HuggingFace API学习（1）

HuggingFace API学习

transformers.pipline

pipline(“model name”)

可选的pipline：

Zero-shot classification：

可以自定义分类标签，预训练模型会将判断该句子是否属于这些自定义标签。

NER（named entity recognition）命名实体识别

ner = pipeline("ner", grouped_entities=True)

问答任务

question_answer = pipeline("question-answering")
result = question_answer(
    question="Where do I work?",
    context="My name is Sylvain and I work at Hugging Face in Brooklyn",
)

总结任务（Summarization）

summarizer = pipeline("summarization")

不同类型的Transformer模型

1. GPT-like（regressive Transformer models）自回归Transformer模型
2. BERT-like（auto-encoding Transformer models）自编码Transformer模型
3. BART/T5-like（seq2seq Transformer models）序列到序列Transformer模型

编码器：适用于需要理解输入的任务，例如句子分类和命名实体识别。

解码器：适用于文本生成等生成任务

编码器-解码器或者序列到序列模型：适用于需要输入的生成任务，例如翻译和摘要。

在每个阶段，注意力层都可以访问初始句子中的所有单词。这些模型被描述为具有“双向注意力”，通常为成为auto-encoding model（自动编码模型）

Encoder models最适用于需要理解整个句子的任务。例如分类，命名实体识别，问答。该系列模型的代表有：ALBERT、BERT、DistilBERT、ELECTRA、RoBERTa

Decoder models使用Transformer模型中的解码器。在每个阶段，注意力层只能访问句子中位于它之前的单词，这些模型通常被成为auto-regressive models（自回归模型）这些模型适用于文本生成，该系列模型的代表有CTRL、GPT、GPT-2、Transformer XL

Encoder-Decoder models就是seq2seq模型。编码器可以访问输入的所有单词，解码器只能访问输入中给定单词之前的单词。seq2seq模型最适合围绕根据给定输入生成新句子的任务，例如摘要、翻译或生成式问答。该系列模型的代表有：BART、mBART、Marian、T5

Behind the pipeline

在使用pipeline方法时，底层都发生了什么事情？

1. 使用tokenizer（分词器）进行预处理

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

   处理过后，字符串转化为了ids，并存放在result中的input_ids中。

   可以直接使tokenizer返回tensor类型，并且可以指定是什么机器学习框架中的tensor

   inputs = tokenizer(raw_inputs, padding=True, truncation=True, return_tensors="pt")
   

2. 相同的方法得到model

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

   该模型使用的是Transformer的Encoder，输出结果的维度是[batch size, Seq len, Hidden size]

   除了得到隐藏层的“Model”，还有很多其他的语言模型：

3. Mode的输出实际上是隐藏层，隐藏层将会被输入到一个叫“head”的层做处理（个人理解这个heda层有点像是下游任务模型）

   例如使用句子分类的模型：

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

4. 输出之后的处理

   一般是softmax

Model

创建一个Transformer模型：

from transformers import BertConfig, BertModel

# Building the config
config = BertConfig()

# Building the model from the config
model = BertModel(config)

Config类拥有很多可以用于创建模型的配置信息：

BertConfig {
  [...]
  "hidden_size": 768,
  "intermediate_size": 3072,
  "max_position_embeddings": 512,
  "num_attention_heads": 12,
  "num_hidden_layers": 12,
  [...]
}

这种创建方法，该模型的参数是随机初始化的。

使用一下方法导入预训练的模型：

from transformers import BertModel

model = BertModel.from_pretrained("bert-base-cased")

可以初始化Bert模型的chechpoint的完整列表：

https://huggingface.co/models?filter=bert

模型的保存方法：

model.save_pretrained( "directory_on_my_computer" )

Tokenizers

一句话–>数字

1. word-based：基于词的

   一种语言的词汇太多，使用词表覆盖所有是不可能的，因此就有了[UNK]，要尽可能的少引用这个token。一种减少引用[UNK]的方法是，使用一个character-based的分词器。

2. character-based：有两个优点

   1. 词表小很多
   2. 少得多的[UNK]

   出现了标点符号问题，而且英文中这样分词意义不大，但是中文中每个字能包含更多的信息。而且一个词语可能包含多个基于字符的标记。

   为了两全其美，有了第三种技术：子词标记化

3. subword tokenization

   频繁的单词不应该被划分为更小的单词，但是不频繁的应该被拆分为有意义的子词。

加载和保存：和Model一样

text–>encoding：需要两步

1. 分词
2. 转化为IDs

Handling multiple sequences

一次处理1个序列，由于模型需要的输入默认是有batch的，解决方法是：

input_ids = torch.tensor([ids])

如果一次处理多个序列，则怎么解决长度不同的问题？

Padding the inputs：

batched_ids = [
    [200, 200, 200],
    [200, 200]
]
转换为：
padding_id = 100

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

但是有一个问题，由于自注意力机制，padding_id会对整个seq造成影响，为了取消这种影响，可以使用Attention masks

Attention masks

Attention mask使用0，1标记，1代表注意力层不应该忽略，0表示注意力层应该忽略。

batched_ids = [
    [200, 200, 200],
    [200, 200, tokenizer.pad_token_id],
]

attention_mask = [
    [1, 1, 1],
    [1, 1, 0],
]

outputs = model(torch.tensor(batched_ids), attention_mask=torch.tensor(attention_mask))
print(outputs.logits)

Longer Seqence

transformer模型对输入的模型序列长度有限制，如果要求处理更长序列怎么办？两种方法：

1. 使用支持序列长度更长的模型：

   Longformer、LED

2. 截断序列

   sequence = sequence[:max_sequence_length]
   

Putting it all together

tokenizer的强大：

padding：

# Will pad the sequences up to the maximum sequence length
model_inputs = tokenizer(sequences, padding="longest")

# Will pad the sequences up to the model max length
# (512 for BERT or DistilBERT)
model_inputs = tokenizer(sequences, padding="max_length")

# Will pad the sequences up to the specified max length
model_inputs = tokenizer(sequences, padding="max_length", max_length=8)

截断：

model_inputs = tokenizer(sequences, max_length=8, truncation=True)

注意：先分词再转化为id的输出和直接调用tonkenizer的输出不同，因为后者还对原来的句子加上了[CLS]和[SEP]的token

总体使用：

tokens = tokenizer(sequences, padding=True, truncation=True, return_tensors="pt")
output = model(**tokens)