# Reformer

## Tổng quan

Mô hình Reformer được đề xuất trong bài báo [Reformer: The Efficient Transformer](https://huggingface.co/papers/2001.04451) của Nikita Kitaev, Łukasz Kaiser, Anselm Levskaya.

Tóm tắt từ bài báo như sau:

*Các mô hình Transformer lớn thường xuyên đạt được kết quả tiên tiến nhất trên nhiều tác vụ, nhưng việc huấn luyện các mô hình này có thể tốn kém đến mức không thể chấp nhận được, đặc biệt là trên các chuỗi dài. Chúng tôi giới thiệu hai kỹ thuật để cải thiện hiệu quả của Transformer. Thứ nhất, chúng tôi thay thế chú ý tích vô hướng bằng chú ý sử dụng băm nhạy cảm cục bộ, thay đổi độ phức tạp của nó từ O(L^2) thành O(Llog(L)), trong đó L là độ dài của chuỗi. Hơn nữa, chúng tôi sử dụng các lớp dư có thể đảo ngược thay vì các lớp dư tiêu chuẩn, cho phép chỉ lưu trữ kích hoạt một lần trong quá trình huấn luyện thay vì N lần, trong đó N là số lượng lớp. Mô hình kết quả, Reformer, hoạt động ngang hàng với các mô hình Transformer trong khi tiết kiệm bộ nhớ hơn nhiều và nhanh hơn nhiều trên các chuỗi dài.*

Mô hình này được đóng góp bởi [patrickvonplaten](https://huggingface.co/patrickvonplaten). Mã của các tác giả có thể được tìm thấy [tại đây](https://github.com/google/trax/tree/master/trax/models/reformer).

## Mẹo sử dụng

- Reformer **không** hoạt động với *torch.nn.DataParallel* do một lỗi trong PyTorch, xem [issue #36035](https://github.com/pytorch/pytorch/issues/36035).
- Sử dụng mã hóa vị trí trục (xem bên dưới để biết thêm chi tiết). Đây là một cơ chế nhằm tránh phải sử dụng một ma trận mã hóa vị trí quá lớn (khi độ dài chuỗi rất lớn) bằng cách phân tích nó thành các ma trận nhỏ hơn.
- Thay thế attention truyền thống bằng LSH (local-sensitive hashing) attention (xem bên dưới để biết thêm chi tiết). Đây là một kỹ thuật để tránh việc tính toán toàn bộ tích query-key trong các lớp attention.
- Tránh lưu trữ các kết quả trung gian của từng lớp bằng cách sử dụng các lớp transformer có thể đảo ngược để lấy chúng trong quá trình truyền ngược (trừ các phần dư khỏi đầu vào của lớp tiếp theo sẽ cho lại chúng) hoặc tính lại chúng cho các kết quả bên trong một lớp nhất định (ít hiệu quả hơn so với việc lưu trữ chúng nhưng tiết kiệm bộ nhớ).
- Tính toán các thao tác feedforward theo từng khối thay vì trên toàn bộ batch.

### Mã hóa vị trí trục

Axial Positional Encodings lần đầu được triển khai trong [thư viện trax](https://github.com/google/trax/blob/4d99ad4965bab1deba227539758d59f0df0fef48/trax/layers/research/position_encodings.py#L29) của Google và được phát triển bởi các tác giả của bài báo về mô hình này. Trong các mô hình xử lý các chuỗi đầu vào rất dài, các mã hóa id vị trí thông thường lưu trữ một vector nhúng có kích thước $d$ là `config.hidden_size` cho mỗi vị trí $i, \ldots, n_s$, với $n_s$ là `config.max_embedding_size`. Điều này có nghĩa là việc có độ dài chuỗi $n_s = 2^{19} \approx 0.5M$ và `config.hidden_size` là $d = 2^{10} \approx 1000$ sẽ dẫn đến một ma trận mã hóa vị trí:

$$X_{i,j}, \text{ với } i \in \left[1,\ldots, d\right] \text{ và } j \in \left[1,\ldots, n_s\right]$$

đơn thuần đã có hơn 500 triệu tham số cần lưu trữ. Mã hóa vị trí trục phân tích $X_{i,j}$ thành hai ma trận:

$$X^{1}_{i,j}, \text{ với } i \in \left[1,\ldots, d^1\right] \text{ và } j \in \left[1,\ldots, n_s^1\right]$$

và

$$X^{2}_{i,j}, \text{ với } i \in \left[1,\ldots, d^2\right] \text{ và } j \in \left[1,\ldots, n_s^2\right]$$

với:

$$d = d^1 + d^2 \text{ và } n_s = n_s^1 \times n_s^2 .$$

Do đó, điều sau đây đúng:

$$X_{i,j} = \begin{cases} X^{1}_{i, k}, & \text{if }\ i < d^1 \text{ with } k = j \mod n_s^1 \\ X^{2}_{i - d^1, l}, & \text{if } i \ge d^1 \text{ with } l = \lfloor\frac{j}{n_s^1}\rfloor \end{cases}$$

Một cách trực quan, điều này có nghĩa là một vector nhúng vị trí $x_j \in \mathbb{R}^{d}$ hiện là sự kết hợp của hai vector nhúng đã được phân rã: $x^1_{k, l} + x^2_{l, k}$, trong đó chiều $j$ của `config.max_embedding_size` được phân rã thành $k \text{ và } l$. Thiết kế này đảm bảo rằng mỗi vector nhúng vị trí $x_j$ là duy nhất.

