Transformers 多语言模型 | 十一

作者|huggingface
编译|VK
来源|Github

该库中可用的大多数模型都是单语言模型(英语，中文和德语)。有一些多语言模型可用，并且与单语言模型具有不同的机制。本页详细介绍了这些模型的用法。

当前支持多种语言的两个模型是BERT和XLM。

XLM

XLM共有10个不同的checkpoints，其中只有一个是单语言的。剩下的9个模型checkpoints可以分为两类：使用语言嵌入的checkpoints和不使用语言嵌入的checkpoints

XLM和语言嵌入

本节涉及以下checkpoints：

• xlm-mlm-ende-1024(掩码语言建模，英语-德语)
• xlm-mlm-enfr-1024(掩码语言建模，英语-法语)
• xlm-mlm-enro-1024(掩码语言建模，英语-罗马尼亚语)
• xlm-mlm-xnli15-1024(掩码语言建模，XNLI语言)
• xlm-mlm-tlm-xnli15-1024(掩码语言建模+翻译，XNLI语言)
• xlm-clm-enfr-1024(因果语言建模，英语-法语)
• xlm-clm-ende-1024(因果语言建模，英语-德语)

这些checkpoints需要语言嵌入，这些语言嵌入将指定推理时使用的语言。这些语言嵌入表示为张量，其形状与传递给模型的输入idS相同。这些张量中的值取决于所使用的语言，并且可以使用tokenizers中的lang2id和 id2lang属性

这是一个使用xlm-clm-enfr-1024checkpoints的示例(因果语言建模，英语-法语)：

import torch
from transformers import XLMTokenizer, XLMWithLMHeadModel

tokenizer = XLMTokenizer.from_pretrained("xlm-clm-1024-enfr")

该模型/tokenizer处理不同语言以及这些语言的ID可以使用lang2id属性标明：

print(tokenizer.lang2id)  # {'en': 0, 'fr': 1}

在模型传递语言参数时，应使用这些ID。让我们定义输入：

input_ids = torch.tensor([tokenizer.encode("Wikipedia was used to")]) # batch大小为1

现在，我们应该使用先前定义的语言ID来定义语言嵌入。我们想创建一个张量填充适当的语言ID，其大小与input_ids相同。对于英语，id为0：

language_id = tokenizer.lang2id['en']  # 0
langs = torch.tensor([language_id] * input_ids.shape[1])  # torch.tensor([0, 0, 0, ..., 0])

langs = langs.view(1, -1) # 现在是 [1, sequence_length] 

然后，你可以将其作为模型的输入：

outputs = model(input_ids, langs=langs)

示例run_generation.py可以使用语言嵌入从XLM使用CLM checkpoints生成文本。

没有语言嵌入的XLM

本节涉及以下checkpoints：

–xlm-mlm-17-1280(掩码语言建模，17种语言)
–xlm-mlm-100-1280(掩码语言建模，100种语言)

这些checkpoints在推理时不需要语言嵌入。这些模型用于具有通用句子表示形式，与前面提到的XLM checkpoints不同。

BERT

BERT具有两个可用于多语言任务的checkpoints：

–bert-base-multilingual-uncased(掩码语言建模+下一个句子预测，102种语言)
–基于bert-base-multilingual-cased(掩码语言建模+下一句预测，104种语言)

这些checkpoints在推理时不需要语言嵌入。他们会识别在上下文中使用的语言并据此进行推断。

原文链接：https://huggingface.co/transformers/multilingual.html