180 lines
8.6 KiB
Markdown
180 lines
8.6 KiB
Markdown
<!--Copyright 2022 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with
|
|
the License. You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on
|
|
an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the
|
|
specific language governing permissions and limitations under the License.
|
|
|
|
⚠️ Note that this file is in Markdown but contain specific syntax for our doc-builder (similar to MDX) that may not be
|
|
rendered properly in your Markdown viewer.
|
|
|
|
-->
|
|
|
|
# Modelos multilingües para inferencia
|
|
|
|
[[open-in-colab]]
|
|
|
|
Existen varios modelos multilingües en 🤗 Transformers y su uso para inferencia difiere de los modelos monolingües. Sin embargo, no *todos* los usos de los modelos multilingües son diferentes. Algunos modelos, como [google-bert/bert-base-multilingual-uncased](https://huggingface.co/google-bert/bert-base-multilingual-uncased), pueden utilizarse igual que un modelo monolingüe. Esta guía te enseñará cómo utilizar modelos multilingües cuyo uso difiere en la inferencia.
|
|
|
|
## XLM
|
|
|
|
XLM tiene diez checkpoints diferentes de los cuales solo uno es monolingüe. Los nueve checkpoints restantes del modelo pueden dividirse en dos categorías: los checkpoints que utilizan language embeddings y los que no.
|
|
|
|
### XLM con language embeddings
|
|
|
|
Los siguientes modelos XLM usan language embeddings para especificar el lenguaje utilizado en la inferencia:
|
|
|
|
- `FacebookAI/xlm-mlm-ende-1024` (Masked language modeling, English-German)
|
|
- `FacebookAI/xlm-mlm-enfr-1024` (Masked language modeling, English-French)
|
|
- `FacebookAI/xlm-mlm-enro-1024` (Masked language modeling, English-Romanian)
|
|
- `FacebookAI/xlm-mlm-xnli15-1024` (Masked language modeling, XNLI languages)
|
|
- `FacebookAI/xlm-mlm-tlm-xnli15-1024` (Masked language modeling + translation, XNLI languages)
|
|
- `FacebookAI/xlm-clm-enfr-1024` (Causal language modeling, English-French)
|
|
- `FacebookAI/xlm-clm-ende-1024` (Causal language modeling, English-German)
|
|
|
|
Los language embeddings son representados como un tensor de la mismas dimensiones que los `input_ids` pasados al modelo. Los valores de estos tensores dependen del idioma utilizado y se identifican mediante los atributos `lang2id` y `id2lang` del tokenizador.
|
|
|
|
En este ejemplo, carga el checkpoint `FacebookAI/xlm-clm-enfr-1024` (Causal language modeling, English-French):
|
|
|
|
```py
|
|
>>> import torch
|
|
>>> from transformers import XLMTokenizer, XLMWithLMHeadModel
|
|
|
|
>>> tokenizer = XLMTokenizer.from_pretrained("FacebookAI/xlm-clm-enfr-1024")
|
|
>>> model = XLMWithLMHeadModel.from_pretrained("FacebookAI/xlm-clm-enfr-1024")
|
|
```
|
|
|
|
El atributo `lang2id` del tokenizador muestra los idiomas de este modelo y sus ids:
|
|
|
|
```py
|
|
>>> print(tokenizer.lang2id)
|
|
{'en': 0, 'fr': 1}
|
|
```
|
|
|
|
A continuación, crea un input de ejemplo:
|
|
|
|
```py
|
|
>>> input_ids = torch.tensor([tokenizer.encode("Wikipedia was used to")]) # batch size of 1
|
|
```
|
|
|
|
Establece el id del idioma, por ejemplo `"en"`, y utilízalo para definir el language embedding. El language embedding es un tensor lleno de `0` ya que es el id del idioma para inglés. Este tensor debe ser del mismo tamaño que `input_ids`.
|
|
|
|
```py
|
|
>>> language_id = tokenizer.lang2id["en"] # 0
|
|
>>> langs = torch.tensor([language_id] * input_ids.shape[1]) # torch.tensor([0, 0, 0, ..., 0])
|
|
|
|
>>> # We reshape it to be of size (batch_size, sequence_length)
|
|
>>> langs = langs.view(1, -1) # is now of shape [1, sequence_length] (we have a batch size of 1)
|
|
```
|
|
|
|
Ahora puedes pasar los `input_ids` y el language embedding al modelo:
|
|
|
|
```py
|
|
>>> outputs = model(input_ids, langs=langs)
|
|
```
|
|
|
|
El script [run_generation.py](https://github.com/huggingface/transformers/tree/master/examples/pytorch/text-generation/run_generation.py) puede generar texto con language embeddings utilizando los checkpoints `xlm-clm`.
|
|
|
|
### XLM sin language embeddings
|
|
|
|
Los siguientes modelos XLM no requieren language embeddings durante la inferencia:
|
|
|
|
- `FacebookAI/xlm-mlm-17-1280` (modelado de lenguaje enmascarado, 17 idiomas)
|
|
- `FacebookAI/xlm-mlm-100-1280` (modelado de lenguaje enmascarado, 100 idiomas)
|
|
|
|
Estos modelos se utilizan para representaciones genéricas de frases a diferencia de los anteriores checkpoints XLM.