Sử dụng lại ví dụ trên, mã hóa vị trí trục với $d^1 = 2^9, d^2 = 2^9, n_s^1 = 2^9, n_s^2 = 2^{10}$ có thể giảm đáng kể số lượng tham số từ 500 000 000 xuống còn $2^{18} + 2^{19} \approx 780 000$ tham số, điều này có nghĩa là mức sử dụng bộ nhớ giảm 85%.

Trong thực tế, tham số `config.axial_pos_embds_dim` được đặt thành một tuple $(d^1, d^2)$ có tổng phải bằng `config.hidden_size` và `config.axial_pos_shape` được đặt thành một tuple $(n_s^1, n_s^2)$ có tích phải bằng `config.max_embedding_size`, mà trong quá trình huấn luyện phải bằng *chiều dài chuỗi* của `input_ids`.

### LSH Self Attention

Trong cơ chế tự chú ý sử dụng băm nhạy cảm vị trí (Locality Sensitive Hashing - LSH), trọng số chiếu của key và query được liên kết với nhau. Do đó, các vector nhúng key query cũng được liên kết. Tự chú ý LSH sử dụng cơ chế băm nhạy cảm vị trí được đề xuất trong [Practical and Optimal LSH for Angular Distance](https://huggingface.co/papers/1509.02897) để gán mỗi vector nhúng key query đã liên kết vào một trong số `config.num_buckets` bucket khả dụng. Tiền đề là các vector nhúng key query càng "giống" nhau (theo *độ tương đồng cosine*) thì càng có khả năng được gán vào cùng một bucket.

Độ chính xác của cơ chế LSH có thể được cải thiện bằng cách tăng `config.num_hashes` hoặc trực tiếp tham số `num_hashes` của hàm forward, để đầu ra của LSH self attention xấp xỉ tốt hơn đầu ra của full self attention "thông thường". Các bucket sau đó được sắp xếp và chia thành các chunk vector nhúng query key, mỗi chunk có độ dài `config.lsh_chunk_length`. Với mỗi chunk, các vector nhúng query sẽ chú ý đến các vector key của chính nó (được liên kết với chính nó) và đến các vector nhúng key của `config.lsh_num_chunks_before` chunk lân cận trước đó và `config.lsh_num_chunks_after` chunk lân cận tiếp theo.

Để biết thêm thông tin, hãy xem [bài báo gốc](https://huggingface.co/papers/2001.04451) hoặc [bài đăng trên blog](https://www.pragmatic.ml/reformer-deep-dive/) tuyệt vời này.

Lưu ý rằng `config.num_buckets` cũng có thể được phân rã thành một danh sách $(n_{\text{buckets}}^1, n_{\text{buckets}}^2)$. Theo cách này, thay vì gán các vector nhúng khóa truy vấn vào một trong $(1,\ldots, n_{\text{buckets}})$, chúng được gán vào một trong $(1-1,\ldots, n_{\text{buckets}}^1-1, \ldots, 1-n_{\text{buckets}}^2, \ldots, n_{\text{buckets}}^1-n_{\text{buckets}}^2)$. Điều này rất quan trọng đối với các chuỗi rất dài để tiết kiệm bộ nhớ.

Khi huấn luyện một mô hình từ đầu, được khuyến nghị để `config.num_buckets=None`, để tùy thuộc vào độ dài chuỗi, một giá trị tốt cho `num_buckets` sẽ được tính toán theo thời gian thực. Giá trị này sau đó sẽ tự động được lưu trong config và nên được tái sử dụng cho suy luận.

Khi sử dụng LSH self attention, độ phức tạp về bộ nhớ và thời gian của phép nhân ma trận query-key có thể được giảm từ $\mathcal{O}(n_s \times n_s)$ xuống $\mathcal{O}(n_s \times \log(n_s))$, vốn thường là nút thắt cổ chai về bộ nhớ và thời gian trong một mô hình transformer, với $n_s$ là độ dài chuỗi.

### Tự chú ý cục bộ

Local self attention về cơ bản là một lớp self attention “thông thường” với các phép chiếu key, query và value, nhưng được chia thành các khối (chunk) sao cho trong mỗi khối có độ dài `config.local_chunk_length`, các vector nhúng query chỉ chú ý đến các vector nhúng key trong cùng khối đó, các vector nhúng key của `config.local_num_chunks_before` khối lân cận phía trước và `config.local_num_chunks_after` khối lân cận phía sau.

Sử dụng Local self attention, độ phức tạp về bộ nhớ và thời gian của phép nhân ma trận query-key có thể được giảm từ $\mathcal{O}(n_s \times n_s)$ xuống $\mathcal{O}(n_s \times \log(n_s))$, vốn thường là nút thắt cổ chai về bộ nhớ và thời gian trong một mô hình transformer, với $n_s$ là độ dài chuỗi.

### Huấn luyện

Trong quá trình huấn luyện, chúng ta phải đảm bảo rằng độ dài chuỗi được đặt thành một giá trị có thể chia hết cho bội số chung nhỏ nhất của `config.lsh_chunk_length` và `config.local_chunk_length`, và rằng các tham số của Axial Positional Encodings được thiết lập chính xác như đã mô tả ở trên. Reformer rất hiệu quả về bộ nhớ nên mô hình có thể dễ dàng được huấn luyện trên các chuỗi dài tới 64000 token.

