一、将模型下载到本地并使用本地模型的方法
transformers库学习笔记(一):安装与测试 - 知乎
一、修改模型下载后本地存放的地址:
在调用from_pretrained函数时使用cache_dir入参,指定缓存文件夹名
如指定缓存位置为当前目录:
AutoModel.from_pretrained('bert-base-chinese', cache_dir='./')
二、https://blog.csdn.net/zp_stu/article/details/126410323
在调用from_pretrained函数时使用cache_dir入参,指定缓存文件夹名
如指定缓存位置为当前目录:
AutoModel.from_pretrained('bert-base-chinese', cache_dir='./')
三、[NLP] transformers 使用指南_autoconfig.from_pretrained_文森特没有眼泪的博客-CSDN博客
1、conformer内置的17中神经网络
T5 model
DistilBERT model
ALBERT model
CamemBERT model
XLM-RoBERTa model
Longformer model
RoBERTa model
Reformer model
Bert model
OpenAI GPT model
OpenAI GPT-2 model
Transformer-XL model
XLNet model
XLM model
CTRL model
Flaubert model
ELECTRA model
这些模型的参数、用法大同小异。默认框架为 PyTorch,使用 TensorFlow 框架在类的前面加上 'TF" 即可。
每种模型都有至少一个预训练模型,限于篇幅,这里仅仅列举 Bert 的常用预训练模型:
模型 模型细节
bert-base-uncased 12-layer, 768-hidden, 12-heads, 110M parameters. Trained on lower-cased English text.
bert-large-uncased 24-layer, 1024-hidden, 16-heads, 340M parameters. Trained on lower-cased English text.
bert-base-cased 12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased English text.
bert-large-cased 24-layer, 1024-hidden, 16-heads, 340M parameters. Trained on cased English text.
bert-base-multilingual-cased 12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased text in the top 104 languages with the largest Wikipedias
bert-base-chinese 12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased Chinese Simplified and Traditional text.
完整的预训练模型列表可以在 transformers 官网上找到。
使用 transformers 库有三种方法:
- 使用
pipeline
; - 指定预训练模型;
- 使用
AutoModels
加载预训练模型。
1. transformers.pipeline
这个管线函数包含三个部分:
Tokenizer;
一个模型实例;
其它增强模型输出的功能。
它只有一个必需参数 task,接受如下变量之一:
”feature-extraction”
”sentiment-analysis”
”ner”
”question-answering”
”fill-mask”
”summarization”
”translation_xx_to_yy”
”text-generation”
这个函数还有其它可选参数,但是我的试用经验是,什么都不要动,使用默认参数即可。
例子:
>> from transformers import pipeline
>>> nlp = pipeline("sentiment-analysis")
>>> print(nlp("I hate you"))
[{'label': 'NEGATIVE', 'score': 0.9991129040718079}]
>>> print(nlp("I love you"))
[{'label': 'POSITIVE', 'score': 0.9998656511306763}]
2. 指定预训练模型
这里我们以 Bert 为例。
2.1 配置 Bert 模型(可选,推荐不使用)transformers.BertConfig
transformers.BertConfig
可以自定义 Bert 模型的结构,以下参数都是可选的:
vocab_size:词汇数,默认 30522;
hidden_size:编码器内隐藏层神经元数量,默认 768;
num_hidden_layers:编码器内隐藏层层数,默认 12;
num_attention_heads:编码器内注意力头数,默认 12;
intermediate_size:编码器内全连接层的输入维度,默认 3072;
hidden_act:编码器内激活函数,默认 ‘gelu’,还可为 ‘relu’、‘swish’ 或 ‘gelu_new’
hidden_dropout_prob:词嵌入层或编码器的 dropout,默认为 0.1;
attention_probs_dropout_prob:注意力的 dropout,默认为 0.1;
max_position_embeddings:模型使用的最大序列长度,默认为 512;
type_vocab_size:词汇表类别,默认为 2;
initializer_range:神经元权重的标准差,默认为 0.02;
layer_norm_eps:layer normalization 的 epsilon 值,默认为 1e-12.
