179 lines
7.9 KiB
Markdown
179 lines
7.9 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.
|
||
|
||
-->
|
||
|
||
# 用于推理的多语言模型
|
||
|
||
[[open-in-colab]]
|
||
|
||
🤗 Transformers 中有多种多语言模型，它们的推理用法与单语言模型不同。但是，并非*所有*的多语言模型用法都不同。一些模型，例如 [google-bert/bert-base-multilingual-uncased](https://huggingface.co/google-bert/bert-base-multilingual-uncased) 就可以像单语言模型一样使用。本指南将向您展示如何使用不同用途的多语言模型进行推理。
|
||
|
||
## XLM
|
||
|
||
XLM 有十个不同的检查点，其中只有一个是单语言的。剩下的九个检查点可以归为两类：使用语言嵌入的检查点和不使用语言嵌入的检查点。
|
||
|
||
### 带有语言嵌入的 XLM
|
||
|
||
以下 XLM 模型使用语言嵌入来指定推理中使用的语言：
|
||
|
||
- `FacebookAI/xlm-mlm-ende-1024` （掩码语言建模，英语-德语）
|
||
- `FacebookAI/xlm-mlm-enfr-1024` （掩码语言建模，英语-法语）
|
||
- `FacebookAI/xlm-mlm-enro-1024` （掩码语言建模，英语-罗马尼亚语）
|
||
- `FacebookAI/xlm-mlm-xnli15-1024` （掩码语言建模，XNLI 数据集语言）
|
||
- `FacebookAI/xlm-mlm-tlm-xnli15-1024` （掩码语言建模+翻译，XNLI 数据集语言）
|
||
- `FacebookAI/xlm-clm-enfr-1024` （因果语言建模，英语-法语）
|
||
- `FacebookAI/xlm-clm-ende-1024` （因果语言建模，英语-德语）
|
||
|
||
语言嵌入被表示一个张量，其形状与传递给模型的 `input_ids` 相同。这些张量中的值取决于所使用的语言，并由分词器的 `lang2id` 和 `id2lang` 属性识别。
|
||
|
||
在此示例中，加载 `FacebookAI/xlm-clm-enfr-1024` 检查点（因果语言建模，英语-法语）：
|
||
|
||
```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")
|
||
```
|
||
|
||
分词器的 `lang2id` 属性显示了该模型的语言及其对应的id：
|
||
|
||
```py
|
||
>>> print(tokenizer.lang2id)
|
||
{'en': 0, 'fr': 1}
|
||
```
|
||
|
||
接下来，创建一个示例输入：
|
||
|
||
```py
|
||
>>> input_ids = torch.tensor([tokenizer.encode("Wikipedia was used to")]) # batch size 为 1
|
||
```
|
||
|
||
将语言 id 设置为 `"en"` 并用其定义语言嵌入。语言嵌入是一个用 `0` 填充的张量，这个张量应该与 `input_ids` 大小相同。
|
||
|
||
```py
|
||
>>> language_id = tokenizer.lang2id["en"] # 0
|
||
>>> langs = torch.tensor([language_id] * input_ids.shape[1]) # torch.tensor([0, 0, 0, ..., 0])
|
||
|
||
>>> # 我们将其 reshape 为 (batch_size, sequence_length) 大小
|
||
>>> langs = langs.view(1, -1) # 现在的形状是 [1, sequence_length] (我们的 batch size 为 1)
|
||
```
|
||
|
||
现在，你可以将 `input_ids` 和语言嵌入传递给模型：
|
||
|
||
```py
|
||
>>> outputs = model(input_ids, langs=langs)
|
||
```
|
||
|
||
[run_generation.py](https://github.com/huggingface/transformers/tree/main/examples/pytorch/text-generation/run_generation.py) 脚本可以使用 `xlm-clm` 检查点生成带有语言嵌入的文本。
|
||
|
||
### 不带语言嵌入的 XLM
|
||
|
||
