Transformers 文档
艾莉亚 (Aria)
并获取增强的文档体验
开始使用
艾莉亚 (Aria)
概述
Aria 模型由 Rhymes.AI 团队的 Li 等人在 Aria: An Open Multimodal Native Mixture-of-Experts Model 中提出。
Aria 是一个开放的多模态原生模型,在各种多模态、语言和编码任务中都具有一流的性能。它采用混合专家架构,每个视觉标记和文本标记分别激活 3.9B 和 3.5B 参数。
论文摘要如下:
信息以多种模态呈现。多模态原生 AI 模型对于整合真实世界的信息并提供全面的理解至关重要。虽然存在专有的多模态原生模型,但它们的不开放性为采用设置了障碍,更不用说适配了。为了填补这一空白,我们推出了 Aria,一个开放的多模态原生模型,在各种多模态、语言和编码任务中都具有一流的性能。Aria 是一个混合专家模型,每个视觉标记和文本标记分别激活 3.9B 和 3.5B 参数。在各种多模态任务中,它优于 Pixtral-12B 和 Llama3.2-11B,并且与最好的专有模型相媲美。我们遵循 4 阶段的流水线从头开始预训练 Aria,逐步为模型配备强大的语言理解、多模态理解、长上下文窗口和指令跟随能力。我们开源了模型权重以及代码库,以方便 Aria 在实际应用中的轻松采用和适配。
使用技巧
以下是如何将模型用于视觉任务的方法
import requests
import torch
from PIL import Image
from transformers import AriaProcessor, AriaForConditionalGeneration
model_id_or_path = "rhymes-ai/Aria"
model = AriaForConditionalGeneration.from_pretrained(
model_id_or_path, device_map="auto"
)
processor = AriaProcessor.from_pretrained(model_id_or_path)
image = Image.open(requests.get("http://images.cocodataset.org/val2017/000000039769.jpg", stream=True).raw)
messages = [
{
"role": "user",
"content": [
{"type": "image"},
{"text": "what is the image?", "type": "text"},
],
}
]
text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=text, images=image, return_tensors="pt")
inputs.to(model.device)
output = model.generate(
**inputs,
max_new_tokens=15,
stop_strings=["<|im_end|>"],
tokenizer=processor.tokenizer,
do_sample=True,
temperature=0.9,
)
output_ids = output[0][inputs["input_ids"].shape[1]:]
response = processor.decode(output_ids, skip_special_tokens=True)
AriaImageProcessor
class transformers.AriaImageProcessor
< 源代码 >( image_mean: typing.List[float] = None image_std: typing.List[float] = None max_image_size: int = 980 min_image_size: int = 336 split_resolutions: typing.Optional[typing.List[typing.Tuple[int, int]]] = None split_image: typing.Optional[bool] = False do_convert_rgb: typing.Optional[bool] = True do_normalize: typing.Optional[bool] = True resample: Resampling = <Resampling.BICUBIC: 3> **kwargs )
参数
- image_mean (
list
, 可选, 默认为 [0.5, 0.5, 0.5]) — 归一化的均值。 - image_std (
list
, 可选, 默认为 [0.5, 0.5, 0.5]) — 归一化的标准差值。 - max_image_size (
int
, 可选, 默认为 980) — 最大图像尺寸。 - min_image_size (
int
, 可选, 默认为 336) — 最小图像尺寸。 - split_resolutions (
list
, 可选, 默认为最佳分辨率元组列表) — 用于分割图像的最佳分辨率。 - split_image (
bool
, 可选, 默认为False
) — 是否分割图像。 - do_convert_rgb (
bool
, optional, defaults toTrue
) — 是否将图像转换为 RGB 格式。 - do_normalize (
bool
, optional, defaults toTrue
) — 是否对图像进行归一化。 - resample (PILImageResampling, optional, defaults to
BICUBIC
) — 如果调整图像大小,则使用的重采样滤波器。
用于 Aria 模型的视觉处理器,处理图像预处理。初始化 AriaImageProcessor。
get_image_patches
< source >( image: <built-in function array> grid_pinpoints: typing.List[typing.Tuple[int, int]] patch_size: int resample: Resampling data_format: ChannelDimension input_data_format: ChannelDimension ) → List[np.array]
参数
- image (
np.array
) — 要处理的输入图像。 - grid_pinpoints (List[Tuple[int, int]]) — 可能分辨率的元组列表。
- patch_size (
int
