Transformers 文档

特征提取器

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

特征提取器

特征提取器负责为音频或视觉模型准备输入特征。这包括从序列中提取特征(例如,预处理音频文件以生成对数梅尔频谱图特征)、从图像中提取特征(例如,裁剪图像文件),以及进行填充、归一化,并转换为 NumPy、PyTorch 和 TensorFlow 张量。

FeatureExtractionMixin

class transformers.FeatureExtractionMixin

< >

( **kwargs )

这是一个特征提取的 mixin(混入类),用于为序列和图像特征提取器提供保存/加载功能。

from_pretrained

< >

( pretrained_model_name_or_path: typing.Union[str, os.PathLike] cache_dir: typing.Union[str, os.PathLike, NoneType] = None force_download: bool = False local_files_only: bool = False token: typing.Union[str, bool, NoneType] = None revision: str = 'main' **kwargs )

参数

  • pretrained_model_name_or_path (stros.PathLike) — 可以是以下之一:

    • 一个字符串,即托管在 huggingface.co 模型仓库中的预训练 feature_extractor 的 *model id*。
    • 一个包含使用 save_pretrained() 方法保存的特征提取器文件的 *目录* 的路径,例如 ./my_model_directory/
    • 一个指向已保存的特征提取器 JSON *文件* 的路径或 URL,例如 ./my_model_directory/preprocessor_config.json
  • cache_dir (stros.PathLike, *可选*) — 如果不使用标准缓存目录,则指定一个目录路径,用于缓存下载的预训练模型特征提取器。
  • force_download (bool, *可选*, 默认为 False) — 是否强制(重新)下载特征提取器文件并覆盖已存在的缓存版本。
  • resume_download — 已弃用并忽略。现在所有下载在可能时都会默认恢复。将在 Transformers v5 版本中移除。
  • proxies (dict[str, str], *可选*) — 一个根据协议或端点使用的代理服务器字典,例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理将在每个请求中使用。
  • token (strbool, *可选*) — 用于远程文件的 HTTP Bearer 授权的令牌。如果为 True 或未指定,将使用运行 huggingface-cli login 时生成的令牌(存储在 ~/.huggingface)。
  • revision (str, *可选*, 默认为 "main") — 要使用的特定模型版本。它可以是分支名、标签名或提交 ID,因为我们在 huggingface.co 上使用基于 git 的系统来存储模型和其他文件,所以 revision 可以是 git 允许的任何标识符。

从特征提取器实例化一个 FeatureExtractionMixin 的子类,例如一个 SequenceFeatureExtractor 的派生类。

示例

# We can't instantiate directly the base class *FeatureExtractionMixin* nor *SequenceFeatureExtractor* so let's show the examples on a
# derived class: *Wav2Vec2FeatureExtractor*
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h"
)  # Download feature_extraction_config from huggingface.co and cache.
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "./test/saved_model/"
)  # E.g. feature_extractor (or model) was saved using *save_pretrained('./test/saved_model/')*
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained("./test/saved_model/preprocessor_config.json")
feature_extractor = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h", return_attention_mask=False, foo=False
)
assert feature_extractor.return_attention_mask is False
feature_extractor, unused_kwargs = Wav2Vec2FeatureExtractor.from_pretrained(
    "facebook/wav2vec2-base-960h", return_attention_mask=False, foo=False, return_unused_kwargs=True
)
assert feature_extractor.return_attention_mask is False
assert unused_kwargs == {"foo": False}

save_pretrained

< >

( save_directory: typing.Union[str, os.PathLike] push_to_hub: bool = False **kwargs )

参数

  • save_directory (stros.PathLike) — 将保存特征提取器 JSON 文件的目录(如果不存在,将被创建)。
  • push_to_hub (bool, *可选*, 默认为 False) — 保存模型后是否将其推送到 Hugging Face 模型中心。您可以使用 repo_id 指定要推送到的仓库(默认为您命名空间中 save_directory 的名称)。
  • kwargs (dict[str, Any], *可选*) — 传递给 push_to_hub() 方法的其他关键字参数。

将 feature_extractor 对象保存到目录 save_directory 中,以便可以使用 from_pretrained() 类方法重新加载。

SequenceFeatureExtractor

class transformers.SequenceFeatureExtractor

< >

( feature_size: int sampling_rate: int padding_value: float **kwargs )

参数

  • feature_size (int) — 提取特征的维度。
  • sampling_rate (int) — 音频文件数字化的采样率,以赫兹 (Hz) 表示。
  • padding_value (float) — 用于填充值/向量的值。