以下 XLM 模型在推理时不需要语言嵌入：
|
||
|
||
- `FacebookAI/xlm-mlm-17-1280` （掩码语言建模，支持 17 种语言）
|
||
- `FacebookAI/xlm-mlm-100-1280` （掩码语言建模，支持 100 种语言）
|
||
|
||
与之前的 XLM 检查点不同，这些模型用于通用句子表示。
|
||
|
||
## BERT
|
||
|
||
以下 BERT 模型可用于多语言任务：
|
||
|
||
- `google-bert/bert-base-multilingual-uncased` （掩码语言建模 + 下一句预测，支持 102 种语言）
|
||
- `google-bert/bert-base-multilingual-cased` （掩码语言建模 + 下一句预测，支持 104 种语言）
|
||
|
||
这些模型在推理时不需要语言嵌入。它们应该能够从上下文中识别语言并进行相应的推理。
|
||
|
||
## XLM-RoBERTa
|
||
|
||
以下 XLM-RoBERTa 模型可用于多语言任务：
|
||
|
||
- `FacebookAI/xlm-roberta-base` （掩码语言建模，支持 100 种语言）
|
||
- `FacebookAI/xlm-roberta-large` （掩码语言建模，支持 100 种语言）
|
||
|
||
XLM-RoBERTa 使用 100 种语言的 2.5TB 新创建和清理的 CommonCrawl 数据进行了训练。与之前发布的 mBERT 或 XLM 等多语言模型相比，它在分类、序列标记和问答等下游任务上提供了更强大的优势。
|
||
|
||
## M2M100
|
||
|
||
以下 M2M100 模型可用于多语言翻译：
|
||
|
||
- `facebook/m2m100_418M` （翻译）
|
||
- `facebook/m2m100_1.2B` （翻译）
|
||
|
||
在此示例中，加载 `facebook/m2m100_418M` 检查点以将中文翻译为英文。你可以在分词器中设置源语言：
|
||
|
||
```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")
|
||
```
|
||
|
||
对文本进行分词：
|
||
|
||
```py
|
||
>>> encoded_zh = tokenizer(chinese_text, return_tensors="pt")
|
||
```
|
||
|
||
M2M100 强制将目标语言 id 作为第一个生成的标记，以进行到目标语言的翻译。在 `generate` 方法中将 `forced_bos_token_id` 设置为 `en` 以翻译成英语：
|
||
|
||
```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
|
||
|
||
以下 MBart 模型可用于多语言翻译：
|
||
|
||
- `facebook/mbart-large-50-one-to-many-mmt` （一对多多语言机器翻译，支持 50 种语言）
|
||
- `facebook/mbart-large-50-many-to-many-mmt` （多对多多语言机器翻译，支持 50 种语言）
|
||
- `facebook/mbart-large-50-many-to-one-mmt` （多对一多语言机器翻译，支持 50 种语言）
|
||
- `facebook/mbart-large-50` （多语言翻译，支持 50 种语言）
|
||
- `facebook/mbart-large-cc25`
|
||
|
||
在此示例中，加载 `facebook/mbart-large-50-many-to-many-mmt` 检查点以将芬兰语翻译为英语。 你可以在分词器中设置源语言：
|
||
|
||
```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")
|
||
```
|
||
|
||
对文本进行分词：
|
||
|
||
```py
|
||
>>> encoded_en = tokenizer(en_text, return_tensors="pt")
|
||
```
|
||
|
||
MBart 强制将目标语言 id 作为第一个生成的标记，以进行到目标语言的翻译。在 `generate` 方法中将 `forced_bos_token_id` 设置为 `en` 以翻译成英语：
|
||
|
||
```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."
|
||
```
|
||
|
||
如果你使用的是 `facebook/mbart-large-50-many-to-one-mmt` 检查点，则无需强制目标语言 id 作为第一个生成的令牌，否则用法是相同的。
|