) — 将图像分割成的图块大小。 - resample (
PILImageResampling
) — 如果调整图像大小,则使用的重采样滤波器。 - data_format (
ChannelDimension
orstr
) — 输出图像的通道维度格式。 - input_data_format (
ChannelDimension
orstr
) — 输入图像的通道维度格式。
Returns
List[np.array]
包含已处理图像图块的 NumPy 数组列表。
通过将图像划分为图块来处理具有可变分辨率的图像。
pad
< source >( image: ndarray padding: typing.Union[int, typing.Tuple[int, int], typing.Iterable[typing.Tuple[int, int]]] mode: PaddingMode = <PaddingMode.CONSTANT: 'constant'> constant_values: typing.Union[float, typing.Iterable[float]] = 0.0 data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None ) → np.ndarray
参数
- image (
np.ndarray
) — 要填充的图像。 - padding (
int
orTuple[int, int]
orIterable[Tuple[int, int]]
) — 应用于高度、宽度轴边缘的填充。可以是以下三种格式之一:((before_height, after_height), (before_width, after_width))
每个轴的独特填充宽度。((before, after),)
为高度和宽度产生相同的之前和之后填充。(pad,)
或 int 是所有轴之前 = 之后 = 填充宽度的快捷方式。
- mode (
PaddingMode
) — 要使用的填充模式。可以是以下之一:"constant"
: 用常数值填充。"reflect"
: 用向量的反射填充,该反射在向量的第一个和最后一个值上沿每个轴镜像。"replicate"
: 用阵列边缘上最后一个值的复制填充,沿每个轴。"symmetric"
: 用向量的反射填充,该反射沿阵列的边缘镜像。
- constant_values (
float
orIterable[float]
, optional) — 如果mode
为"constant"
,则用于填充的值。 - data_format (
str
orChannelDimension
, optional) — 输出图像的通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。如果未设置,将使用与输入图像相同的格式。
- input_data_format (
str
orChannelDimension
, optional) — 输入图像的通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。如果未设置,将使用输入图像的推断格式。
Returns
np.ndarray
填充后的图像。
使用指定的 padding
和 mode
填充 image
。填充可以在 (height
, width
) 维度或 (num_patches
) 维度中进行。在第二种情况下,应将元组的可迭代对象作为输入。
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], typing.List[typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]]] image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None max_image_size: typing.Optional[int] = None min_image_size: typing.Optional[int] = None split_image: typing.Optional[bool] = None do_convert_rgb: typing.Optional[bool] = None do_normalize: typing.Optional[bool] = None resample: Resampling = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = 'pt' data_format: typing.Optional[transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None ) → BatchFeature
参数
- images (ImageInput or list of ImageInput) — 输入图像或图像列表。
- image_mean (
list
, optional, defaults to [0.5, 0.5, 0.5]) — 归一化的均值。 - image_std (
list
, optional, defaults to [0.5, 0.5, 0.5]) — 归一化的标准差值。 - max_image_size (
int
, optional, defaults toself.max_image_size
(980)) — 最大图像尺寸。 - min_image_size (
int
, optional, defaults toself.min_image_size
(336)) — 最小图像尺寸。 - split_image (
bool
, 可选, 默认为self.split_image
(False)) — 是否分割图像。 - do_convert_rgb (
bool
, 可选, 默认为self.do_convert_rgb
(True)) — 是否将图像转换为 RGB 格式。 - do_normalize (
bool
, 可选, 默认为self.do_normalize
(True)) — 是否标准化图像。 - resample (PILImageResampling, 可选, 默认为
self.resample
(BICUBIC)) — 如果调整图像大小,则使用的重采样过滤器。 - return_tensors (
str
或TensorType
, 可选, 默认为 “pt”) — 返回的张量类型。 - data_format (
str
或ChannelDimension
, 可选) — 输出图像的通道维度格式。 可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。 如果未设置,将使用与输入图像相同的格式。