Để huấn luyện, [ReformerModelWithLMHead](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerModelWithLMHead) nên được sử dụng như sau:

```python
input_ids = tokenizer.encode("This is a sentence from the training data", return_tensors="pt").to(model.device)
loss = model(input_ids, labels=input_ids)[0]
```

## Tài nguyên

- [Hướng dẫn cho tác vụ phân loại văn bản](../tasks/sequence_classification)
- [Hướng dẫn nhiệm vụ trả lời câu hỏi](../tasks/question_answering)
- [Hướng dẫn tác vụ mô hình hóa ngôn ngữ nhân quả](../tasks/language_modeling)
- [Hướng dẫn cho tác vụ mô hình hóa ngôn ngữ có mặt nạ](../tasks/masked_language_modeling)

## ReformerConfig[[transformers.ReformerConfig]]

#### transformers.ReformerConfig[[transformers.ReformerConfig]]

```python
transformers.ReformerConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, attention_head_size: int = 64, attn_layers: list[str] | tuple[str, ...] = ('local', 'lsh', 'local', 'lsh', 'local', 'lsh'), axial_norm_std: float = 1.0, axial_pos_embds: bool = True, axial_pos_shape: list[int] | tuple[int, ...] = (64, 64), axial_pos_embds_dim: list[int] | tuple[int, ...] = (64, 192), chunk_size_lm_head: int = 0, eos_token_id: int | list[int] | None = 2, feed_forward_size: int = 512, hash_seed: int | None = None, hidden_act: str = 'relu', hidden_dropout_prob: float | int = 0.05, hidden_size: int = 256, initializer_range: float = 0.02, is_decoder: bool = False, layer_norm_eps: float = 1e-12, local_num_chunks_before: int = 1, local_num_chunks_after: int = 0, local_attention_probs_dropout_prob: float | int = 0.05, local_attn_chunk_length: int = 64, lsh_attn_chunk_length: int | None = 64, lsh_attention_probs_dropout_prob: float | None = 0.0, lsh_num_chunks_before: int | None = 1, lsh_num_chunks_after: int | None = 0, max_position_embeddings: int = 4096, num_attention_heads: int = 12, num_buckets: int | list[int] | None = None, num_hashes: int = 1, vocab_size: int = 320, tie_word_embeddings: bool = False, use_cache: bool = True, classifier_dropout: float | int | None = None, bos_token_id: int | None = None, pad_token_id: int | None = 0)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/configuration_reformer.py#L25)

**Tham số:**

attention_head_size (`int`, *optional*, mặc định là 64) : Độ chiều của các vector key, query và value đã được chiếu

attn_layers (`list[str]`, *tùy chọn*, mặc định là `["local", "lsh", "local", "lsh", "local", "lsh"]`) : Danh sách các loại lớp attention theo thứ tự tăng dần. Có thể chọn giữa lớp LSHSelfAttention (`"lsh"`) và lớp LocalSelfAttention (`"local"`). Để biết thêm thông tin về lớp LSHSelfAttention, xem [LSH Self Attention](reformer#lsh-self-attention). Để biết thêm thông tin về lớp LocalSelfAttention, xem [Local Self Attention](reformer#local-self-attention).

axial_norm_std (`float`, *optional*, mặc định là 1.0) : Độ lệch chuẩn của normal_initializer để khởi tạo các ma trận trọng số của các mã hóa vị trí trục.

axial_pos_embds (`bool`, *tuỳ chọn*, mặc định là `True`) : Có sử dụng nhúng vị trí trục hay không. Để biết thêm thông tin về cách nhúng vị trí trục hoạt động, xem [Axial Position Encodings](reformer#axial-positional-encodings).

axial_pos_shape (`list[int]`, *optional*, mặc định là `[64, 64]`) : Các chiều vị trí của các mã hóa vị trí trục. Trong quá trình huấn luyện, tích của các chiều vị trí phải bằng với độ dài chuỗi. Để biết thêm thông tin về cách các nhúng vị trí trục hoạt động, xem [Axial Position Encodings](reformer#axial-positional-encodings).

axial_pos_embds_dim (`list[int]`, *optional*, mặc định là `[64, 192]`) : Các chiều embedding của các mã hóa vị trí trục. Tổng các chiều embedding phải bằng kích thước ẩn. Để biết thêm thông tin về cách các embedding vị trí trục hoạt động, xem [Axial Position Encodings](reformer#axial-positional-encodings).

chunk_size_lm_head (`int`, *optional*, mặc định là 0) : Kích thước chunk của lớp đầu ra feed forward cuối cùng của mô hình ngôn ngữ. Kích thước chunk bằng 0 có nghĩa là lớp feed forward không được chia chunk. Kích thước chunk bằng n có nghĩa là lớp feed forward xử lý n < sequence_length embeddings mỗi lần. Để biết thêm thông tin về việc chia chunk feed forward, xem [Feed Forward Chunking hoạt động như thế nào?](../glossary#feed-forward-chunking).

eos_token_id (`Union[int, list[int]]`, *tùy chọn*, mặc định là `2`) : Id của token được sử dụng cho end-of-stream trong bảng từ vựng.

feed_forward_size (`int`, *tuỳ chọn*, mặc định là 512) : Độ chiều của lớp feed_forward trong khối chú ý dư (residual attention block).

hash_seed (`int`, *optional*) : Hạt giống có thể được sử dụng để làm cho việc băm nhạy cảm cục bộ trong `LSHSelfAttention` trở nên tất định. Chỉ nên đặt giá trị này cho mục đích kiểm thử. Đối với mục đích đánh giá và huấn luyện, `hash_seed` nên được giữ ở `None` để đảm bảo các phép xoay hoàn toàn ngẫu nhiên trong lược đồ băm nhạy cảm cục bộ.

