transformers 操作篇
来自： AiGC面试宝典
宁静致远 2024年01月28日 13:20
1. 如何 利用 transformers 加载 Bert 模型？
可以看到，包括import在内的不到十行代码，我们就实现了读取一个预训练过的BERT模型，来
encode我们指定的一个文本，对文本的每一个token生成768维的向量。如果是二分类任务，我们
• transformers 操作篇
• 1. 如何 利用 transformers 加载 Bert 模型？
• 2. 如何 利用 transformers 输出 Bert 指定 hidden_state？
• 3. BERT 获取最后一层或每一层网络的向量输出
• 致谢
import torch
from transformers import BertModel, BertTokenizer
# 这里我们调用bert-base模型，同时模型的词典经过小写处理
model_name = 'bert-base-uncased'
# 读取模型对应的tokenizer
tokenizer = BertTokenizer.from_pretrained(model_name)
# 载入模型
model = BertModel.from_pretrained(model_name)
# 输入文本
input_text = "Here is some text to encode"
# 通过tokenizer把文本变成 token_id
input_ids = tokenizer.encode(input_text, add_special_tokens=True)
# input_ids: [101, 2182, 2003, 2070, 3793, 2000, 4372, 16044, 102]
input_ids = torch.tensor([input_ids])
# 获得BERT模型最后一个隐层结果
with torch.no_grad():
last_hidden_states = model(input_ids)[0] # Models outputs are now tuples
""" tensor([[[-0.0549, 0.1053, -0.1065, ..., -0.3550, 0.0686, 0.6506],
[-0.5759, -0.3650, -0.1383, ..., -0.6782, 0.2092, -0.1639],
[-0.1641, -0.5597, 0.0150, ..., -0.1603, -0.1346, 0.6216],
...,
[ 0.2448, 0.1254, 0.1587, ..., -0.2749, -0.1163, 0.8809],
[ 0.0481, 0.4950, -0.2827, ..., -0.6097, -0.1212, 0.2527],
[ 0.9046, 0.2137, -0.5897, ..., 0.3040, -0.6172, -0.1950]]])
shape: (1, 9, 768)
"""
扫码加
查看更多
资源评论