- input_data_format (
str
或ChannelDimension
, 可选) — 输入图像的通道维度格式。 可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。 如果未设置,将使用输入图像的推断格式。
Returns
BatchFeature
包含 BatchFeature 对象的
- ‘pixel_values’:已处理图像像素值的张量。
- ‘pixel_mask’:布尔像素掩码。 此掩码是形状为 (max_image_size, max_image_size) 的 2D 张量,其中
- True (1) 值表示属于原始调整大小图像的像素。
- False (0) 值表示属于填充部分的像素。 该掩码有助于区分后续处理步骤中的实际图像内容和填充区域。
- ‘num_crops’:所有图像中裁剪的最大数量。
处理图像列表。
AriaProcessor
class transformers.AriaProcessor
< source >( image_processor = None tokenizer: typing.Union[transformers.models.auto.tokenization_auto.AutoTokenizer, str] = None chat_template: typing.Optional[str] = None size_conversion: typing.Optional[typing.Dict[typing.Union[float, int], int]] = None )
参数
- image_processor (
AriaImageProcessor
, 可选) — 用于图像预处理的 AriaImageProcessor。 - tokenizer (
PreTrainedTokenizerBase
, 可选) — PreTrainedTokenizerBase 的实例。 这应该与模型的文本模型相对应。 tokenizer 是必需的输入。 - chat_template (
str
, 可选) — Jinja 模板,将用于将聊天中的消息列表转换为可标记化的字符串。 - size_conversion (
Dict
, 可选) — 指示图像尺寸转换的字典。
AriaProcessor 是 Aria 模型的处理器,它包装了 Aria 图像预处理器和 LLama slow tokenizer。
此方法将其所有参数转发到 LlamaTokenizerFast 的 batch_decode()。 有关更多信息,请参阅此方法的文档字符串。
此方法将其所有参数转发到 LlamaTokenizerFast 的 decode()。 有关更多信息,请参阅此方法的文档字符串。
AriaTextConfig
class transformers.AriaTextConfig
< source >( vocab_size = 32000 hidden_size = 4096 intermediate_size: int = 4096 num_hidden_layers = 32 num_attention_heads = 32 num_key_value_heads = None hidden_act = 'silu' max_position_embeddings = 2048 initializer_range = 0.02 rms_norm_eps = 1e-06 use_cache = True pad_token_id = 2 bos_token_id = 1 eos_token_id = 2 pretraining_tp = 1 tie_word_embeddings = False rope_theta = 10000.0 rope_scaling = None attention_bias = False attention_dropout = 0.0 mlp_bias = False head_dim = None moe_num_experts: int = 8 moe_topk: int = 2 moe_num_shared_experts: int = 2 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 32000) — LLaMA 模型的词汇表大小。 定义调用 LlamaModel 时传递的inputs_ids
可以表示的不同 token 的数量 - hidden_size (
int
, 可选, 默认为 4096) — 隐藏层表示的维度。 - intermediate_size (
int
, 可选, 默认为 4096) — MLP 表示的大小。 - num_hidden_layers (
int
, 可选, 默认为 32) — Transformer 解码器中隐藏层的数量。 - num_attention_heads (
int
, 可选, 默认为 32) — Transformer 解码器中每个注意力层的注意力头数。 - num_key_value_heads (
int
, 可选) — 这是用于实现分组查询注意力(Grouped Query Attention)的 key_value 头的数量。如果num_key_value_heads=num_attention_heads
,模型将使用多头注意力(Multi Head Attention,MHA);如果num_key_value_heads=1
,模型将使用多查询注意力(Multi Query Attention,MQA);否则,将使用 GQA。当将多头检查点转换为 GQA 检查点时,每个组的 key 和 value 头应通过对该组内所有原始头进行平均池化来构建。有关更多详细信息,请查看这篇论文。如果未指定,则默认为num_attention_heads
。 - hidden_act (
str
或function
, 可选, 默认为"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - max_position_embeddings (
int
, 可选, 默认为 2048) — 此模型可能使用的最大序列长度。 Llama 1 支持最多 2048 个 token,Llama 2 支持最多 4096 个,CodeLlama 支持最多 16384 个。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。 - rms_norm_eps (
float
