# RWKV

## Tổng quan

Mô hình RWKV (phiên bản 4) được đề xuất trong [repo này](https://github.com/BlinkDL/RWKV-LM)

Đề xuất một điều chỉnh trong cơ chế chú ý Transformer truyền thống để biến nó thành tuyến tính. Nhờ đó, mô hình có thể được sử dụng như một mạng nơ-ron tuần tự: việc truyền các đầu vào cho mốc thời gian 0 và mốc thời gian 1 cùng lúc là tương đương với việc truyền đầu vào tại mốc thời gian 0, sau đó truyền đầu vào tại mốc thời gian 1 cùng với trạng thái tại mốc thời gian 0 (xem ví dụ bên dưới).

Điều này có thể hiệu quả hơn so với Transformer thông thường và có thể xử lý câu có độ dài bất kỳ (ngay cả khi mô hình sử dụng độ dài ngữ cảnh cố định cho huấn luyện).

Mô hình này được đóng góp bởi [sgugger](https://huggingface.co/sgugger). Mã gốc có thể được tìm thấy [tại đây](https://github.com/BlinkDL/RWKV-LM).

## Ví dụ sử dụng

```python
import torch

from transformers import AutoTokenizer, RwkvModel

model = RwkvModel.from_pretrained("sgugger/rwkv-430M-pile", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("sgugger/rwkv-430M-pile")

inputs = tokenizer("This is an example.", return_tensors="pt").to(model.device)
# Feed everything to the model
outputs = model(inputs["input_ids"])
output_whole = outputs.last_hidden_state

outputs = model(inputs["input_ids"][:, :2])
output_one = outputs.last_hidden_state

# Using the state computed on the first inputs, we will get the same output
outputs = model(inputs["input_ids"][:, 2:], state=outputs.state)
output_two = outputs.last_hidden_state

torch.allclose(torch.cat([output_one, output_two], dim=1), output_whole, atol=1e-5)
```

Nếu bạn muốn đảm bảo mô hình dừng tạo khi phát hiện `'\n\n'`, chúng tôi khuyên bạn nên sử dụng các tiêu chí dừng sau:

```python
from transformers import StoppingCriteria

class RwkvStoppingCriteria(StoppingCriteria):
    def __init__(self, eos_sequence = [187,187], eos_token_id = 537):
        self.eos_sequence = eos_sequence
        self.eos_token_id = eos_token_id

    def __call__(self, input_ids: torch.LongTensor, scores: torch.Tensor, **kwargs) -> bool:
        last_2_ids = input_ids[:,-2:].tolist()
        return self.eos_sequence in last_2_ids

output = model.generate(inputs["input_ids"], max_new_tokens=64, stopping_criteria = [RwkvStoppingCriteria()])
```

## Ghi chú

- Sử dụng left padding cho việc tạo batched. Xem [Padding side](../llm_tutorial#padding-side).

## RwkvConfig[[transformers.RwkvConfig]]

#### transformers.RwkvConfig[[transformers.RwkvConfig]]

```python
transformers.RwkvConfig(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, vocab_size: int = 50277, context_length: int = 1024, hidden_size: int = 4096, num_hidden_layers: int = 32, attention_hidden_size: int | None = None, intermediate_size: int | None = None, layer_norm_epsilon: float = 1e-05, bos_token_id: int | None = 0, eos_token_id: int | list[int] | None = 0, rescale_every: int = 6, tie_word_embeddings: bool = False, use_cache: bool = True)
```

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

**Tham số:**

vocab_size (`int`, *tùy chọn*, mặc định là `50277`) : Kích thước từ vựng của mô hình. Xác định số lượng token khác nhau có thể được biểu diễn bởi `input_ids`.

context_length (`int`, *optional*, mặc định là 1024) : Độ dài chuỗi tối đa mà mô hình này có thể được sử dụng trong một lần forward (việc sử dụng nó ở chế độ RNN cho phép dùng bất kỳ độ dài chuỗi nào).

hidden_size (`int`, *tuỳ chọn*, mặc định là `4096`) : Kích thước của các biểu diễn ẩn.

num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `32`) : Số lượng lớp ẩn trong bộ giải mã Transformer.