这是一个用于语音识别的通用特征提取类。

pad

< >

( processed_features: typing.Union[transformers.feature_extraction_utils.BatchFeature, list[transformers.feature_extraction_utils.BatchFeature], dict[str, transformers.feature_extraction_utils.BatchFeature], dict[str, list[transformers.feature_extraction_utils.BatchFeature]], list[dict[str, transformers.feature_extraction_utils.BatchFeature]]] padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = True max_length: typing.Optional[int] = None truncation: bool = False pad_to_multiple_of: typing.Optional[int] = None return_attention_mask: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None )

参数

  • processed_features (BatchFeature, BatchFeature 列表, dict[str, list[float]], dict[str, list[list[float]]list[dict[str, list[float]]]) — 已处理的输入。可以表示单个输入(BatchFeaturedict[str, list[float]])或一批输入值/向量(BatchFeature 列表,*dict[str, list[list[float]]]* 或 *list[dict[str, list[float]]]*),因此您可以在预处理期间以及在 PyTorch Dataloader 的 collate 函数中使用此方法。

    除了 list[float],您也可以使用张量(numpy 数组、PyTorch 张量或 TensorFlow 张量),请参阅上面关于返回类型的说明。

  • padding (bool, strPaddingStrategy, *可选*, 默认为 True) — 选择一种策略来填充返回的序列(根据模型的填充方向和填充索引):

    • True'longest':填充到批次中最长的序列(如果只提供单个序列则不填充)。
    • 'max_length':填充到由 max_length 参数指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。
    • False'do_not_pad' (默认):不进行填充(即,可以输出一个具有不同长度序列的批次)。
  • max_length (int, *可选*) — 返回列表的最大长度,以及可选的填充长度(见上文)。
  • truncation (bool) — 激活截断功能,将长于 max_length 的输入序列截断至 max_length
  • pad_to_multiple_of (int, *可选*) — 如果设置,将把序列填充到所提供值的倍数。

    这对于在计算能力 >= 7.5(Volta)的 NVIDIA 硬件上启用 Tensor Cores,或者在 TPU 上特别有用,因为这些设备受益于序列长度是 128 的倍数。

  • return_attention_mask (bool, *可选*) — 是否返回注意力掩码。如果保留为默认值,将根据特定 feature_extractor 的默认设置返回注意力掩码。

    什么是注意力掩码?

  • return_tensors (strTensorType, *可选*) — 如果设置,将返回张量而不是 Python 整数列表。可接受的值为:

    • 'tf':返回 TensorFlow tf.constant 对象。
    • 'pt':返回 PyTorch torch.Tensor 对象。
    • 'np':返回 Numpy np.ndarray 对象。

将输入值/输入向量或一批输入值/输入向量填充到预定义的长度或批次中的最大序列长度。

填充方向(左/右)和填充值在特征提取器级别定义(通过 self.padding_side, self.padding_value

如果传入的 processed_features 是 numpy 数组、PyTorch 张量或 TensorFlow 张量的字典,则结果将使用相同的类型,除非您使用 return_tensors 提供不同的张量类型。但在 PyTorch 张量的情况下,您将丢失张量的特定设备信息。

BatchFeature

class transformers.BatchFeature

< >

( data: typing.Optional[dict[str, typing.Any]] = None tensor_type: typing.Union[NoneType, str, transformers.utils.generic.TensorType] = None )

参数

  • data (dict, *可选*) — 由 call/pad 方法返回的列表/数组/张量字典(‘input_values’, ‘attention_mask’ 等)。
  • tensor_type (Union[None, str, TensorType], *可选*) — 您可以在此处提供一个 tensor_type,以在初始化时将整数列表转换为 PyTorch/TensorFlow/Numpy 张量。

保存 pad() 和特定于特征提取器的 __call__ 方法的输出。

这个类派生自 Python 字典,可以像字典一样使用。

convert_to_tensors

< >

( tensor_type: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None )

参数

  • tensor_type (strTensorType, *可选*) — 要使用的张量类型。如果为 str,则应为枚举 TensorType 的值之一。如果为 None,则不进行修改。

将内部内容转换为张量。

< >

( *args **kwargs ) BatchFeature

参数

  • args (Tuple) — 将传递给张量的 to(...) 函数。
  • kwargs (Dict, *可选*) — 将传递给张量的 to(...) 函数。要启用异步数据传输,请在 kwargs 中设置 non_blocking 标志(默认为 False)。

返回

批次特征

修改后的同一实例。

通过调用 v.to(*args, **kwargs) 将所有值发送到设备(仅限 PyTorch)。这应该支持转换为不同的 dtypes 并将 BatchFeature 发送到不同的 device

ImageFeatureExtractionMixin

class transformers.ImageFeatureExtractionMixin

< >

( )

包含准备图像特征实用程序的 Mixin (混入类)。

center_crop

< >

( image size ) new_image

参数

  • image (PIL.Image.Imagenp.ndarray 或 形状为 (n_channels, height, width) 或 (height, width, n_channels) 的 torch.Tensor) — 要调整大小的图像。
  • size (inttuple[int, int]) — 裁剪图像的目标尺寸。