, 可选, 默认为 1e-06) — rms 归一化层使用的 epsilon 值。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。仅当config.is_decoder=True
时相关。 - pad_token_id (
int
, 可选, 默认为 2) — 填充 token id。 - bos_token_id (
int
, 可选, 默认为 1) — 流开始 token id。 - eos_token_id (
int
, 可选, 默认为 2) — 流结束 token id。 - pretraining_tp (
int
, 可选, 默认为 1) — 实验性功能。预训练期间使用的张量并行等级。请参考此文档以了解更多信息。此值对于确保预训练结果的完全可重复性是必要的。请参考此 issue。 - tie_word_embeddings (
bool
, 可选, 默认为False
) — 是否绑定权重 embedding - rope_theta (
float
, 可选, 默认为 10000.0) — RoPE embeddings 的基周期。 - rope_scaling (
Dict
, 可选) — 包含 RoPE embeddings 缩放配置的字典。注意:如果您应用新的 rope 类型,并期望模型在更长的max_position_embeddings
上工作,我们建议您相应地更新此值。预期内容:rope_type
(str
): 要使用的 RoPE 的子变体。可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 之一,其中 ‘default’ 是原始 RoPE 实现。factor
(float
, 可选): 与 ‘default’ 以外的所有 rope 类型一起使用。应用于 RoPE embeddings 的缩放因子。在大多数缩放类型中,因子 x 将使模型能够处理长度为 x * 原始最大预训练长度的序列。original_max_position_embeddings
(int
, 可选): 与 ‘dynamic’, ‘longrope’ 和 ‘llama3’ 一起使用。预训练期间使用的原始最大位置 embeddings。attention_factor
(float
, 可选): 与 ‘yarn’ 和 ‘longrope’ 一起使用。应用于注意力计算的缩放因子。如果未指定,则默认为实现建议的值,使用factor
字段推断建议值。beta_fast
(float
, 可选): 仅与 ‘yarn’ 一起使用。用于设置线性斜坡函数中外推(仅限)边界的参数。如果未指定,则默认为 32。beta_slow
(float
, 可选): 仅与 ‘yarn’ 一起使用。用于设置线性斜坡函数中内插(仅限)边界的参数。如果未指定,则默认为 1。short_factor
(List[float]
, 可选): 仅与 ‘longrope’ 一起使用。应用于短上下文(<original_max_position_embeddings
)的缩放因子。必须是数字列表,其长度与隐藏层大小除以注意力头数再除以 2 相同。long_factor
(List[float]
, 可选): 仅与 ‘longrope’ 一起使用。应用于长上下文(<original_max_position_embeddings
)的缩放因子。必须是数字列表,其长度与隐藏层大小除以注意力头数再除以 2 相同。low_freq_factor
(float
, 可选): 仅与 ‘llama3’ 一起使用。应用于 RoPE 低频分量的缩放因子。high_freq_factor
(float
, 可选): 仅与 ‘llama3’ 一起使用。应用于 RoPE 高频分量的缩放因子。 - attention_bias (
bool
, 可选, 默认为False
) — 在自注意力期间,是否在 query、key、value 和 output 投影层中使用 bias。 - attention_dropout (
float
, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - mlp_bias (
bool
, 可选, 默认为False
) — 是否在 MLP 层中的 up_proj、down_proj 和 gate_proj 层中使用 bias。 - head_dim (
int
, 可选) — 注意力头的维度。如果为 None,则默认为 hidden_size // num_heads - moe_num_experts (
int
, 可选, 默认为 8) — MoE 层中的专家数量。 - moe_topk (
int
, 可选, 默认为 2) — 每个 token 要路由到的顶部专家的数量。 - moe_num_shared_experts (
int
, 可选, 默认为 2) — 共享专家的数量。
此类处理 Aria 模型文本组件的配置。使用默认值实例化配置将产生与 Aria rhymes-ai/Aria 架构模型类似的配置。此类扩展了 LlamaConfig 以包含特定于专家混合(Mixture of Experts,MoE)架构的附加参数。
AriaConfig
class transformers.AriaConfig
< source >( vision_config = None vision_feature_layer: int = -1 text_config: AriaTextConfig = None projector_patch_to_query_dict: typing.Dict = None image_token_index: int = 9 initializer_range: float = 0.02 **kwargs )
参数
- vision_config (
AriaVisionConfig
或dict
, 可选) — 视觉组件的配置。 - vision_feature_layer (
int
, 可选, 默认为 -1) — 用于选择视觉特征的层的索引。 - text_config (
AriaTextConfig
或dict
, 可选) — 文本组件的配置。 - projector_patch_to_query_dict (
dict
, 可选) — patch 大小到 query 维度的映射。 - image_token_index (
int
, 可选, 默认为 9) — 用于表示图像 token 的索引。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。 - model_type (
str
) — 模型的类型,设置为"aria"
。 - image_token_index (
int
) — 用于表示图像 tokens 的索引。 - projector_patch_to_query_dict (