attention_hidden_size (`int`, *optional*) : Độ chiều của các trạng thái ẩn của attention. Sẽ mặc định là `hidden_size` nếu không được đặt.

intermediate_size (`int`, *tùy chọn*) : Kích thước của các biểu diễn MLP.

layer_norm_epsilon (`float`, *tuỳ chọn*, mặc định là `1e-05`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization).

bos_token_id (`int`, *tuỳ chọn*, mặc định là `0`) : Id của token được dùng cho đầu luồng (beginning-of-stream) trong từ vựng.

eos_token_id (`Union[int, list[int]]`, *tùy chọn*, mặc định là `0`) : Id của token được sử dụng cho end-of-stream trong bảng từ vựng.

rescale_every (`int`, *optional*, mặc định là 6) : Khi suy luận, các trạng thái ẩn (và trọng số của các lớp đầu ra tương ứng) được chia cho 2 mỗi `rescale_every` lớp. Nếu đặt thành 0 hoặc một số âm, sẽ không thực hiện việc chuẩn hóa lại.

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.

Đây là lớp cấu hình để lưu trữ cấu hình của một RwkvModel. Nó được sử dụng để khởi tạo một mô hình Rwkv 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 [RWKV/rwkv-4-169m-pile](https://huggingface.co/RWKV/rwkv-4-169m-pile)

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 RwkvConfig, RwkvModel

>>> # Initializing a Rwkv configuration
>>> configuration = RwkvConfig()

>>> # Initializing a model (with random weights) from the configuration
>>> model = RwkvModel(configuration)

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

## RwkvModel[[transformers.RwkvModel]]

#### transformers.RwkvModel[[transformers.RwkvModel]]

```python
transformers.RwkvModel(config: RwkvConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L487)

**Tham số:**

config ([RwkvConfig](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvConfig)) : 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 Rwkv cơ bản, xuất ra các trạng thái ẩn thô mà không có bất kỳ đầu (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.RwkvModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, state: list[torch.Tensor] | None = None, use_cache: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L508)

**Tham số:**

input_ids (`torch.LongTensor` có hình dạng `(batch_size, input_ids_length)`) : `input_ids_length` = `sequence_length` nếu `past_key_values` là `None`, ngược lại là `past_key_values.get_seq_length()` (`sequence_length` của các trạng thái past key value đầu vào). Chỉ số của các token trong chuỗi đầu vào theo từ điển. Nếu sử dụng `past_key_values`, chỉ cần truyền các `input_ids` chưa được tính toán phần quá khứ vào `input_ids`. Có thể lấy chỉ số 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.LongTensor` 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.

state (`tuple` gồm năm `torch.Tensor` có shape `(batch_size, hidden_size, num_hidden_layers)`, *optional*) : Nếu được truyền vào, model sẽ sử dụng trạng thái trước đó trong tất cả các block (điều này sẽ tạo ra output cho `input_ids` được cung cấp như thể model đã thêm `state_input_ids + input_ids` làm ngữ cảnh).

use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, trạng thái cuối cùng sẽ được trả về và có thể được sử dụng để nhanh chóng tạo ra các logits tiếp theo.

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.

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.

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:** `RwkvOutput` hoặc `tuple(torch.Tensor)`

Một `RwkvOutput` 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 ([RwkvConfig](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvConfig)) và đầu vào.

Phương thức forward của [RwkvModel](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvModel) 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, sequence_length, hidden_size)`, *tùy chọn*) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.
- **state** (`list` gồm năm `torch.Tensor` có hình dạng `(batch_size, hidden_size, num_hidden_layers)`) -- Trạng thái của mô hình tại bước thời gian cuối cùng. Có thể được sử dụng trong phương thức forward cùng với `input_ids` tiếp theo để tránh việc cung cấp lại `input_ids` cũ.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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, ...]`, *tùy 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.

## RwkvLMHeadModel[[transformers.RwkvForCausalLM]]

#### transformers.RwkvForCausalLM[[transformers.RwkvForCausalLM]]

```python
transformers.RwkvForCausalLM(config: RwkvConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L667)

**Tham số:**

config ([RwkvConfig](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvConfig)) : 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.

