0
点赞
收藏
分享

微信扫一扫

打造高效自动化渗透测试系统:关键步骤与实践

import os
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
import torch
from transformers import pipeline
pipe = pipeline("fill-mask", model="google-bert/bert-base-chinese")
from transformers import AutoTokenizer, AutoModelForMaskedLM
tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-chinese")
model = AutoModelForMaskedLM.from_pretrained("google-bert/bert-base-chinese")
input_text='bert-base-chinese该怎么用?'
inx_text=tokenizer.encode(input_text)
inv_text=tokenizer.convert_ids_to_tokens(inx_text)
with torch.no_grad():
    output=model(torch.tensor([inx_text]))
print(type(output))
last_hidden=output['logits']
print(last_hidden.shape,last_hidden[0])# (1,9,21128)(batch_size,seq_len,d_model)
from transformers import AutoModelForQuestionAnswering
aq=AutoModelForQuestionAnswering.from_pretrained("google-bert/bert-base-chinese")
# 定义问题和上下文  
question = "你好,请问今天天气怎么样?"  
context = "今天是晴天,气温适中,非常适合户外活动。"  
# 使用分词器对问题和上下文进行编码  
inputs = tokenizer(question, context, return_tensors='pt', \
                   padding=True, truncation=True)

input_ids = inputs['input_ids']  
attention_mask = inputs['attention_mask'] 
# 在Transformers库中,模型并不是通过数字本身来识别分割符的,
# 而是通过分词器(Tokenizer)对输入文本的处理来识别这些特殊标记。
# 在不计算梯度的情况下进行推理  
with torch.no_grad():  
    aq_outputs =aq(input_ids, attention_mask=attention_mask) 
start_inxes=aq_outputs['start_logits'][0]
end_inxes=aq_outputs['end_logits'][0]
print(len(start_inxes),len(end_inxes))
start=torch.argmax(start_inxes)
end=torch.argmax(end_inxes)
(question+context)[start:end]

举报

相关推荐

0 条评论