dict
) — patch 大小到 query 维度的映射。 - vision_config (
AriaVisionConfig
) — vision 组件的配置。 - text_config (
AriaTextConfig
) — text 组件的配置。
此类处理 Aria 模型的 vision 和 text 组件的配置,以及用于图像 token 处理和投影器映射的附加参数。使用默认值实例化配置将产生与 Aria rhymes-ai/Aria 架构模型类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。
AriaTextModel
class transformers.AriaTextModel
< source >( config: AriaTextConfig )
参数
- config (AriaTextConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
- config — AriaTextConfig
裸 AriaText 模型,输出原始隐藏状态,顶部没有任何特定的 head。此模型继承自 PreTrainedModel。查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
Transformer 解码器,由 config.num_hidden_layers 层组成。每一层都是一个 AriaTextDecoderLayer
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[transformers.cache_utils.Cache] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] )
参数
- input_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
) — 词汇表中输入序列 tokens 的索引。如果您提供 padding,默认情况下将被忽略。索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (形状为
(batch_size, sequence_length)
的torch.Tensor
, 可选) — Mask 以避免在 padding token 索引上执行 attention。 Mask 值在[0, 1]
中选择:- 1 代表 未被 mask 的 tokens,
- 0 代表 已被 mask 的 tokens。
索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可以选择仅输入最后的input_ids
(请参阅past_key_values
)。如果您想更改 padding 行为,您应该阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需求进行修改。 有关默认策略的更多信息,请参阅 论文 中的图 1。- 1 表示 head 未被 mask,
- 0 表示 head 已被 mask。
- position_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
, 可选) — 位置嵌入中每个输入序列 tokens 的位置索引。在[0, config.n_positions - 1]
范围内选择。 - past_key_values (
Cache
或tuple(tuple(torch.FloatTensor))
, 可选) — 预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可用于加速顺序解码。这通常包括模型在先前解码阶段返回的past_key_values
,当use_cache=True
或config.use_cache=True
时。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。 这也称为旧版缓存格式。
模型将输出与作为输入提供的缓存格式相同的缓存格式。 如果未传递
past_key_values
,则将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择仅输入最后的input_ids
(那些没有将其过去的键值状态提供给此模型的)形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
, 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。 如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将input_ids
索引转换为关联的向量,这将非常有用。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有 attention 层的 attentions 张量。 有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (形状为
(sequence_length)
的torch.LongTensor
, 可选) — 描述输入序列 tokens 在序列中位置的索引。 与position_ids
相反,此张量不受 padding 的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
AriaTextModel forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
AriaTextForCausalLM
用于因果语言建模任务的 Aria 模型。
此类扩展了 LlamaForCausalLM
以合并专家混合 (MoE) 方法,从而实现更高效和可扩展的语言建模。
forward
< source >( input_ids: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[typing.List[torch.FloatTensor], transformers.cache_utils.Cache, NoneType] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.aria.modeling_aria.KwargsForCausalLM] ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列 tokens 的索引。如果提供填充,默认情况下将被忽略。索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
