pytorch：Transformers入门（四）

前面学习了Bert相关的类，每个类在实例化时，使用from_pretrained函数加载与训练的模型参数来初始化，所以这里要学习一下from_pretrained函数，以BertModel中的from_pretrained函数为例，其他的大同小异。

from_pretrained(pretrained_model_name_or_path, *model_args, **kwargs)

参数解析：

pretrained_model_name_or_path ：这个参数可以是一个需要下载或缓存中的与训练模型的快捷名称，如果本地的缓存中没有这个模型，就自己去官网下载，缓存到本地.cache中，速度较慢；也可以是使用save_pretrained()保存的模型权重字典的路径，如./my_model_directory/。我参考其他博客，选择手动下载一个模型的config.json ，model.bin，vocab.txt文件放在一个文件夹里，与.py文件在同一目录下，然后设置这个参数值为创建的文件夹相对路径。

model_args（可选）：所有要传入到模型中的位置参数序列

config（可选）：模型的配置

state_dict（可选）：一个可选择的权重字典而不是下载的预训练模型权重，当需要创建一个使用预训练配置但加载自己的权重值时使用。

cache_dir（可选）：当不使用标准缓存时，可以设置这样一个缓存路径，在这个路径里应该存放着预训练模型配置。

force_download（可选）：布尔值，默认为0，作用是设置是否强制下载模型权重和配置文件，如果缓存中已有，则会覆盖掉。

resume_download（可选）：布尔值，默认为0，表示不删除不完整的接收文件，如果这个文件存在，则继续下载。

proxies（可选）：字典，默认为None，是协议或终端使用的代理服务的字典。

output_loading_info（可选）：布尔值，设置为True会返回一个包含缺失键、意外键和错误消息的字典。

kwargs ：一些可以更新配置和模型初始参数的参数，如output_attention=True，这个参数与配置有关：如果提供了配置对象，那么这个参数就被传递给模型的__init__方法中；如果没有提供配置对象，那么这个参数会首先被传递给配置类的初始化函数(from_pretrained)，这个函数里面与kwargs重叠的健值会被覆盖，kwargs中剩下的会传递给模型的__init__函数。

再了解一下transformers包含的与训练模型有哪些

官方给出了一个清单，这里只看一下Bert相关的。

bert-base-uncased：包含12层，隐含层维度768，attention头是12，共110M参数，训练数据：小写英文文本。

bert-large-uncased：24-layer, 1024-hidden, 16-heads, 340M parameters.Trained on lower-cased English text.

bert-base-cased：12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased English text.

bert-large-cased：24-layer, 1024-hidden, 16-heads, 340M parameters. Trained on cased English text.

bert-base-multilingual-uncased：(原始的，不推荐) 12-layer, 768-hidden, 12-heads, 110M parameters. Trained on lower-cased text in the top 102 languages with the largest Wikipedias。

bert-base-multilingual-cased：(新的，推荐) 12-layer, 768-hidden, 12-heads, 110M parameters.

Trained on cased text in the top 104 languages with the largest Wikipedias

bert-base-chinese：12-layer, 768-hidden, 12-heads, 110M parameters. Trained on cased Chinese Simplified and Traditional text.（简体和繁体）