hidden_act (`str`, *tùy chọn*, mặc định là `relu`) : Hàm kích hoạt phi tuyến tính (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v.

hidden_dropout_prob (`Union[float, int]`, *tùy chọn*, mặc định là `0.05`) : Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler.

hidden_size (`int`, *tuỳ chọn*, mặc định là `256`) : Kích thước của các biểu diễn ẩn.

initializer_range (`float`, *optional*, mặc định là `0.02`) : Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.

is_decoder (`bool`, *tùy chọn*, mặc định là `False`) : Xác định xem mô hình có được sử dụng như một bộ giải mã (decoder) hay không. Nếu `False`, mô hình sẽ được sử dụng như một bộ mã hóa (encoder).

layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-12`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

local_num_chunks_before (`int`, *tuỳ chọn*, mặc định là 1) : Số lượng chunk lân cận phía trước để chú ý đến trong lớp `LocalSelfAttention` đối với chính nó.

local_num_chunks_after (`int`, *optional*, mặc định là 0) : Số lượng chunk lân cận phía sau để chú ý đến trong lớp `LocalSelfAttention` ngoài chính nó.

local_attention_probs_dropout_prob (`float`, *tuỳ chọn*, mặc định là 0.1) : Tỷ lệ dropout cho các xác suất chú ý trong `LocalSelfAttention`.

local_attn_chunk_length (`int`, *tuỳ chọn*, mặc định là 64) : Độ dài của mỗi khối trong các lớp chú ý cục bộ.

lsh_attn_chunk_length (`int`, *optional*, mặc định là 64) : Độ dài của chunk tự chú ý đến chính nó trong `LSHSelfAttention`. Việc chia chunk làm giảm độ phức tạp bộ nhớ từ độ dài chuỗi x độ dài chuỗi (tự chú ý) xuống còn độ dài chunk x độ dài chunk x độ dài chuỗi / độ dài chunk (tự chú ý theo chunk).

lsh_attention_probs_dropout_prob (`float`, *tuỳ chọn*, mặc định là 0.1) : Tỷ lệ dropout cho các xác suất chú ý trong `LSHSelfAttention`.

lsh_num_chunks_before (`int`, *tuỳ chọn*, mặc định là 1) : Số lượng chunk lân cận phía trước để chú ý đến trong lớp `LSHSelfAttention` đối với chính nó.

lsh_num_chunks_after (`int`, *tuỳ chọn*, mặc định là 0) : Số lượng chunk lân cận phía sau để chú ý đến trong lớp `LSHSelfAttention` đối với chính nó.

max_position_embeddings (`int`, *tuỳ chọn*, mặc định là `4096`) : Độ dài chuỗi tối đa mà mô hình này có thể được sử dụng.

num_attention_heads (`int`, *tùy chọn*, mặc định là `12`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer.

num_buckets (`int` hoặc `list[int]`, *tuỳ chọn*) : Số lượng bucket, các vector truy vấn khóa có thể được "hash vào" bằng phương án locality sensitive hashing. Mỗi vector truy vấn khóa được hash vào một hash trong `1, ..., num_buckets`. Số lượng bucket cũng có thể được phân tích thành một danh sách để cải thiện độ phức tạp bộ nhớ. Trong trường hợp này, mỗi vector truy vấn khóa được hash vào một hash trong `1-1, 1-2, ..., num_buckets[0]-1, ..., num_buckets[0]-num_buckets[1]` nếu `num_buckets` được phân tích thành hai thừa. Số lượng bucket (hoặc tích của các thừa) nên xấp xỉ bằng độ dài chuỗi / lsh_chunk_length. Nếu `num_buckets` không được đặt, một giá trị tốt sẽ được tính toán theo thời gian thực.

num_hashes (`int`, *optional*, mặc định là 1) : Số vòng băm (ví dụ: số lần xoay ngẫu nhiên) trong phương án Local Sensitive Hashing. `num_hashes` càng cao thì `LSHSelfAttention` càng chính xác, nhưng quá trình băm cũng càng tốn bộ nhớ và thời gian.

vocab_size (`int`, *tùy chọn*, mặc định là `320`) : Kích thước từ vựng của mô hình. Xác định số lượng token khác nhau có thể được biểu diễn bởi `input_ids`.

tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `False`) : Có nên gắn kết các nhúng trọng số theo ánh xạ `tied_weights_keys` của mô hình hay không.

use_cache (`bool`, *tùy chọn*, mặc định là `True`) : Xác định xem mô hình có nên trả về các chú ý key/values cuối cùng hay không (không được sử dụng bởi tất cả các mô hình). Chỉ liên quan nếu `config.is_decoder=True` hoặc khi mô hình là mô hình sinh chỉ có decoder.

classifier_dropout (`Union[float, int]`, *tùy chọn*) : Tỷ lệ dropout cho bộ phân loại.

bos_token_id (`int`, *tùy chọn*) : Id của token được sử dụng cho đầu luồng trong bảng từ vựng.

pad_token_id (`int`, *tùy chọn*, mặc định là `0`) : Id của token được sử dụng để đệm (padding) trong từ vựng.

Đây là lớp cấu hình để lưu trữ cấu hình của một ReformerModel. Nó được sử dụng để khởi tạo một mô hình Reformer theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [google/reformer-crime-and-punishment](https://huggingface.co/google/reformer-crime-and-punishment)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import ReformerConfig, ReformerModel

>>> # Initializing a Reformer configuration
>>> configuration = ReformerConfig()

>>> # Initializing a Reformer model (with random weights)
>>> model = ReformerModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## ReformerTokenizer[[transformers.ReformerTokenizer]]

#### transformers.ReformerTokenizer[[transformers.ReformerTokenizer]]

