiting for a HuggingFace course my whole life."
model_inputs = tokenizer(sequence)

sequences = ["I've been waiting for a HuggingFace course my whole life.","So have I!"]
model_inputs = tokenizer(sequences)

还可以设定不同的padding长度：

# 将序列填充到最长序列长度
model_inputs = tokenizer(sequences, padding="longest")# 将序列填充到模型最大长度
# (512 for BERT or DistilBERT)
model_inputs = tokenizer(sequences, padding="max_length")# 将序列填充到指定的最大长度
model_inputs = tokenizer(sequences, padding="max_length", max_length=8)

也可以截断序列：

sequences = ["I've been waiting for a HuggingFace course my whole life.","So have I!"]# 截断比模型的最大输入长度还长的序列
# (512 for BERT or DistilBERT)
model_inputs = tokenizer(sequences, truncation=True)# 截断长度超过指定最大长度的序列
model_inputs = tokenizer(sequences, max_length=8, truncation=True)

tokenizer可以将处理后的结果转换为不同框架需要的张量，然后就可以将其直接发送到模型。 “pt”返回 PyTorch 张量，“tf”返回 TensorFlow 张量，“np”返回 NumPy 数组：

sequences = ["I've been waiting for a HuggingFace course my whole life.","So have I!"]# Returns PyTorch tensors
model_inputs = tokenizer(sequences, padding=True, return_tensors="pt")# Returns TensorFlow tensors
model_inputs = tokenizer(sequences, padding=True, return_tensors="tf")# Returns NumPy arrays
model_inputs = tokenizer(sequences, padding=True, return_tensors="np")

特殊tokens

如果我们查看tokenizer返回的input IDs，我们会发现它们与我们之前的有一点不同：

sequence = "I've been waiting for a HuggingFace course my whole life."model_inputs = tokenizer(sequence)
print(model_inputs["input_ids"])tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)
print(ids)

[101, 1045, 1005, 2310, 2042, 3403, 2005, 1037, 17662, 12172, 2607, 2026, 2878, 2166, 1012, 102]
[1045, 1005, 2310, 2042, 3403, 2005, 1037, 17662, 12172, 2607, 2026, 2878, 2166, 1012]

头尾各添加了一个token ID。让我们解码这两个ID，看看会得到什么：

print(tokenizer.decode(model_inputs["input_ids"]))
print(tokenizer.decode(ids))

"[CLS] i've been waiting for a huggingface course my whole life. [SEP]"
"i've been waiting for a huggingface course my whole life."

分词器在开头添加了特殊词 [CLS]，在末尾添加了特殊词 [SEP]。添加这两个特殊字符，是为了使模型在进行预训练时，获得相同的inference结果。 请注意，有些模型不添加特殊token，或者添加不同的token；或者仅在开头或仅在结尾添加。 任何情况下，分词器都知道模型具体的特殊tokens情况，并将为您处理。

Wrapping up: From tokenizer to model

现在我们已经看到了tokenizer对象在处理文本时的每一步（单独步骤），让我们最后一次看看它如何处理多个序列（padding！）、超长序列（截断！）、多类型张量及其主要API：

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassificationcheckpoint = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
sequences = ["I've been waiting for a HuggingFace course my whole life.","So have I!"
]tokens = tokenizer(sequences, padding=True, truncation=True, return_tensors="pt")
output = model(**tokens)

7. 总结

回顾本章，您：

• 学习了 Transformer 模型的基本构建模块。
• 了解了tokenization pipeline的组成部分。
• 了解如何在实践中使用 Transformer 模型。
• 学习了如何利用tokenizer将文本转换为模型可理解的张量。
• 配置tokenizer和model，输入文本，输出预测结果。
• 了解了input_ids 的局限性，并了解了注意力掩码attention masks。
• 使用多功能和可配置的tokenizer方法。

从现在开始，您应该可以自由浏览 ? Transformers 文档：这些文档里的词汇听起来很熟悉，并且您会看到文档里使用的方法，大部分在前面课程已经使用过。

8. 章节测试

章节测试