当前位置： 首页 > news >正文

网站管理员后台最佳搜索引擎磁力

news 2025/8/16 17:50:09
网站管理员后台,最佳搜索引擎磁力,北京网站开发招聘,手机怎么防止网站跳转BERT特性： BERT的嵌入是位置绝对（position absolute）的。BERT擅长于预测掩码token和NLU，但是不擅长下一文本生成。 1.BertForTokenClassification 一个用于token级分类的模型，可用于命名实体识别(NER)、部分语音标记…

BERT特性：

  • BERT的嵌入是位置绝对（position absolute）的。
  • BERT擅长于预测掩码token和NLU，但是不擅长下一文本生成。

1.BertForTokenClassification

一个用于token级分类的模型，可用于命名实体识别(NER)、部分语音标记(POS)等。对于给定的输入序列，模型将为每个标记/词产生一个标签。
输出的维度是 [batch_size, sequence_length, num_labels]，其中 num_labels 是可能的标签数量。

class transformers.BertForTokenClassification（config）

继承父类：BertPreTrainedModel、torch.nn.Module

参数：config (BertConfig)——包含模型所有参数的模型配置类。

包含一个token分类的任务头（线性层，可用于NER）。

forward方法：

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 输入序列对应的分词索引列表（indices list）。索引根据AutoTokenizer得到。
  • attention_mask (torch.FloatTensor of shape (batch_size, sequence_length), optional) — 对输入序列的部分token加上掩码，使得注意力机制不会计算到。如填充token的索引（padding token indices）。取值为 [0, 1]二者之一。取0则表明掩码，取1则表明不掩码。
  • token_type_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 在分句任务中，表明token是属于第一句还是第二句。取值为 [0, 1]二者之一。
  • position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 输入序列对应的位置索引列表（positional indices list）。 取值范围为 [0, config.max_position_embeddings - 1]，从而加入位置信息。
  • head_mask (torch.FloatTensor of shape (num_heads,) or (num_layers, num_heads), optional) — 掩码（多头）自注意力模块的头。取值为 [0, 1]二者之一:取0则表示对应的头要掩码，取1则表示对应的头不掩码。
  • inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 如果想要直接将嵌入向量传入给模型，由自己控制 input_ids的关联向量，那么就传这个参数。这样就不需要由本模型内部的嵌入层矩阵运算 input_ids。
  • output_attentions (bool, optional) — 是否希望模型返回所有的注意力分数。
  • output_hidden_states (bool, optional) — 是否希望模型返回所有层的隐藏状态。
  • return_dict (bool, optional) — 是否希望输出的是ModelOutput，而不是直接的元组tuple。
  • labels (torch.LongTensor of shape (batch_size, sequence_length), optional) — 提供标签，用于计算loss。取值范围为 [0, config.max_position_embeddings - 1]。

返回值

transformers.modeling_outputs.TokenClassifierOutput 或 tuple(torch.FloatTensor)

  1. 如果 return_dict 为 False（或 return_dict 为空但配置文件中 self.config.use_return_dict 为 False）:
    • 如果提供了 labels 参数，输出是一个元组，包含：
      • loss: 计算的损失值。
      • logits: 分类头的输出，形状为 (batch_size, sequence_length, num_labels)。
      • 其他 BERT 的输出（例如隐藏状态和注意力权重），但这取决于 BERT 的配置和输入参数。
    • 如果没有提供 labels 参数，输出只包含 logits 和其他 BERT 的输出。
  2. 如果 return_dict 为 True（或 return_dict 为空但配置文件中 self.config.use_return_dict 为 False）:
    • 输出是一个 TokenClassifierOutput 对象，包含以下属性：
      • loss: 如果提供了 labels 参数，这是计算的损失值。
      • logits: 分类头的输出，形状为 (batch_size, sequence_length, num_labels)。
      • hidden_states: BERT 的隐藏状态输出。
      • attentions: BERT 的注意力权重输出。

代码实现

@add_start_docstrings("""Bert Model with a token classification head on top (a linear layer on top of the hidden-states output) e.g. forNamed-Entity-Recognition (NER) tasks.""",BERT_START_DOCSTRING,
)
class BertForTokenClassification(BertPreTrainedModel):def __init__(self, config):super().__init__(config)self.num_labels = config.num_labels  # 标签的数量self.bert = BertModel(config, add_pooling_layer=False)  # 预训练BERTclassifier_dropout = (config.classifier_dropout if config.classifier_dropout is not None else config.hidden_dropout_prob)self.dropout = nn.Dropout(classifier_dropout)self.classifier = nn.Linear(config.hidden_size, config.num_labels)  # classification任务头，加在预训练BERT之上# Initialize weights and apply final processingself.post_init()@add_start_docstrings_to_model_forward(BERT_INPUTS_DOCSTRING.format("batch_size, sequence_length"))@add_code_sample_docstrings(checkpoint=_CHECKPOINT_FOR_TOKEN_CLASSIFICATION,output_type=TokenClassifierOutput,config_class=_CONFIG_FOR_DOC,expected_output=_TOKEN_CLASS_EXPECTED_OUTPUT,expected_loss=_TOKEN_CLASS_EXPECTED_LOSS,)def forward(self,input_ids: Optional[torch.Tensor] = None,attention_mask: Optional[torch.Tensor] = None,token_type_ids: Optional[torch.Tensor] = None,position_ids: Optional[torch.Tensor] = None,head_mask: Optional[torch.Tensor] = None,inputs_embeds: Optional[torch.Tensor] = None,labels: Optional[torch.Tensor] = None,output_attentions: Optional[bool] = None,output_hidden_states: Optional[bool] = None,return_dict: Optional[bool] = None,) -> Union[Tuple[torch.Tensor], TokenClassifierOutput]:r"""labels (`torch.LongTensor` of shape `(batch_size, sequence_length)`, *optional*):Labels for computing the token classification loss. Indices should be in `[0, ..., config.num_labels - 1]`."""return_dict = return_dict if return_dict is not None else self.config.use_return_dictoutputs = self.bert(input_ids,attention_mask=attention_mask,token_type_ids=token_type_ids,position_ids=position_ids,head_mask=head_mask,inputs_embeds=inputs_embeds,output_attentions=output_attentions,output_hidden_states=output_hidden_states,return_dict=return_dict,)  # 预训练BERT的计算，得到输入序列经BERT计算的向量序列sequence_output = outputs[0]sequence_output = self.dropout(sequence_output)logits = self.classifier(sequence_output)  # 再经过最后的任务头classificationloss = Noneif labels is not None:loss_fct = CrossEntropyLoss()loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))if not return_dict:output = (logits,) + outputs[2:]return ((loss,) + output) if loss is not None else outputreturn TokenClassifierOutput(loss=loss,logits=logits,hidden_states=outputs.hidden_states,attentions=outputs.attentions,)

