Transformers 文档
Aria
并获得增强的文档体验
开始使用
Aria
Aria 是一个多模态混合专家 (MoE) 模型。该模型的目标是开源一个从头开始创建多模态原生模型的训练方法。Aria 对每个视觉和文本标记分别具有 39 亿和 35 亿个激活参数。文本由 MoE 解码器处理,视觉输入由轻量级视觉编码器处理。它分 4 个阶段进行训练:语言预训练、多模态预训练、多模态长上下文预训练和多模态后训练。
你可以在 Aria 组织下找到所有原始的 Aria 检查点。
单击右侧边栏中的 Aria 模型,了解更多关于如何将 Aria 应用于不同多模态任务的示例。
下面的示例演示了如何使用 Pipeline 或 AutoModel 类根据图像生成文本。
import torch
from transformers import pipeline
pipeline = pipeline(
"image-to-text",
model="rhymes-ai/Aria",
device=0,
torch_dtype=torch.bfloat16
)
pipeline(
"https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg",
text="What is shown in this image?"
)
量化通过以较低精度表示权重来减少大型模型的内存负担。有关更多可用量化后端,请参阅量化概述。
下面的示例使用 torchao 将权重仅量化为 int4,并使用 rhymes-ai/Aria-sequential_mlp 检查点。该检查点将分组的 GEMM 替换为 torch.nn.Linear
层,以便于量化。
# pip install torchao
import torch
from transformers import TorchAoConfig, AutoModelForCausalLM, AutoProcessor
quantization_config = TorchAoConfig("int4_weight_only", group_size=128)
model = AutoModelForCausalLM.from_pretrained(
"rhymes-ai/Aria-sequential_mlp",
torch_dtype=torch.bfloat16,
device_map="auto",
quantization_config=quantization_config
)
processor = AutoProcessor.from_pretrained(
"rhymes-ai/Aria-sequential_mlp",
)
messages = [
{
"role": "user", "content": [
{"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
{"type": "text", "text": "What is shown in this image?"},
]
},
]
inputs = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt")
inputs = inputs.to(model.device, torch.bfloat16)
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)
print(response)
AriaImageProcessor
class transformers.AriaImageProcessor
< 来源 >( image_mean: typing.Optional[list[float]] = None image_std: typing.Optional[list[float]] = None max_image_size: int = 980 min_image_size: int = 336 split_resolutions: typing.Optional[list[tuple[int, int]]] = None split_image: typing.Optional[bool] = False do_convert_rgb: typing.Optional[bool] = True do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 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]) — 用于归一化的均值。 - image_std (
list
, 可选,默认为 [0.5, 0.5, 0.5]) — 用于归一化的标准差值。 - 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,默认为以元组形式表示的最佳分辨率列表) — 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
, 可选,默认为True
) — 是否将图像转换为 RGB。 - do_rescale (
bool
, 可选,默认为True
) — 是否通过指定的缩放因子rescale_factor
重新缩放图像。可在preprocess
方法中被do_rescale
覆盖。 - rescale_factor (
int
或float
, 可选,默认为1/255
) — 如果重新缩放图像,使用的缩放因子。可在preprocess
方法中被rescale_factor
覆盖。 - do_normalize (
bool
, 可选,默认为True
) — 是否归一化图像。 - resample (PILImageResampling, 可选,默认为
BICUBIC
) — 如果调整图像大小,使用的重采样滤波器。
Aria 模型的视觉处理器,用于处理图像预处理。初始化 AriaImageProcessor。
get_image_patches
< 来源 >( image: <built-in function array> grid_pinpoints: list 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]]) — 一系列可能的分辨率,以元组形式表示。
- patch_size (
int
) — 用于将图像分割成块的大小。 - resample (
PILImageResampling
) — 如果调整图像大小,使用的重采样滤波器。 - data_format (
ChannelDimension
或str
) — 输出图像的通道维度格式。 - input_data_format (
ChannelDimension
或str
) — 输入图像的通道维度格式。
返回
list[np.array]
包含处理后图像块的 NumPy 数组列表。
通过将图像分割成块来处理具有可变分辨率的图像。
get_number_of_image_patches
< 来源 >( height: int width: int images_kwargs = None ) → int
一个实用工具,返回给定图像大小的图像块数。
pad
< 来源 >( image: ndarray padding: typing.Union[int, tuple[int, int], collections.abc.Iterable[tuple[int, int]]] mode: PaddingMode = <PaddingMode.CONSTANT: 'constant'> constant_values: typing.Union[float, collections.abc.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
或tuple[int, int]
或Iterable[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))
每个轴的唯一填充宽度。((before, after),)
为高度和宽度产生相同的 before 和 after 填充。(pad,)
或 int 是所有轴 before = after = pad 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"
: 使用常量值填充。"reflect"
: 使用向量在每个轴的第一个和最后一个值上镜像的反射进行填充。"replicate"
: 使用数组边缘的最后一个值沿每个轴进行复制填充。"symmetric"
: 使用向量沿数组边缘镜像的反射进行填充。
- constant_values (
float
或Iterable[float]
, 可选) — 如果mode
为"constant"