使用方法:
configuration = BertConfig() # 进行模型的配置,变量为空即使用默认参数
model = BertModel(configuration) # 使用自定义配置实例化 Bert 模型
configuration = model.config # 查看模型参数
2.2 分词 transformers.BertTokenizer
所有的 tokenizer 都继承自 transformers.PreTrainedTokenizer 基类,因此有共同的参数和方法实例化的参数有:
model_max_length:可选参数,最大输入长度,默认为 1e30;
padding_side:可选参数,填充的方向,应为 ‘left’ 或 ‘right’;
bos_token:可选参数,每句话的起始标记,默认为 ‘’;
eos_token:可选参数,每句话的结束标记,默认为 ‘’;
unk_token:可选参数,未知的标记,默认为 ‘’;
sep_token:可选参数,分隔标记,默认为 ‘’;
pad_token:可选参数,填充标记,默认为 ‘’;
cls_token:可选参数,分类标记,默认为 ‘’;
mask_token:可选参数,遮盖标记,默认为 ‘<MASK’。
为了演示,我们先实例化一个 BertTokenizer
。
1、
from_pretrained(model)
:载入预训练词汇表;tokenizer.tokenize(str)
:分词;
tokenizer = BertTokenizer.from_pretrained('bert-base-cased')
>>> tokenizer.tokenize('Hello word!')
['Hello', 'word', '!']
2、编码
encode(text, ...)
:将文本分词后编码为包含对应 id 的列表;
>>> tokenizer.encode('Hello word!')
[101, 8667, 1937, 106, 102]
3、
encode_plus(text, ...)
:将文本分词后创建一个包含对应 id,token 类型及是否遮盖的词典;
tokenizer.encode_plus('Hello world!')
{'input_ids': [101, 8667, 1937, 106, 102], 'token_type_ids': [0, 0, 0, 0, 0], 'attention_mask': [1, 1, 1, 1, 1]}
4、
convert_ids_to_tokens(ids, skip_special_tokens)
:将 id 映射为 token;- >>> tokenizer.convert_ids_to_tokens(tokens)
['[CLS]', 'Hello', 'word', '!', '[SEP]'] - 5、
decode(token_ids)
:将 id 解码;- >>> tokenizer.decode(tokens)
'[CLS] Hello word! [SEP]'
6、 convert_tokens_to_ids(tokens)
:将 token 映射为 id。- >>> tokenizer.convert_tokens_to_ids(['[CLS]', 'Hello', 'word', '!', '[SEP]'])
[101, 8667, 1937, 106, 102]2.3 使用预训练模型
根据任务的需要,既可以选择没有为指定任务 finetune 的模型如 transformers.BertModel,也可以选择为指定任务 finetune 之后的模型如 transformers.BertForSequenceClassification。一共有 6 个指定的任务类型:
transformers.BertForMaskedLM:语言模型;
transformers.BertForNextSentencePrediction:判断下一句话是否与上一句有关;
transformers.BertForSequenceClassification:序列分类如 GLUE;
transformers.BertForMultipleChoice:文本分类;
transformers.BertForTokenClassification:token 分类如 NER,
transformers.BertForQuestionAnswering;问答。3. 使用 AutoModels
使用 AutoModels 与上面的指定模型进行预训练大同小异,只不过是另一种方式加载模型而已。
3.1 加载自动配置 transformers.AutoConfig使用类方法 from_pretrained 加载模型配置,参数既可以为模型名称,也可以为具体文件。
config = AutoConfig.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
config = AutoConfig.from_pretrained('./test/bert_saved_model/')3.2 加载分词器 transformers.AutoTokenizer
与上面的 BertTokenizer 非常相似,也是使用 from_pretrained 类方法加载预训练模型。
tokenizer = AutoTokenizer.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
tokenizer = AutoTokenizer.from_pretrained('./test/bert_saved_model/')3.3 加载模型 transformers.AutoModel
可以使用 from_pretrained 加载预训练模型:
model = AutoModel.from_pretrained('bert-base-uncased')
# 或者直接加载模型文件
model = AutoModel.from_pretrained('./test/bert_model/')