fasttext_jp_embedding.py

from __future__ import annotations
from transformers import PretrainedConfig
from transformers import PreTrainedModel
from torch import nn
import torch
from torchtyping import TensorType


class FastTextJpConfig(PretrainedConfig):
    """FastTextJpModelのConfig
    """
    model_type = "fasttext_jp"

    def __init__(self,
                 vocab_size=1,
                 hidden_size=1,
                 tokenizer_class="FastTextJpTokenizer",
                 **kwargs):
        """初期化処理

        Args:
            tokenizer_class (str, optional): 
                tokenizer_classを指定しないと、pipelineから読み込まれません。
                config.jsonに記載されます。
            vocab_size (str, optional): 
                vocab_sizeを指定しないと、pipelineから読み込まれません。
                config.jsonに記載されます。
            hidden_size (str, optional): 
                hidden_sizeを指定しないと、pipelineから読み込まれません。
                config.jsonに記載されます。
        """
        kwargs["vocab_size"] = vocab_size
        kwargs["hidden_size"] = hidden_size
        kwargs["tokenizer_class"] = tokenizer_class
        super().__init__(**kwargs)


class FastTextJpModel(PreTrainedModel):
    """FastTextのEmbeddingを行います。
    """
    config_class = FastTextJpConfig

    def __init__(self, config: FastTextJpConfig):
        super().__init__(config)
        self.word_embeddings = nn.Embedding(config.vocab_size,
                                            config.hidden_size)

    def forward(self, **inputs) -> TensorType["batch", "word", "vectors"]:
        """embeddingを行います。

        Returns:
            TensorType["batch", "word", "vectors"]: 単語ごとにベクトルを返します。
        """
        return self.word_embeddings(torch.Tensor(inputs["input_ids"]))


# AutoModelに登録が必要だが、いろいろやり方が変わっているようで定まっていない。(2022/11/6)
# https://huggingface.co/docs/transformers/custom_models#sending-the-code-to-the-hub
FastTextJpConfig.register_for_auto_class()
FastTextJpModel.register_for_auto_class("AutoModel")