|
|
|
|
## BERT
|
|
|
|
Los siguientes modelos de BERT pueden utilizarse para tareas multilingües:
|
|
|
|
- `google-bert/bert-base-multilingual-uncased` (modelado de lenguaje enmascarado + predicción de la siguiente oración, 102 idiomas)
|
|
- `google-bert/bert-base-multilingual-cased` (modelado de lenguaje enmascarado + predicción de la siguiente oración, 104 idiomas)
|
|
|
|
Estos modelos no requieren language embeddings durante la inferencia. Deben identificar la lengua a partir del
|
|
contexto e inferir en consecuencia.
|
|
|
|
## XLM-RoBERTa
|
|
|
|
Los siguientes modelos de XLM-RoBERTa pueden utilizarse para tareas multilingües:
|
|
|
|
- `FacebookAI/xlm-roberta-base` (modelado de lenguaje enmascarado, 100 idiomas)
|
|
- `FacebookAI/xlm-roberta-large` (Modelado de lenguaje enmascarado, 100 idiomas)
|
|
|
|
XLM-RoBERTa se entrenó con 2,5 TB de datos CommonCrawl recién creados y depurados en 100 idiomas. Proporciona fuertes ventajas sobre los modelos multilingües publicados anteriormente como mBERT o XLM en tareas posteriores como la clasificación, el etiquetado de secuencias y la respuesta a preguntas.
|
|
|
|
## M2M100
|
|
|
|
Los siguientes modelos de M2M100 pueden utilizarse para traducción multilingüe:
|
|
|
|
- `facebook/m2m100_418M` (traducción)
|
|
- `facebook/m2m100_1.2B` (traducción)
|
|
|
|
En este ejemplo, carga el checkpoint `facebook/m2m100_418M` para traducir del chino al inglés. Puedes establecer el idioma de origen en el tokenizador:
|
|
|
|
```py
|
|
>>> from transformers import M2M100ForConditionalGeneration, M2M100Tokenizer
|
|
|
|
>>> en_text = "Do not meddle in the affairs of wizards, for they are subtle and quick to anger."
|
|
>>> chinese_text = "不要插手巫師的事務, 因為他們是微妙的, 很快就會發怒."
|
|
|
|
>>> tokenizer = M2M100Tokenizer.from_pretrained("facebook/m2m100_418M", src_lang="zh")
|
|
>>> model = M2M100ForConditionalGeneration.from_pretrained("facebook/m2m100_418M")
|
|
```
|
|
|
|
Tokeniza el texto:
|
|
|
|
```py
|
|
>>> encoded_zh = tokenizer(chinese_text, return_tensors="pt")
|
|
```
|
|
|
|
M2M100 fuerza el id del idioma de destino como el primer token generado para traducir al idioma de destino.. Establece el `forced_bos_token_id` a `en` en el método `generate` para traducir al inglés:
|
|
|
|
```py
|
|
>>> generated_tokens = model.generate(**encoded_zh, forced_bos_token_id=tokenizer.get_lang_id("en"))
|
|
>>> tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
|
|
'Do not interfere with the matters of the witches, because they are delicate and will soon be angry.'
|
|
```
|
|
|
|
## MBart
|
|
|
|
Los siguientes modelos de MBart pueden utilizarse para traducción multilingüe:
|
|
|
|
- `facebook/mbart-large-50-one-to-many-mmt` (traducción automática multilingüe de uno a muchos, 50 idiomas)
|
|
- `facebook/mbart-large-50-many-to-many-mmt` (traducción automática multilingüe de muchos a muchos, 50 idiomas)
|
|
- `facebook/mbart-large-50-many-to-one-mmt` (traducción automática multilingüe muchos a uno, 50 idiomas)
|
|
- `facebook/mbart-large-50` (traducción multilingüe, 50 idiomas)
|
|
- `facebook/mbart-large-cc25`
|
|
|
|
En este ejemplo, carga el checkpoint `facebook/mbart-large-50-many-to-many-mmt` para traducir del finlandés al inglés. Puedes establecer el idioma de origen en el tokenizador:
|
|
|
|
```py
|
|
>>> from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
|
|
|
|
>>> en_text = "Do not meddle in the affairs of wizards, for they are subtle and quick to anger."
|
|
>>> fi_text = "Älä sekaannu velhojen asioihin, sillä ne ovat hienovaraisia ja nopeasti vihaisia."
|
|
|
|
>>> tokenizer = AutoTokenizer.from_pretrained("facebook/mbart-large-50-many-to-many-mmt", src_lang="fi_FI")
|
|
>>> model = AutoModelForSeq2SeqLM.from_pretrained("facebook/mbart-large-50-many-to-many-mmt")
|
|
```
|
|
|
|
Tokeniza el texto:
|
|
|
|
```py
|
|
>>> encoded_en = tokenizer(en_text, return_tensors="pt")
|
|
```
|
|
|
|
MBart fuerza el id del idioma de destino como el primer token generado para traducirlo. Establece el `forced_bos_token_id` a `en` en el método `generate` para traducir al inglés:
|
|
|
|
```py
|
|
>>> generated_tokens = model.generate(**encoded_en, forced_bos_token_id=tokenizer.lang_code_to_id("en_XX"))
|
|
>>> tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
|
|
"Don't interfere with the wizard's affairs, because they are subtle, will soon get angry."
|
|
```
|
|
|
|
Si estás usando el checkpoint `facebook/mbart-large-50-many-to-one-mmt` no necesitas forzar el id del idioma de destino como el primer token generado, de lo contrario el uso es el mismo.
|