返回

新图像

一个经过中心裁剪的 PIL.Image.Imagenp.ndarraytorch.Tensor,形状为:(n_channels, height, width)。

使用中心裁剪将 image 裁剪至给定尺寸。请注意,如果图像太小无法裁剪到给定尺寸,它将被填充(因此返回的结果具有所要求的尺寸)。

convert_rgb

< >

( image )

参数

  • image (PIL.Image.Image) — 要转换的图像。

PIL.Image.Image 转换为 RGB 格式。

expand_dims

< >

( image )

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要扩展的图像。

将二维 image 扩展为三维。

flip_channel_order

< >

( image )

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要翻转颜色通道的图像。如果类型是 np.ndarraytorch.Tensor,通道维度应为第一个维度。

翻转 image 的通道顺序,从 RGB 变为 BGR,或从 BGR 变为 RGB。注意,如果 image 是一个 PIL 图像,此操作将触发其向 NumPy 数组的转换。

归一化

< >

( image mean std rescale = False )

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要归一化的图像。
  • mean (list[float]np.ndarraytorch.Tensor) — 用于归一化的均值(按通道)。
  • std (list[float]np.ndarraytorch.Tensor) — 用于归一化的标准差(按通道)。
  • rescale (bool, 可选, 默认为 False) — 是否将图像缩放到 0 到 1 之间。如果提供的是 PIL 图像,缩放将自动进行。

使用 meanstdimage 进行归一化。注意,如果 image 是一个 PIL 图像,此操作将触发其向 NumPy 数组的转换。

rescale

< >

( image: ndarray scale: typing.Union[float, int] )

按指定比例缩放 numpy 图像

resize

< >

( image size resample = None default_to_square = True max_size = None ) image

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要调整大小的图像。
  • size (inttuple[int, int]) — 用于调整图像大小的尺寸。如果 size 是一个序列,如 (h, w),则输出尺寸将与此匹配。

    如果 size 是一个整数且 default_to_squareTrue,那么图像将被调整为 (size, size)。如果 size 是一个整数且 default_to_squareFalse,那么图像较短的边将与此数字匹配。即,如果 height > width,则图像将被重新缩放为 (size * height / width, size)。

  • resample (int, 可选, 默认为 PILImageResampling.BILINEAR) — 用于重采样的滤波器。
  • default_to_square (bool, 可选, 默认为 True) — 如何转换当 size 是单个整数时。如果设置为 Truesize 将被转换为正方形 (size,size)。如果设置为 False,将复制 torchvision.transforms.Resize 的行为,支持仅调整最短边并提供可选的 max_size
  • max_size (int, 可选, 默认为 None) — 调整大小后图像较长边的最大允许值:如果根据 size 调整大小后图像的较长边大于 max_size,则图像将再次调整大小,使较长边等于 max_size。因此,size 可能会被覆盖,即较短边可能会比 size 更短。仅当 default_to_squareFalse 时使用。

返回

图像

一个调整大小后的 PIL.Image.Image

调整 image 的大小。强制将输入转换为 PIL.Image。

rotate

< >

( image angle resample = None expand = 0 center = None translate = None fillcolor = None ) image

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要旋转的图像。如果是 np.ndarraytorch.Tensor,在旋转前将被转换为 PIL.Image.Image

返回

图像

一个旋转后的 PIL.Image.Image

返回一个 image 的旋转副本。此方法返回一个围绕其中心逆时针旋转给定度数的 image 副本。

to_numpy_array

< >

( image rescale = None channel_first = True )

参数

  • image (PIL.Image.Imagenp.ndarraytorch.Tensor) — 要转换为 NumPy 数组的图像。
  • rescale (bool, 可选) — 是否应用缩放因子(使像素值成为 0. 到 1. 之间的浮点数)。如果图像是 PIL 图像或整数数组/张量,则默认为 True,否则默认为 False
  • channel_first (bool, 可选, 默认为 True) — 是否置换图像维度,将通道维度放在第一位。

image 转换为 numpy 数组。可选地对其进行缩放并将通道维度作为第一个维度。

to_pil_image

< >

( image rescale = None )

参数

  • image (PIL.Image.Imagenumpy.ndarraytorch.Tensor) — 要转换为 PIL 图像格式的图像。
  • rescale (bool, 可选) — 是否应用缩放因子(使像素值成为 0 到 255 之间的整数)。如果图像类型是浮点类型,则默认为 True,否则默认为 False

image 转换为 PIL 图像。如果需要,可选择性地对其进行缩放并将通道维度放回最后一个轴。

< > 在 GitHub 上更新