如何使用注意掩码计算 HuggingFace Transformers BERT 令牌嵌入的均值/最大值？

Posted 2023-03-29

【中文标题】如何使用注意掩码计算 HuggingFace Transformers BERT 令牌嵌入的均值/最大值？

【英文标题】：How to compute mean/max of HuggingFace Transformers BERT token embeddings with attention mask?

【发布时间】：2021-03-12 23:11:11

【问题描述】：

我正在使用 HuggingFace Transformers BERT 模型，我想使用 mean 或 max 函数计算句子中标记的摘要向量（也称为嵌入）。复杂之处在于某些标记是[PAD]，因此我想在计算平均值或最大值时忽略这些标记的向量。

这是一个例子。我最初实例化了一个BertTokenizer 和一个BertModel：

import torch
import transformers
from transformers import AutoTokenizer, AutoModel

transformer_name = 'bert-base-uncased'

tokenizer = AutoTokenizer.from_pretrained(transformer_name, use_fast=True)

model = AutoModel.from_pretrained(transformer_name)

然后我在分词器中输入一些句子并输出input_ids 和attention_mask。值得注意的是，attention_mask 的值为 0 意味着令牌是我可以忽略的 [PAD]。

sentences = ['Deep learning is difficult yet very rewarding.',
             'Deep learning is not easy.',
             'But is rewarding if done right.']
tokenizer_result = tokenizer(sentences, max_length=32, padding=True, return_attention_mask=True, return_tensors='pt')

input_ids = tokenizer_result.input_ids
attention_mask = tokenizer_result.attention_mask

print(input_ids.shape) # torch.Size([3, 11])

print(input_ids)
# tensor([[  101,  2784,  4083,  2003,  3697,  2664,  2200, 10377,  2075,  1012,  102],
#         [  101,  2784,  4083,  2003,  2025,  3733,  1012,   102,     0,     0,    0],
#         [  101,  2021,  2003, 10377,  2075,  2065,  2589,  2157,  1012,   102,   0]])

print(attention_mask.shape) # torch.Size([3, 11])

print(attention_mask)
# tensor([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],
#         [1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0],
#         [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0]])

现在，我调用 BERT 模型来获取 768-D 令牌嵌入（顶层隐藏状态）。

model_result = model(input_ids, attention_mask=attention_mask, return_dict=True)

token_embeddings = model_result.last_hidden_state
print(token_embeddings.shape) # torch.Size([3, 11, 768])

所以在这一点上，我有：

[3,11,768] 矩阵中的标记嵌入：3 个句子，11 个标记，每个标记的 768 维向量。 [3, 11] 矩阵中的注意掩码：3 个句子，11 个标记。 1 值表示非[PAD]。

如何针对有效的非[PAD] 标记计算向量上的mean / max？

我尝试使用注意掩码作为掩码，然后调用torch.max()，但我没有得到正确的尺寸：

masked_token_embeddings = token_embeddings[attention_mask==1]
print(masked_token_embeddings.shape) # torch.Size([29, 768] <-- WRONG. SHOULD BE [3, 11, 768]

pooled = torch.max(masked_token_embeddings, 1)
print(pooled.values.shape) # torch.Size([29]) <-- WRONG. SHOULD BE [3, 768]

我真正想要的是一个形状为 [3, 768] 的张量。也就是说，3 个句子中的每一个都有一个 768 维向量。

【参考方案1】：

对于max，可以与attention_mask相乘：

pooled = torch.max((token_embeddings * attention_mask.unsqueeze(-1)), axis=1)

对于mean，您可以沿轴求和并沿该轴除以attention_mask：

mean_pooled = token_embeddings.sum(axis=1) / attention_mask.sum(axis=-1).unsqueeze(-1)

【讨论】：

谢谢。 mean_pooled 不能与最大池类似地实现，除非您使用 torch.mean？像这样：mean_pooled = torch.mean((token_embeddings * attention_mask.unsqueeze(-1)), axis=1) ?

使用token_embeddings * attention_mask.unsqueeze(-1) 非常巧妙。我没想到。

这似乎不正确 - PAD 标记没有嵌入为 0 向量；它们代表上下文和位置，因此具有真正有价值的元素。因此，将使用 PAD 向量计算令牌轴上的总和，这可能不是我们想要的。我刚想出的一项解决方法是，如果注意掩码为 0，则将嵌入设置为 0，然后求和，然后除以 # of tokens。在代码中，state[inputs["attention_mask"] == 0] = 0。不过这感觉效率低下，所以我正在寻找更优雅的解决方案

@AlexL：你写了This seems incorrect。你指的是什么This？

【参考方案2】：

亚历克斯是对的。 Look on hidden states for strings that go into tokenizer. For different strings, padding will have different embeddings.

因此，为了正确池化嵌入，您需要忽略那些填充向量。

假设您想从 BERT 的最后 4 层中获取嵌入（因为它会产生最好的分类结果）：

#iterate over the last 4 layers and get embeddings for 
#strings without having embeddings from PAD tokens
m = []   
for i in range(len(hidden_states[0])):
   m.append([hidden_states[j+9][i,:,:][tokens["attention_mask"][i] !=0] for j in range(4)]) 

#average over all tokens embeddings
means = []
for i in range(len(hidden_states[0])):
    means.append(torch.stack(m[i]).mean(dim=1))

#stack embeddings for all strings
pooled = torch.stack(means).reshape(-1,1,3072)