```python
transformers.ReformerTokenizer(vocab: str | dict[str, int] | None = None, merges: str | list[str] | None = None, eos_token: str = '</s>', unk_token: str = '<unk>', _spm_precompiled_charsmap: str | None = None, additional_special_tokens: list | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/tokenization_reformer.py#L31)

**Tham số:**

vocab_file (`str`) : tệp [SentencePiece](https://github.com/google/sentencepiece) (thường có phần mở rộng *.spm*) chứa từ vựng cần thiết để khởi tạo một tokenizer.

eos_token (`str`, *tùy chọn*, mặc định là `"</s>"`) : Token kết thúc chuỗi. Khi xây dựng một chuỗi bằng các token đặc biệt, đây không phải là token được dùng cho việc kết thúc chuỗi. Token được dùng là `sep_token`.

unk_token (`str`, *tùy chọn*, mặc định là `"<unk>"`) : Token không xác định. Một token không có trong từ vựng sẽ không thể được chuyển đổi thành ID và sẽ được gán thành token này thay thế.

pad_token (`str`, *tùy chọn*, mặc định là `"<pad>"`) : Token được sử dụng để đệm, chẳng hạn khi xử lý các lô (batch) các chuỗi có độ dài khác nhau.

additional_special_tokens (`list[str]`, *tùy chọn*) : Các token đặc biệt bổ sung được sử dụng bởi tokenizer.

vocab (`str` hoặc `dict[str, int]`, *tùy chọn*) : Từ điển từ vựng tùy chỉnh. Nếu không được cung cấp, từ vựng sẽ được tải từ `vocab_file`.

merges (`str` hoặc `list[str]`, *tùy chọn*) : Danh sách gộp tùy chỉnh. Nếu không được cung cấp, các gộp sẽ được tải từ `vocab_file`.

Xây dựng bộ phân từ Reformer (dựa trên thư viện tokenizers của HuggingFace). Dựa trên [BPE](https://huggingface.co/docs/tokenizers/python/latest/components.html?highlight=bpe#models).

Tokenizer này kế thừa từ [TokenizersBackend](/docs/transformers/v5.23.0/vi/main_classes/tokenizer#transformers.TokenizersBackend), lớp chứa hầu hết các phương thức chính. Người dùng nên tham khảo lớp cha này để biết thêm thông tin về các phương thức đó.

#### save_vocabulary[[transformers.ReformerTokenizer.save_vocabulary]]

```python
save_vocabulary(save_directory: str, filename_prefix: str | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/tokenization_utils_tokenizers.py#L547)

## ReformerModel[[transformers.ReformerModel]]

#### transformers.ReformerModel[[transformers.ReformerModel]]

```python
transformers.ReformerModel(config: ReformerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L1931)

**Tham số:**

config ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình Reformer cơ bản, xuất ra các hidden-state thô mà không có bất kỳ head cụ thể nào ở phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.ReformerModel.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, num_hashes: int | None = None, past_buckets_states: transformers.models.reformer.modeling_reformer.ReformerDynamicCache | None = None, use_cache: bool | None = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L1951)

**Tham số:**

input_ids (`torch.LongTensor` có shape `(batch_size, sequence_length)`) : Chỉ số của các token trong chuỗi đầu vào thuộc từ vựng. Trong quá trình huấn luyện, sequence_length của input_ids phải là bội số của các độ dài chunk liên quan của mô hình (lsh's, local's hoặc cả hai). Trong quá trình đánh giá, các chỉ số sẽ được tự động đệm (padding) để trở thành bội số của độ dài chunk.  Các chỉ số có thể được lấy bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết.  [input IDs là gì?](../glossary#input-ids)

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

position_ids (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng `[0, config.n_positions - 1]`.  [Position IDs là gì?](../glossary#position-ids)

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.

num_hashes (`int`, *tuỳ chọn*) : Số vòng băm cần thực hiện trong quá trình phân cụm. Việc đặt giá trị cho đối số này sẽ ghi đè lên giá trị mặc định được định nghĩa trong `config.num_hashes`. Để biết thêm thông tin, hãy xem `num_hashes` trong [ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig).

past_buckets_states (`ReformerDynamicCache`, *tuỳ chọn*) : Danh sách `tuple(torch.LongTensor, torch.Tensor` có độ dài `config.n_layers`, trong đó phần tử đầu tiên là *buckets* trước đó có hình dạng `(batch_size, num_heads, num_hashes, sequence_length)`) và phần tử thứ hai là *hidden_states* trước đó có hình dạng `(batch_size, sequence_length, hidden_size)`). Chứa các hidden-states và buckets đã được tính trước (chỉ liên quan đến LSH Self-Attention). Có thể được sử dụng để tăng tốc giải mã tuần tự.

use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`).

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** `ReformerModelOutput` hoặc `tuple(torch.Tensor)`

Một `ReformerModelOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) và đầu vào.

Phương thức forward của [ReformerModel](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerModel) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, num_predict, hidden_size)`) -- Chuỗi các hidden-state ở lớp cuối cùng của mô hình.

  `num_predict` tương ứng với `target_mapping.shape[1]`. Nếu `target_mapping` là `None`, thì `num_predict` tương ứng với `sequence_length`.
- **past_buckets_states** (`list[tuple(torch.LongTensor, torch.Tensor)]`, *optional*, được trả về khi `use_cache=True` được truyền vào hoặc khi `config.use_cache=True`) -- Danh sách các `tuple(torch.LongTensor, torch.Tensor` có độ dài `config.n_layers`, trong đó phần tử đầu tiên là *buckets* trước đó có hình dạng `(batch_size, num_heads, num_hashes, sequence_length)`) và phần tử thứ hai là *hidden_states* trước đó có hình dạng `(batch_size, sequence_length, hidden_size)`).

