以下代码没有批处理:
from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
model = GPT2LMHeadModel.from_pretrained('gpt2')
model.eval()
context=torch.tensor([tokenizer.encode("This is")])
output, past = model(context)
token = torch.argmax(output[..., -1, :])
print(tokenizer.decode(token.item()))
output: ' a'
这很好用。现在,我将其扩展到批处理设置:
from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")
model = GPT2LMHeadModel.from_pretrained('gpt2')
model.eval()
context=[torch.tensor(tokenizer.encode("This is ")),torch.tensor(tokenizer.encode("Hello How are "))]
context=pad_sequence(context,batch_first=True)
mask=torch.tensor([[1,1,0],[1,1,1]])
output, past = model(context,attention_mask=mask)
token = torch.argmax(output[..., -1, :],dim=1)
tokenizer.decode(token)
output: '\n you'
这里\n
是第一个上下文的下一个标记,you
是批处理的第二个上下文的下一个标记。
但是第一个上下文的预期下一个标记是a
,因为所有设置都是相同的。此外,如果您将第二个上下文减少为2个令牌,那么您将在该批处理设置中获得a
。很明显,模型无法理解填充。
此外,注意力面罩也不起作用。因为
填充后,序列this is
的下一个标记为0(零)。根据注意掩码([1,1,0]
),应该避免这个零,并且只应该注意标记this
和is
。证明这种注意力掩蔽不起作用的证据有:
使用注意掩码[1,1,1],这意味着即使在填充零上,也会得到相同的输出
这是\n
使用字符串this is!
。这里!
在词汇表矩阵中有零索引。同样,您会得到相同的输出,即\n
只有在没有批量设置和注意遮罩的情况下,才能获得理想的输出(现在看来,这并不重要,因为它无论如何都没有效果)
然后我找到了this,它建议使用pad_令牌。所以我用了如下的方法:
from transformers import GPT2LMHeadModel, GPT2Tokenizer
import torch
from torch.nn.utils.rnn import pad_sequence
tokenizer = GPT2Tokenizer.from_pretrained("gpt2",pad_token="<PAD>")
model = GPT2LMHeadModel.from_pretrained('gpt2')
model.eval()
context=[torch.tensor(tokenizer.encode("This is <PAD> ")),torch.tensor(tokenizer.encode("Hello How are"))]
context=torch.stack(context)
print(context)
mask=torch.tensor([[1,1,0],[1,1,1]])
output, past = model(context,attention_mask=mask)
token = torch.argmax(output[..., -1, :],dim=1)
tokenizer.decode(token)
output: 'The you'
这里The
是第一个上下文的下一个标记,you
是批处理的第二个上下文的下一个标记。这也不起作用。因为第一个上下文不需要The
如何在gpt/gpt2模型的批次设置中使用可变长度序列
我不确定这是否有帮助,但您不需要实施自己的注意力掩蔽和填充。Transformers库提供了encode_plus()和batch_encode_plus()函数,这些函数将执行标记化、生成注意掩码和填充。结果显示为Python字典
相关问题 更多 >
编程相关推荐