, 可选) — 用于避免在填充 token 索引上执行注意力的掩码。掩码值在[0, 1]
中选择:- 1 表示 未被掩盖 的 tokens,
- 0 表示 被掩盖 的 tokens。
索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。
如果使用
past_key_values
,则可以选择只输入最后的input_ids
(请参阅past_key_values
)。如果您想更改填充行为,您应该阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需要进行修改。 有关默认策略的更多信息,请参阅 论文 中的图 1。- 1 表示 head 未被掩盖,
- 0 表示 head 被掩盖。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列 tokens 的位置索引。在范围[0, config.n_positions - 1]
中选择。 - past_key_values (
Cache
或tuple(tuple(torch.FloatTensor))
, 可选) — 预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可用于加速顺序解码。 这通常由模型在先前解码阶段返回的past_key_values
组成,当use_cache=True
或config.use_cache=True
时。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(tuple(torch.FloatTensor))
元组,每个元组具有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的 tensors。 这也称为旧版缓存格式。
模型将输出与作为输入提供的缓存格式相同的格式。 如果未传递
past_key_values
,则将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择仅输入最后input_ids
(那些没有将其过去的键值状态提供给此模型的) ,形状为(batch_size, 1)
而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。 如果您希望比模型的内部嵌入查找矩阵更灵活地控制如何将input_ids
索引转换为关联的向量,这将非常有用。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码 (请参阅past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力 tensors。 有关更多详细信息,请参阅返回的 tensors 下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息,请参阅返回的 tensors 下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
, 可选) — 描述输入序列 tokens 在序列中位置的索引。 与position_ids
相反,此 tensor 不受填充的影响。 它用于在正确的位置更新缓存,并推断完整的序列长度。 - labels (
torch.LongTensor
,形状为(batch_size, sequence_length)
, 可选) — 用于计算掩码语言建模损失的标签。 索引应在[0, ..., config.vocab_size]
或 -100 中(请参阅input_ids
文档字符串)。 索引设置为-100
的 tokens 将被忽略(掩盖),损失仅针对标签在[0, ..., config.vocab_size]
中的 tokens 计算。 - logits_to_keep (
int
或torch.Tensor
, 可选) — 如果是int
,则计算最后logits_to_keep
个 tokens 的 logits。 如果为0
,则计算所有input_ids
的 logits(特殊情况)。 仅生成需要最后一个 token logits,并且仅为该 token 计算它们可以节省内存,这对于长序列或大词汇量而言变得非常重要。 如果是torch.Tensor
,则必须是与要保留在序列长度维度中的索引相对应的 1D。 当使用 packed tensor 格式(批次和序列长度的单个维度)时,这很有用。
Returns
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),其中包含各种元素,具体取决于配置 (AriaTextConfig) 和输入。
-
loss (
torch.FloatTensor
,形状为(1,)
, 可选, 当提供labels
时返回) — 语言建模损失(用于下一个 token 预测)。 -
logits (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模 head 的预测分数(SoftMax 之前每个词汇表 token 的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
元组,每个元组具有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的 tensors)包含预先计算的隐藏状态(自注意力模块中的键和值),可以用于(请参阅
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(对于嵌入的输出,如果模型具有嵌入层,则为一个;对于每一层的输出,则为一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力 heads 中的加权平均值。
AriaTextForCausalLM forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoTokenizer, AriaTextForCausalLM
>>> model = AriaTextForCausalLM.from_pretrained("meta-aria_text/AriaText-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-aria_text/AriaText-2-7b-hf")
>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."