  Chứa các bucket và hidden-states đã được tính trước, có thể được sử dụng (xem đầu vào `past_buckets_states`) để tăng tốc độ giải mã tuần tự.
- **hidden_states** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple các `torch.Tensor` (một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple[torch.Tensor]`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

## ReformerModelWithLMHead[[transformers.ReformerModelWithLMHead]]

#### transformers.ReformerModelWithLMHead[[transformers.ReformerModelWithLMHead]]

```python
transformers.ReformerModelWithLMHead(config: ReformerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2150)

**Tham số:**

config ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình Reformer với đầu `language modeling` phía trên.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.ReformerModelWithLMHead.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, num_hashes: int | None = None, past_buckets_states: list[tuple[torch.Tensor]] | None = None, use_cache: bool | None = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, labels: typing.Optional[torch.Tensor] = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2176)

**Tham số:**

input_ids (`torch.LongTensor` có shape `(batch_size, sequence_length)`) : Chỉ số của các token trong chuỗi đầu vào thuộc từ vựng. Trong quá trình huấn luyện, sequence_length của input_ids phải là bội số của các độ dài chunk liên quan của mô hình (lsh's, local's hoặc cả hai). Trong quá trình đánh giá, các chỉ số sẽ được tự động đệm (padding) để trở thành bội số của độ dài chunk.  Các chỉ số có thể được lấy bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết.  [input IDs là gì?](../glossary#input-ids)

position_ids (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng `[0, config.n_positions - 1]`.  [Position IDs là gì?](../glossary#position-ids)

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.

num_hashes (`int`, *tuỳ chọn*) : Số vòng băm cần thực hiện trong quá trình phân cụm. Việc đặt giá trị cho đối số này sẽ ghi đè lên giá trị mặc định được định nghĩa trong `config.num_hashes`. Để biết thêm thông tin, hãy xem `num_hashes` trong [ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig).

past_buckets_states (`list[tuple(torch.LongTensor, torch.Tensor)]`, *tùy chọn*) : Danh sách các `tuple(torch.LongTensor, torch.Tensor` có độ dài `config.n_layers`, trong đó phần tử đầu tiên là *buckets* trước đó có hình dạng `(batch_size, num_heads, num_hashes, sequence_length)`) và phần tử thứ hai là *hidden_states* trước đó có hình dạng `(batch_size, sequence_length, hidden_size)`). Chứa các hidden-states và buckets đã được tính trước (chỉ liên quan đến LSH Self-Attention). Có thể được sử dụng để tăng tốc giải mã tuần tự.

use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`).

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

labels (`torch.LongTensor` có hình dạng `(batch_size,)`, *tùy chọn*) : Nhãn để tính toán tổn thất phân loại/hồi quy chuỗi. Chỉ số phải nằm trong `[-100, 0, ..., config.vocab_size - 1]`. Tất cả các nhãn được đặt thành `-100` sẽ bị bỏ qua (che), tổn thất chỉ được tính cho các nhãn trong `[0, ..., config.vocab_size]`

logits_to_keep (`Union[int, torch.Tensor]`, *tùy chọn*, mặc định là `0`) : Nếu là `int`, tính logits cho `logits_to_keep` token cuối. Nếu là `0`, tính logits cho tất cả `input_ids` (trường hợp đặc biệt). Chỉ cần logits của token cuối cho quá trình sinh, và việc chỉ tính cho token đó có thể tiết kiệm bộ nhớ, điều này trở nên khá đáng kể với các chuỗi dài hoặc kích thước từ vựng lớn. Nếu là `torch.Tensor`, phải là 1 chiều tương ứng với các chỉ số cần giữ trong chiều độ dài chuỗi. Điều này hữu ích khi sử dụng định dạng tensor đóng gói (một chiều duy nhất cho batch và độ dài chuỗi).

**Trả về:** [CausalLMOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.CausalLMOutput) hoặc `tuple(torch.Tensor)`

Một [CausalLMOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.CausalLMOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) và đầu vào.

Phương thức forward của [ReformerModelWithLMHead](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerModelWithLMHead) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp) -- Loss của language modeling (cho next-token prediction).
- **logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.vocab_size)`) -- Điểm dự đoán của đầu mô hình hóa ngôn ngữ (điểm cho mỗi token từ vựng trước SoftMax).
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

```python
>>> import torch
>>> from transformers import AutoTokenizer, ReformerModelWithLMHead

>>> tokenizer = AutoTokenizer.from_pretrained("google/reformer-crime-and-punishment")
>>> model = ReformerModelWithLMHead.from_pretrained("google/reformer-crime-and-punishment")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits
```

## ReformerForMaskedLM[[transformers.ReformerForMaskedLM]]

#### transformers.ReformerForMaskedLM[[transformers.ReformerForMaskedLM]]

```python
transformers.ReformerForMaskedLM(config: ReformerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2287)

**Tham số:**

config ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình Reformer với đầu `language modeling` ở trên."