使用示例：

from transformers import AutoTokenizer, BertForTokenClassification
import torchtokenizer = AutoTokenizer.from_pretrained("dbmdz/bert-large-cased-finetuned-conll03-english")
model = BertForTokenClassification.from_pretrained("dbmdz/bert-large-cased-finetuned-conll03-english")inputs = tokenizer("HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="pt"
)with torch.no_grad():logits = model(**inputs).logits  # 想要得到分类后的权重，获取的是输出的logits对象。predicted_token_class_ids = logits.argmax(-1)# Note that tokens are classified rather then input words which means that
# there might be more predicted token classes than words.
# Multiple token classes might account for the same word
predicted_tokens_classes = [model.config.id2label[t.item()] for t in predicted_token_class_ids[0]]
# predicted_tokens_classes = ['O', 'I-ORG', 'I-ORG', 'I-ORG', 'O', 'O', 'O', 'O', 'O', 'I-LOC', 'O', 'I-LOC', 'I-LOC']

2.BertForSequenceClassification

一个用于整个句子或段落级别的分类的模型，可用于情感分析、文本分类等。对于给定的输入，模型将为整个序列产生一个分类标签。
输出的维度是 [batch_size, num_labels]，其中 num_labels 是可能的分类数量。

class transformers.BertForSequenceClassification（config）

继承父类：BertPreTrainedModel、torch.nn.Module

参数：config (BertConfig)——包含模型所有参数的模型配置类。

forward方法：与BertForTokenClassification相同。

与BertForTokenClassification的差异：

  • BertForSequenceClassification 在 BERT 的编码器输出上增加了一个**全连接层（通常连接到 [CLS] 标记的输出）**来进行分类。
  • BertForTokenClassification 不需要额外的全连接层，而是直接使用 BERT输出的每个标记的表示，并可能有一个线性层来将其映射到标签空间。

使用示例：

import torch
from transformers import AutoTokenizer, BertForSequenceClassificationtokenizer = AutoTokenizer.from_pretrained("textattack/bert-base-uncased-yelp-polarity")
model = BertForSequenceClassification.from_pretrained("textattack/bert-base-uncased-yelp-polarity")inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")with torch.no_grad():logits = model(**inputs).logitspredicted_class_id = logits.argmax().item()
predicted_class_label = model.config.id2label[predicted_class_id]
# predicted_class_label = LABEL_1
http://www.tj-hxxt.cn/news/116594.html

相关文章：

  • 职高门户网站建设标准网络营销课程ppt
  • 手机网站开发教程网页首页设计图片
  • 亳州网站建设中国seo谁最厉害
  • 昆明网站建设电话seo首页网站
  • 内网门户网站四川疫情最新消息
  • 建站abc网站建设南宁百度seo排名优化
  • 如何能让企业做网站的打算seo网站推广专员
  • 织梦做的网站页面打不开必应bing国内版
  • 设计院苏州seo快速优化
  • wordpress页面调用子页面内容东莞做网站排名优化推广
  • python可以做网站后台吗发布平台有哪些
  • 分析网页设计北京seo公司网站
  • 导购类网站如何做会员互动有什么推广软件
  • 免费响应式企业网站源码同城广告发布平台
  • 北京欢迎你网站制作公司拓客平台有哪些
  • 企业网站建设 知乎上海seo优化外包公司
  • 虎门商城网站建设外链发布平台
  • 动态网站 下载福清网络营销
  • 阿里云 域名 做网站公司网站制作要多少钱
  • 网站开发模板带css样式软文营销网
  • 百度软件应用市场宝鸡seo优化
  • dedecms网站根目录长尾关键词挖掘爱站网
  • 建外贸网站费用百度服务热线
  • 南京网站定制注册公司网站
  • 模板网站如何建设郑州网络营销公司
  • wordpress用户ipgoogle搜索引擎优化
  • 做公司 网站建设价格济南做seo外包
  • 免费品牌网站制作seo计费系统登录
  • 关于建设旅游网站的书籍南京seo建站
  • 网站开发项目合同书今日最新重大新闻