在HuggingFace TensorFlow 2.0 BERT库中，文档指出：
TF 2.0模型接受两种格式作为输入：
将所有输入作为关键字参数（例如PyTorch模型），或
在第一个位置参数中将所有输入作为列表，元组或字典。
我试图使用这两个中的第一个来调用我创建的BERT模型：
from transformers import BertTokenizer, TFBertModel
import tensorflow as tf
bert_tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
bert_model = TFBertModel.from_pretrained('bert-base-uncased')
text = ['This is a sentence',
'The sky is blue and the grass is green',
'More words are here']
labels = [0, 1, 0]
tokenized_text = bert_tokenizer.batch_encode_plus(batch_text_or_text_pairs=text,
pad_to_max_length=True,
return_tensors='tf')
dataset = tf.data.Dataset.from_tensor_slices((tokenized_text['input_ids'],
tokenized_text['attention_mask'],
tokenized_text['token_type_ids'],
tf.constant(labels))).batch(3)
sample = next(iter(dataset))
result1 = bert_model(inputs=(sample[0], sample[1], sample[2])) # works fine
result2 = bert_model(inputs={'input_ids': sample[0],
'attention_mask': sample[1],
'token_type_ids': sample[2]}) # also fine
result3 = bert_model(input_ids=sample[0],
attention_mask=sample[1],
token_type_ids=sample[2]) # raises an error
但是，当我执行最后一行时，出现错误：
TypeError: __call__() missing 1 required positional argument: 'inputs'
有人可以解释一下如何正确使用输入的关键字参数样式吗？
似乎在内部，如果您不仅仅将一个张量作为第一个参数，它们将解释inputsas input_ids。您可以在中看到它TFBertModel，然后寻找TFBertMainLayer的call功能。
对我来说，如果执行以下操作result1，result2则得到的结果完全相同：
result3 = bert_model(inputs=sample[0],
attention_mask=sample[1],
token_type_ids=sample[2])
另外，您也可以删除，也可以inputs=。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句