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.ReformerForMaskedLM.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, num_hashes: int | None = None, labels: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2307)

**Tham số:**

input_ids (`torch.LongTensor` có shape `(batch_size, sequence_length)`) : Chỉ số của các token trong chuỗi đầu vào thuộc từ vựng. Trong quá trình huấn luyện, sequence_length của input_ids phải là bội số của các độ dài chunk liên quan của mô hình (lsh's, local's hoặc cả hai). Trong quá trình đánh giá, các chỉ số sẽ được tự động đệm (padding) để trở thành bội số của độ dài chunk.  Các chỉ số có thể được lấy bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết.  [input IDs là gì?](../glossary#input-ids)

position_ids (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng `[0, config.n_positions - 1]`.  [Position IDs là gì?](../glossary#position-ids)

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.

num_hashes (`int`, *tuỳ chọn*) : Số vòng băm cần thực hiện trong quá trình phân cụm. Việc đặt giá trị cho đối số này sẽ ghi đè lên giá trị mặc định được định nghĩa trong `config.num_hashes`. Để biết thêm thông tin, hãy xem `num_hashes` trong [ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig).

labels (`torch.LongTensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có mặt nạ. Chỉ số phải nằm trong `[-100, 0, ..., config.vocab_size]` (xem docstring của `input_ids`) Các token có chỉ số được đặt thành `-100` sẽ bị bỏ qua (bị che), tổn thất chỉ được tính cho các token có nhãn    Ví dụ này sử dụng một checkpoint giả vì chúng ta không có bất kỳ mô hình được huấn luyện trước nào cho tác vụ mô hình hóa ngôn ngữ có mặt nạ với kiến trúc Reformer.

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** [MaskedLMOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.MaskedLMOutput) hoặc `tuple(torch.Tensor)`

Một [MaskedLMOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.MaskedLMOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) và đầu vào.

Phương thức forward của [ReformerForMaskedLM](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerForMaskedLM) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor` có hình dạng `(1,)`, *tùy chọn*, được trả về khi `labels` được cung cấp) -- Tổn thất mô hình hóa ngôn ngữ có mặt nạ (MLM).
- **logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, config.vocab_size)`) -- Điểm dự đoán của đầu mô hình hóa ngôn ngữ (điểm cho mỗi token từ vựng trước SoftMax).
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

```python
>>> import torch
>>> from transformers import AutoTokenizer, ReformerForMaskedLM

>>> tokenizer = AutoTokenizer.from_pretrained("hf-internal-testing/tiny-random-reformer")
>>> model = ReformerForMaskedLM.from_pretrained("hf-internal-testing/tiny-random-reformer")

>>> # add mask_token
>>> tokenizer.add_special_tokens({"mask_token": "[MASK]"})
>>> inputs = tokenizer("The capital of France is [MASK].", return_tensors="pt")

>>> # resize model's embedding matrix
>>> model.resize_token_embeddings(new_num_tokens=model.config.vocab_size + 1)
>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # retrieve index of [MASK]
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]

>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)
>>> predicted_token = tokenizer.decode(predicted_token_id)
```

```python
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-[MASK] tokens
>>> labels = torch.where(
...     inputs.input_ids == tokenizer.mask_token_id, labels[:, : inputs["input_ids"].shape[-1]], -100
... )

>>> outputs = model(**inputs, labels=labels)
>>> loss = round(outputs.loss.item(), 2)
```

## ReformerForSequenceClassification[[transformers.ReformerForSequenceClassification]]

#### transformers.ReformerForSequenceClassification[[transformers.ReformerForSequenceClassification]]

```python
transformers.ReformerForSequenceClassification(config: ReformerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2425)

**Tham số:**

config ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Mô hình Reformer transformer với đầu phân loại/hồi quy chuỗi phía trên (một lớp tuyến tính phía trên đầu ra đã gộp) ví dụ cho các tác vụ GLUE.

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.ReformerForSequenceClassification.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, num_hashes: int | None = None, labels: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2439)

**Tham số:**

input_ids (`torch.LongTensor` có shape `(batch_size, sequence_length)`) : Chỉ số của các token trong chuỗi đầu vào thuộc từ vựng. Trong quá trình huấn luyện, sequence_length của input_ids phải là bội số của các độ dài chunk liên quan của mô hình (lsh's, local's hoặc cả hai). Trong quá trình đánh giá, các chỉ số sẽ được tự động đệm (padding) để trở thành bội số của độ dài chunk.  Các chỉ số có thể được lấy bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết.  [input IDs là gì?](../glossary#input-ids)

position_ids (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng `[0, config.n_positions - 1]`.  [Position IDs là gì?](../glossary#position-ids)

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.

num_hashes (`int`, *tuỳ chọn*) : Số vòng băm cần thực hiện trong quá trình phân cụm. Việc đặt giá trị cho đối số này sẽ ghi đè lên giá trị mặc định được định nghĩa trong `config.num_hashes`. Để biết thêm thông tin, hãy xem `num_hashes` trong [ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig).

labels (`torch.LongTensor` có hình dạng `(batch_size,)`, *tùy chọn*) : Nhãn để tính toán tổn thất phân loại/hồi quy chuỗi. Chỉ số phải nằm trong `[0, ..., config.num_labels - 1]`. Nếu `config.num_labels == 1`, tổn thất hồi quy sẽ được tính toán (tổn thất Mean-Square). Nếu `config.num_labels > 1`, tổn thất phân loại sẽ được tính toán (Cross-Entropy).

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** [SequenceClassifierOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.SequenceClassifierOutput) hoặc `tuple(torch.Tensor)`

Một [SequenceClassifierOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.SequenceClassifierOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) và đầu vào.

Phương thức forward của [ReformerForSequenceClassification](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerForSequenceClassification) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp) -- Loss phân loại (hoặc hồi quy nếu config.num_labels==1).
- **logits** (`torch.Tensor` có hình dạng `(batch_size, config.num_labels)`) -- Điểm phân loại (hoặc hồi quy nếu config.num_labels==1) (trước SoftMax).
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ về phân loại nhãn đơn:

```python
>>> import torch
>>> from transformers import AutoTokenizer, ReformerForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("google/reformer-crime-and-punishment")
>>> model = ReformerForSequenceClassification.from_pretrained("google/reformer-crime-and-punishment")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()
>>> label = model.config.id2label[predicted_class_id]
```

```python
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = ReformerForSequenceClassification.from_pretrained(
...     "google/reformer-crime-and-punishment", num_labels=num_labels
... )

>>> labels = torch.tensor(1)
>>> loss = model(**inputs, labels=labels).loss
```

## ReformerForQuestionAnswering[[transformers.ReformerForQuestionAnswering]]

#### transformers.ReformerForQuestionAnswering[[transformers.ReformerForQuestionAnswering]]

```python
transformers.ReformerForQuestionAnswering(config: ReformerConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2572)

**Tham số:**

config ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình.