Biến đổi mô hình RWKV với đầu mô hình hóa ngôn ngữ phía trên (lớp tuyến tính có trọng số được liên kết với nhúng đầu vào).

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.RwkvForCausalLM.forward]]

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

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/rwkv/modeling_rwkv.py#L684)

**Tham số:**

input_ids (`torch.LongTensor` có hình dạng `(batch_size, input_ids_length)`) : `input_ids_length` = `sequence_length` nếu `past_key_values` là `None`, ngược lại là `past_key_values.get_seq_length()` (`sequence_length` của các trạng thái past key value đầu vào). Chỉ số của các token trong chuỗi đầu vào theo từ điển. Nếu sử dụng `past_key_values`, chỉ cần truyền các `input_ids` chưa được tính toán phần quá khứ vào `input_ids`. Có thể lấy chỉ số 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.LongTensor` 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.

state (`tuple` gồm năm `torch.Tensor` có shape `(batch_size, hidden_size, num_hidden_layers)`, *optional*) : Nếu được truyền vào, model sẽ sử dụng trạng thái trước đó trong tất cả các block (điều này sẽ tạo ra output cho `input_ids` được cung cấp như thể model đã thêm `state_input_ids + input_ids` làm ngữ cảnh).

labels (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Nhãn cho mô hình hóa ngôn ngữ. Lưu ý rằng các nhãn **được dịch chuyển** bên trong mô hình, tức là bạn có thể đặt `labels = input_ids` Các chỉ số được chọn trong `[-100, 0, ..., config.vocab_size]` 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]`

use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, trạng thái cuối cùng sẽ được trả về và có thể được sử dụng để nhanh chóng tạo ra các logits tiếp theo.

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.

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.

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.

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:** `RwkvCausalLMOutput` hoặc `tuple(torch.Tensor)`

Một `RwkvCausalLMOutput` 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 ([RwkvConfig](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvConfig)) và đầu vào.