AriaForConditionalGeneration
class transformers.AriaForConditionalGeneration
< source >( config: AriaConfig )
参数
- config (
AriaConfig
) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
用于条件生成任务的 Aria 模型。
此模型结合了视觉塔、多模态投影器和语言模型,以执行涉及图像和文本输入的任务。 此模型继承自 PreTrainedModel。 查看超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝 head 等)。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( input_ids: LongTensor = None pixel_values: FloatTensor = None pixel_mask: LongTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[typing.List[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 cache_position: typing.Optional[torch.LongTensor] = None **loss_kwargs ) → transformers.models.aria.modeling_aria.AriaCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
, 可选) — 输入 token IDs。 - pixel_values (
torch.FloatTensor
, 可选) — 图像的像素值。 - pixel_mask (
torch.LongTensor
, 可选) — 像素值的掩码。 - attention_mask (
torch.Tensor
, 可选) — 注意力掩码。 - position_ids (
torch.LongTensor
, 可选) — 位置 IDs。 - past_key_values (
List[torch.FloatTensor]
, 可选) — 用于高效处理的过去键值。 - inputs_embeds (
torch.FloatTensor
, 可选) — 输入嵌入。 - labels (
torch.LongTensor
, 可选) — 用于计算语言建模损失的标签。 - use_cache (
bool
, 可选) — 是否使用模型的缓存机制。 - output_attentions (
bool
, 可选) — 是否输出注意力权重。 - output_hidden_states (
bool
, 可选) — 是否输出隐藏状态。 - return_dict (
bool
, 可选) — 是否返回ModelOutput
对象。 - logits_to_keep (
int
或torch.Tensor
, 可选, 默认为 0) — 如果是int
类型,则计算最后logits_to_keep
个 token 的 logits,如果为0
则计算所有input_ids
的 logits。 否则,根据序列长度维度中的 1D 张量进行切片 - cache_position (
torch.LongTensor
, 可选) — 缓存位置。 - **loss_kwargs — 用于损失计算的附加关键字参数。
- labels (
torch.LongTensor
,形状为(batch_size, sequence_length)
, 可选) — 用于计算掩码语言建模损失的标签。 索引应在[0, ..., config.vocab_size]
或model.image_token_id
之间(其中model
是您的Idefics3ForConditionalGeneration
实例)。 索引设置为model.image_token_id
的 token 将被忽略(掩码),损失仅针对标签在[0, ..., config.vocab_size]
中的 token 计算。
Returns
transformers.models.aria.modeling_aria.AriaCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.models.aria.modeling_aria.AriaCausalLMOutputWithPast
或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (<class 'transformers.models.aria.configuration_aria.AriaConfig'>
) 和输入。
-
loss (
torch.FloatTensor
,形状为(1,)
, 可选, 当提供labels
时返回) — 语言建模损失(用于下一个 token 预测)。 -
logits (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模 head 的预测分数(SoftMax 之前每个词汇表 token 的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
元组,每个元组具有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的 tensors)包含预先计算的隐藏状态(自注意力模块中的键和值),可以用于(请参阅
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
元组(对于嵌入的输出,如果模型具有嵌入层,则为一个;对于每一层的输出,则为一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力 heads 中的加权平均值。
-
image_hidden_states (
torch.FloatTensor
, 可选) — 一个大小为 (batch_size, num_images, sequence_length, hidden_size)` 的torch.FloatTensor
。 由视觉编码器生成并在投影最后一个隐藏状态之后得到的模型的 image_hidden_states。`
The AriaForConditionalGeneration forward 方法,覆盖了 __call__
特殊方法。
虽然 forward 传递的配方需要在该函数中定义,但之后应该调用 Module
实例而不是此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> import requests
>>> import torch
>>> from PIL import Image
>>> from io import BytesIO
>>> from transformers import AutoProcessor, AutoModel
>>> from transformers.image_utils import load_image
>>> # Note that passing the image urls (instead of the actual pil images) to the processor is also possible
>>> image1 = load_image("https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg")
>>> image2 = load_image("https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg")
>>> image3 = load_image("https://cdn.britannica.com/68/170868-050-8DDE8263/Golden-Gate-Bridge-San-Francisco.jpg")
>>> processor = AutoProcessor.from_pretrained("Rhymes-AI/Aria")
>>> model = AutoModel.from_pretrained("Rhymes-AI/Aria", torch_dtype=torch.bfloat16, device_map="auto")
>>> # Create inputs
>>> messages = [
... {
... "role": "user",
... "content": [
... {"type": "image"},
... {"type": "text", "text": "In this image, we can see the city of New York, and more specifically the Statue of Liberty."},
... {"type": "image"},
... {"type": "text", "text": "What can we see in this image?"},
... ]
... },
... {
... "role": "user",
... "content": [
... {"type": "image"},
... {"type": "text", "text": "In which city is that bridge located?"},
... ]
... }
... ]
>>> prompts = [processor.apply_chat_template([message], add_generation_prompt=True) for message in messages]
>>> images = [[image1, image2], [image3]]
>>> inputs = processor(text=prompts, images=images, padding=True, return_tensors="pt").to(model.device)
>>> # Generate
>>> generated_ids = model.generate(**inputs, max_new_tokens=256)
>>> generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
>>> print(generated_texts[0])
Assistant: There are buildings, trees, lights, and water visible in this image.
>>> print(generated_texts[1])
Assistant: The bridge is in San Francisco.