Lsg Bart Large 4096

🚀 LSG模型

LSG模型基于BART-large进行了调整，适用于编码器 - 解码器任务，无需额外的预训练。它能够处理长序列，并且比来自模型中心的Longformer (LED) 或BigBird (Pegasus) 更快、更高效，依赖于局部 + 稀疏 + 全局注意力 (LSG) 机制。

⚠️ 重要提示

此模型依赖于自定义建模文件，需要添加trust_remote_code=True才能使用。 此模型需要Transformers >= 4.36.1。 请参考 #13467。

🚀 快速开始

此模型依赖于自定义建模文件，使用时需要添加trust_remote_code=True。

from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("ccdv/lsg-bart-large-4096", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-large-4096")

✨ 主要特性

• 该模型改编自 BART-large，用于编码器 - 解码器任务，无需额外预训练，使用相同数量的参数/层和相同的分词器。
• 能够处理长序列，并且比Longformer (LED) 或BigBird (Pegasus) 更快、更高效，依赖于局部 + 稀疏 + 全局注意力 (LSG)。
• 模型要求序列长度是块大小的倍数，若需要可自动填充序列（配置中adaptive=True），不过建议使用分词器截断输入（truncation=True），并可选择按块大小的倍数进行填充（pad_to_multiple_of=...）。

📦 安装指南

此模型依赖于自定义建模文件，使用时需要添加trust_remote_code=True，同时需要Transformers >= 4.36.1。

💻 使用示例

基础用法

from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained("ccdv/lsg-bart-large-4096", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-large-4096")

高级用法

from transformers import AutoModel

model = AutoModel.from_pretrained("ccdv/lsg-bart-large-4096", 
    trust_remote_code=True, 
    num_global_tokens=16,
    block_size=64,
    sparse_block_size=64,
    attention_probs_dropout_prob=0.0,
    sparsity_factor=4,
    sparsity_type="none",
    mask_first_token=True
)

Seq2Seq摘要任务示例

from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

model = AutoModelForSeq2SeqLM.from_pretrained("ccdv/lsg-bart-large-4096", 
    trust_remote_code=True, 
    pass_global_tokens_to_decoder=True, # Pass encoder global tokens to decoder
)
tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-large-4096")

SENTENCE = "This is a test sequence to test the model. " * 300
token_ids = tokenizer(
    SENTENCE, 
    return_tensors="pt", 
    #pad_to_multiple_of=... # Optional
    truncation=True
    )
output = model(**token_ids)

分类任务示例

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("ccdv/lsg-bart-large-4096", 
    trust_remote_code=True, 
    pass_global_tokens_to_decoder=True, # Pass encoder global tokens to decoder
)
tokenizer = AutoTokenizer.from_pretrained("ccdv/lsg-bart-large-4096")

SENTENCE = "This is a test sequence to test the model. " * 300
token_ids = tokenizer(
    SENTENCE, 
    return_tensors="pt", 
    padding="max_length", # Optional but recommended
    truncation=True # Optional but recommended
    )
output = model(**token_ids)

> SequenceClassifierOutput(loss=None, logits=tensor([[-0.3051, -0.1762]], grad_fn=<AddmmBackward>), hidden_states=None, attentions=None)

🔧 技术细节

参数设置

可以更改各种参数，例如：

• 全局令牌数量 (num_global_tokens=1)
• 局部块大小 (block_size=128)
• 稀疏块大小 (sparse_block_size=128)
• 稀疏因子 (sparsity_factor=2)
• 掩码第一个令牌 (mask first token since it is redundant with the first global token)
• 更多参数可查看config.json文件

默认参数在实践中效果良好。如果内存不足，可以减小块大小、增加稀疏因子并去除注意力分数矩阵中的丢弃率。

稀疏选择类型

有6种不同的稀疏选择模式，最佳类型取决于具体任务。

• 若sparse_block_size=0或sparsity_type="none"，则仅考虑局部注意力。
• 注意，对于长度 < 2 * 块大小的序列，稀疏选择类型没有影响。

📚 详细文档

• LSG ArXiv 论文。
• Github/转换脚本可在这个 链接 获取。

📄 许可证

BART引用

@article{DBLP:journals/corr/abs-1910-13461,
  author    = {Mike Lewis and
               Yinhan Liu and
               Naman Goyal and
               Marjan Ghazvininejad and
               Abdelrahman Mohamed and
               Omer Levy and
               Veselin Stoyanov and
               Luke Zettlemoyer},
  title     = {{BART:} Denoising Sequence-to-Sequence Pre-training for Natural Language
               Generation, Translation, and Comprehension},
  journal   = {CoRR},
  volume    = {abs/1910.13461},
  year      = {2019},
  url       = {http://arxiv.org/abs/1910.13461},
  eprinttype = {arXiv},
  eprint    = {1910.13461},
  timestamp = {Thu, 31 Oct 2019 14:02:26 +0100},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1910-13461.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}