Phương thức forward của [RwkvForCausalLM](/docs/transformers/v5.23.0/vi/model_doc/rwkv#transformers.RwkvForCausalLM) 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).
- **state** (`list` gồm năm `torch.Tensor` có hình dạng `(batch_size, hidden_size, num_hidden_layers)`) -- Trạng thái của mô hình tại bước thời gian cuối cùng. Có thể được sử dụng trong phương thức forward cùng với `input_ids` tiếp theo để tránh việc cung cấp lại `input_ids` cũ.
- **hidden_states** (`tuple[torch.Tensor, ...]`, *tùy 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, ...]`, *tùy 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
```

## Cơ chế chú ý Rwkv và các công thức đệ quy

Trong một Transformer tự hồi quy truyền thống, chú ý được viết dưới dạng

$$O = \hbox{softmax}(QK^{T} / \sqrt{d}) V$$

với $Q$, $K$ và $V$ là các ma trận có hình dạng `seq_len x hidden_size` được gọi là query, key và value (thực tế chúng là các ma trận lớn hơn có thêm chiều batch và chiều attention head, nhưng chúng ta chỉ quan tâm đến hai chiều cuối, nơi phép nhân ma trận được thực hiện, nên vì sự đơn giản, chúng ta chỉ xét hai chiều đó). Tích $QK^{T}$ sau đó có hình dạng `seq_len x seq_len` và chúng ta có thể thực hiện phép nhân ma trận với $V$ để lấy đầu ra $O$ có cùng hình dạng với các ma trận khác.

Thay softmax bằng giá trị của nó ta có:

$$O_{i} = \frac{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}} V_{j}}{\sum_{j=1}^{i} e^{Q_{i} K_{j}^{T} / \sqrt{d}}}$$

Lưu ý rằng các phần tử trong $QK^{T}$ tương ứng với $j > i$ bị che (tổng dừng lại ở j) vì cơ chế chú ý không được phép nhìn vào các token tương lai (chỉ các token quá khứ).

So sánh lại, cơ chế chú ý của RWKV được cho bởi

$$O_{i} = \sigma(R_{i}) \frac{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}} V_{j}}{\sum_{j=1}^{i} e^{W_{i-j} + K_{j}}}$$

trong đó $R$ là một ma trận mới được tác giả gọi là receptance, $K$ và $V$ vẫn là key và value ($\sigma$ ở đây là hàm sigmoid). $W$ là một vector mới đại diện cho vị trí của token và được cho bởi

$$W_{0} = u \hbox{  và  } W_{k} = (k-1)w \hbox{ với } k \geq 1$$

với $u$ và $w$ là các tham số có thể học được, được gọi trong mã là `time_first` và `time_decay` tương ứng. Tử số và mẫu số đều có thể được biểu diễn đệ quy. Gọi chúng là $N_{i}$ và $D_{i}$, ta có:

$$N_{i} = e^{u + K_{i}} V_{i} + \hat{N}_{i} \hbox{  trong đó  } \hat{N}_{i} = e^{K_{i-1}} V_{i-1} + e^{w + K_{i-2}} V_{i-2} \cdots + e^{(i-2)w + K_{1}} V_{1}$$

số `numerator_state` (gọi là `numerator_state` trong mã) thỏa mãn

$$\hat{N}_{0} = 0 \hbox{  và  } \hat{N}_{j+1} = e^{K_{j}} V_{j} + e^{w} \hat{N}_{j}$$

và

$$D_{i} = e^{u + K_{i}} + \hat{D}_{i} \hbox{  trong đó  } \hat{D}_{i} = e^{K_{i-1}} + e^{w + K_{i-2}} \cdots + e^{(i-2)w + K_{1}}$$

sao cho `denominator_state` (gọi là `denominator_state` trong mã) thỏa mãn

$$\hat{D}_{0} = 0 \hbox{  và  } \hat{D}_{j+1} = e^{K_{j}} + e^{w} \hat{D}_{j}$$

Công thức đệ quy thực tế được sử dụng phức tạp hơn một chút, vì để đảm bảo ổn định số, chúng ta không muốn tính lũy thừa của các số lớn. Thông thường, softmax không được tính trực tiếp như vậy, mà lũy thừa của số hạng lớn nhất được chia cho cả tử và mẫu:

$$\frac{e^{x_{i}}}{\sum_{j=1}^{n} e^{x_{j}}} = \frac{e^{x_{i} - M}}{\sum_{j=1}^{n} e^{x_{j} - M}}$$

với $M$ là giá trị lớn nhất của tất cả $x_{j}$. Vì vậy, ở đây ngoài việc lưu trữ trạng tử tử số ($\hat{N}$) và trạng tử mẫu số ($\hat{D}$), chúng ta còn theo dõi giá trị lớn nhất của tất cả các số hạng gặp trong các hàm mũ. Do đó, chúng ta thực sự sử dụng

$$\tilde{N}_{i} = e^{-M_{i}} \hat{N}_{i} \hbox{  và  } \tilde{D}_{i} = e^{-M_{i}} \hat{D}_{i}$$

được định nghĩa bởi các công thức đệ quy sau:

$$\tilde{N}_{0} = 0 \hbox{  và  } \tilde{N}_{j+1} = e^{K_{j} - q} V_{j} + e^{w + M_{j} - q} \tilde{N}_{j} \hbox{  trong đó  } q = \max(K_{j}, w + M_{j})$$

và

$$\tilde{D}_{0} = 0 \hbox{  và  } \tilde{D}_{j+1} = e^{K_{j} - q} + e^{w + M_{j} - q} \tilde{D}_{j} \hbox{  trong đó  } q = \max(K_{j}, w + M_{j})$$

và $M_{j+1} = q$. Với những điều đó, chúng ta có thể tính

$$N_{i} = e^{u + K_{i} - q} V_{i} + e^{M_{i}} \tilde{N}_{i} \hbox{  trong đó  } q = \max(u + K_{i}, M_{i})$$

và

$$D_{i} = e^{u + K_{i} - q} + e^{M_{i}} \tilde{D}_{i} \hbox{  trong đó  } q = \max(u + K_{i}, M_{i})$$

cuối cùng cho chúng ta

$$O_{i} = \sigma(R_{i}) \frac{N_{i}}{D_{i}}$$

