网站建设与运营第二次在线作业,wordpress也没,甘肃建设职工教育培训中心网站,网络舆情监测制度以Llama-2为例#xff0c;在生成模型中使用自定义LogitsProcessor 1. 前言2. 场景介绍3. 解决方法4. 结语 1. 前言
在上一篇文章 以Llama-2为例#xff0c;在生成模型中使用自定义StoppingCriteria中#xff0c;介绍了怎样在生成的过程中#xff0c;使用stopping criteria… 以Llama-2为例在生成模型中使用自定义LogitsProcessor 1. 前言2. 场景介绍3. 解决方法4. 结语 1. 前言
在上一篇文章 以Llama-2为例在生成模型中使用自定义StoppingCriteria中介绍了怎样在生成的过程中使用stopping criteria来控制生成过程的结束本文将继续这一话题结合具体的场景介绍如何实现自定义的logits processor并以此来控制生成的过程。
2. 场景介绍
场景延续上篇介绍stopping criteria的文章假如我们希望使用Llama-2模型来生成一篇新闻的概要希望它能够生成一句简短的话来描述这篇新闻中主要发生了什么。
在上一篇文章中我们成功的使用stopping criteria解决了模型废话太多的问题然而在某些情况下模型输出的结果并不是我们想要的它没有用一句话概括反而是一条一条列举了其中的主要信息类似
1. ......
2. ......
3. ......针对这种情况我们可以强制要求生成的第一个token不可以是数字这样的话就只能从字母中选择合适的单词生成也就达到我们的目的了。为了实现这一策略就需要用到logits processor。
3. 解决方法
logits processor是在生成的过程中每一个step的score计算完成之后对score进行进一步的加工改变模型输出的概率分布从而影响后续生成的结果。
transformers模块中提供了若干内置的processor可以直接调用具体的整理和简介可以参考之前的文章以beam search为例详解transformers中generate方法上。
现在我们需要设计这样一个processor判断如果是第一个生成的第一个token则禁止它生成数字也就是把所有数字对应的得分强制设置为负无穷。
首先引入需要用到的类与stopping criteria类似的也是有要给基础类和一个容器类
from transformers.generation.logits_process import LogitsProcessor, LogitsProcessorList然后继承基础类实现我们所需的processor
class SuppressSpecificBOSTokenLogitsProcessor(LogitsProcessor):防止生成的第一个token是某些特定的token---------------ver: 2023-08-02by: changhongyudef __init__(self, bad_bos_token_id_list: List[int] None)::param bad_bos_token_id_list: 不可以作为第一个token的token的id列表self.bad_bos_token_id_list bad_bos_token_id_listdef __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor) - torch.FloatTensor:new_token_len input_ids.shape[-1] - current_token_lenif new_token_len 0:for id_ in self.bad_bos_token_id_list:scores[:, id_] -float(inf)return scoreslogits processor的使用方法与stopping criteria是一样的我们设计好自己的processor类之后实例化一个容器再将实例化的processor放到这个容器中就好了
NUMBER_ID_LIST []
for i in range(10):NUMBER_ID_LIST.append(tokenizer.convert_tokens_to_ids(str(i)))
logits_processor LogitsProcessorList()
logits_processor.append(SuppressSpecificBOSTokenLogitsProcessor(NUMBER_ID_LIST))如果有多个processor的话可能需要注意一下放入容器的顺序。
最后在生成的时候将它作为参数传给generate方法就好了。
例如原本生成的代码是
outputs model.generate(**inputs)使用processor的话可以写作
outputs model.generate(logits_processorlogits_processor, **inputs)注意在实现的时候有一个小细节由于是对话模型输入的除了当前的query之外还包括历史的对话记录二者拼接在一起才是完整的promptprompt构建参考这一篇所以我们并不能仅仅根据当前输入input_ids的长度来判断当前step是不是这一轮生成的第一个token这就是为什么上面的代码中有一个为声明定义的变量current_token_len。
对于这个current_token_len只需要在model.generate执行之前对他global一下就可以了。
例如像这个样子每次生成之前先计算一下截至生成之前的长度
global current_token_len
current_token_len inputs[input_ids].shape[1]outputs model.generate(logits_processorlogits_processor, **inputs)4. 结语
作为用户控制生成过程的主要手段如何巧妙地利用好logits processor对使用生成式模型来说非常重要。在实际情况中需要针对场景发现其中地规律然后又针对性地去设计一个processor。它主要解决的问题是一些有规律可循的场景从一定意义上理解可以认为是对生成模型的解空间进行了限制和变换。在解决问题的风格上给人的感觉有点像抽取式模型所做的风格了比如对于一个关键词生成任务如果我们不希望模型生成文章中没有出现过的token那完全可以利用本文中类似的方法把生成结果限定为文中出现过的token。
以上就是本文的全部内容如果对你有所帮助或启发记得留下一个免费的赞我们下期再见。