Transformer Reformer với một đầu phân loại span phía trên cho các tác vụ trả lời câu hỏi trích xuất như SQuAD (một lớp tuyến tính phía trên đầu ra hidden-states để tính toán `span start logits` và `span end logits`).

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### forward[[transformers.ReformerForQuestionAnswering.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, num_hashes: int | None = None, start_positions: typing.Optional[torch.Tensor] = None, end_positions: typing.Optional[torch.Tensor] = None, output_hidden_states: bool | None = None, output_attentions: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/reformer/modeling_reformer.py#L2584)

**Tham số:**

input_ids (`torch.LongTensor` có shape `(batch_size, sequence_length)`) : Chỉ số của các token trong chuỗi đầu vào thuộc từ vựng. Trong quá trình huấn luyện, sequence_length của input_ids phải là bội số của các độ dài chunk liên quan của mô hình (lsh's, local's hoặc cả hai). Trong quá trình đánh giá, các chỉ số sẽ được tự động đệm (padding) để trở thành bội số của độ dài chunk.  Các chỉ số có thể được lấy bằng cách sử dụng [AutoTokenizer](/docs/transformers/v5.23.0/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết thêm chi tiết.  [input IDs là gì?](../glossary#input-ids)

position_ids (`torch.Tensor` có shape `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các position embeddings. Được chọn trong khoảng `[0, config.n_positions - 1]`.  [Position IDs là gì?](../glossary#position-ids)

attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`:  - 1 cho các token **không bị che**, - 0 cho các token **bị che**.  [Mặt nạ chú ý là gì?](../glossary#attention-mask)

inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình.

num_hashes (`int`, *tuỳ chọn*) : Số vòng băm cần thực hiện trong quá trình phân cụm. Việc đặt giá trị cho đối số này sẽ ghi đè lên giá trị mặc định được định nghĩa trong `config.num_hashes`. Để biết thêm thông tin, hãy xem `num_hashes` trong [ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig).

start_positions (`torch.Tensor` có shape `(batch_size,)`, *tùy chọn*) : Nhãn cho vị trí (chỉ số) bắt đầu của span được gắn nhãn để tính toán tổn thất phân loại token. Các vị trí được kẹp (clamp) theo độ dài của chuỗi (`sequence_length`). Các vị trí nằm ngoài chuỗi sẽ không được tính đến khi tính toán tổn thất.

end_positions (`torch.Tensor` có shape `(batch_size,)`, *tùy chọn*) : Nhãn cho vị trí (chỉ số) của điểm kết thúc của span được gắn nhãn để tính toán tổn thất phân loại token. Các vị trí được kẹp (clamp) theo độ dài của chuỗi (`sequence_length`). Các vị trí nằm ngoài chuỗi sẽ không được tính đến khi tính toán tổn thất.

output_hidden_states (`bool`, *tuỳ chọn*) : Có trả về trạng thái ẩn của tất cả các lớp hay không. Xem `hidden_states` trong phần tensor trả về để biết thêm chi tiết.

output_attentions (`bool`, *tùy chọn*) : Có trả về các tensor chú ý của tất cả các lớp chú ý hay không. Xem `attentions` trong phần tensor trả về để biết thêm chi tiết.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** [QuestionAnsweringModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.QuestionAnsweringModelOutput) hoặc `tuple(torch.Tensor)`

Một [QuestionAnsweringModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.modeling_outputs.QuestionAnsweringModelOutput) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các thành phần khác nhau tùy thuộc vào cấu hình ([ReformerConfig](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerConfig)) và đầu vào.

Phương thức forward của [ReformerForQuestionAnswering](/docs/transformers/v5.23.0/vi/model_doc/reformer#transformers.ReformerForQuestionAnswering) ghi đè lên phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp) -- Tổng loss trích xuất span là tổng của Cross-Entropy cho các vị trí bắt đầu và kết thúc.
- **start_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Điểm số bắt đầu span (trước SoftMax).
- **end_logits** (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`) -- Điểm số kết thúc span (trước SoftMax).
- **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng `(batch_size, sequence_length, hidden_size)`.

  Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
- **attentions** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.Tensor` (một cho mỗi lớp) có hình dạng `(batch_size, num_heads, sequence_length, sequence_length)`.

  Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.

Ví dụ:

```python
>>> from transformers import AutoTokenizer, ReformerForQuestionAnswering
>>> import torch

>>> tokenizer = AutoTokenizer.from_pretrained("google/reformer-crime-and-punishment")
>>> model = ReformerForQuestionAnswering.from_pretrained("google/reformer-crime-and-punishment")

>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"

>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()

>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> tokenizer.decode(predict_answer_tokens, skip_special_tokens=True)
...

>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([14])
>>> target_end_index = torch.tensor([15])

>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
>>> round(loss.item(), 2)
...
```