,用于填充的值。 - 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。
返回
np.ndarray
填充后的图像。
使用指定的 `padding` 和 `mode` 对 `image` 进行填充。填充可以在 ( `height` , `width` ) 维度或 ( `num_patches` ) 维度进行。在第二种情况下,需要输入一个元组的可迭代对象。
preprocess
< 来源 >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], 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, list[float], NoneType] = None image_std: typing.Union[float, 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_rescale: typing.Optional[bool] = None rescale_factor: typing.Optional[float] = 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 或 ImageInput 列表) — 输入的图像或图像列表。
- image_mean (
list
, 可选, 默认为 [0.5, 0.5, 0.5]) — 用于归一化的均值。 - image_std (
list
, 可选, 默认为 [0.5, 0.5, 0.5]) — 用于归一化的标准差值。 - max_image_size (
int
, 可选, 默认为self.max_image_size
(980)) — 最大图像尺寸。 - min_image_size (
int
, 可选, 默认为self.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_rescale (
bool
, 可选, 默认为self.do_rescale
) — 是否对图像进行缩放。 - rescale_factor (
float
, 可选, 默认为self.rescale_factor
) — 如果do_rescale
设置为True
,用于缩放图像的缩放因子。 - do_normalize (
bool
, 可选, 默认为self.do_normalize
(True)) — 是否对图像进行归一化。 - resample (PILImageResampling, 可选, 默认为
self.resample
(BICUBIC)) — 如果需要调整图像大小,使用的重采样滤波器。 - 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,将使用推断出的输入图像格式。
返回
批次特征
包含以下内容的 BatchFeature 对象:
- ‘pixel_values’: 处理后图像像素值的张量。
- ‘pixel_mask’: 布尔像素掩码。此掩码是一个形状为 (max_image_size, max_image_size) 的二维张量,其中
- True (1) 值表示属于原始调整大小后图像的像素。
- False (0) 值表示属于填充部分的像素。此掩码有助于在后续处理步骤中区分实际图像内容和填充区域。
- ‘num_crops’: 所有图像中的最大裁切数量。
处理一个图像列表。
AriaProcessor
class transformers.AriaProcessor
< 源代码 >( image_processor = None tokenizer: typing.Union[transformers.models.auto.tokenization_auto.AutoTokenizer, str] = None chat_template: typing.Optional[str] = None size_conversion: typing.Optional[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 的一个实例。这应与模型的文本模型相对应。分词器是必需的输入。 - chat_template (
str
, 可选) — 一个 Jinja 模板,用于将聊天中的消息列表转换为可分词的字符串。 - size_conversion (
Dict
, 可选) — 一个指示图像尺寸转换的字典。
AriaProcessor 是 Aria 模型的处理器,它封装了 Aria 图像预处理器和 LLama 慢速分词器。
此方法将其所有参数转发给 LlamaTokenizerFast 的 batch_decode()。请参阅该方法的文档字符串以获取更多信息。
AriaTextConfig
class transformers.AriaTextConfig
< 源代码 >( 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。定义了在调用 LlamaModel 时传入的 `inputs_ids` 可以表示的不同标记的数量。 - hidden_size (
int
, 可选, 默认为 4096) — 隐藏表示的维度。 - 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 解码器中的隐藏层数量。 - 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量。 - num_key_value_heads (
int
, 可选) — 这是用于实现分组查询注意力(Grouped Query Attention)的键值头数量。如果 `num_key_value_heads=num_attention_heads`,模型将使用多头注意力(MHA);如果 `num_key_value_heads=1`,模型将使用多查询注意力(MQA);否则使用 GQA。将多头检查点转换为 GQA 检查点时,每个组的键和值头应通过对该组内所有原始头进行均值池化来构建。更多细节,请参阅这篇论文。如果未指定,将默认为 `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) — 该模型可能使用的最大序列长度。Llama 1 支持最多 2048 个标记,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 truncated_normal_initializer 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一个键/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) — 填充标记 ID。 - bos_token_id (
int
, 可选, 默认为 1) — 流开始标记 ID。 - eos_token_id (
int
, 可选, 默认为 2) — 流结束标记 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。请参阅此文档以了解更多信息。此值对于确保预训练结果的精确可复现性是必需的。请参阅此问题。 - tie_word_embeddings (
bool
, 可选, 默认为False
) — 是否绑定词嵌入权重 - rope_theta (
float
, 可选, 默认为 10000.0) — RoPE 嵌入的基础周期。 - rope_scaling (
Dict
, 可选) — 包含 RoPE 嵌入缩放配置的字典。注意:如果你应用了新的 rope 类型并且希望模型能在更长的 `max_position_embeddings` 上工作,我们建议你相应地更新此值。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’ 是原始的 RoPE 实现。`factor` (float
, *可选*):用于除 ‘default’ 之外的所有 rope 类型。应用于 RoPE 嵌入的缩放因子。在大多数缩放类型中,`factor` 为 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*):用于 ‘dynamic’、‘longrope’ 和 ‘llama3’。预训练期间使用的原始最大位置嵌入。`attention_factor` (float
, *可选*):用于 ‘yarn’ 和 ‘longrope’。应用于注意力计算的缩放因子。如果未指定,它将默认为实现推荐的值,使用 `factor` 字段来推断建议值。`beta_fast` (float
, *可选*):仅用于 ‘yarn’。用于设置线性斜坡函数中(仅)外推边界的参数。如果未指定,默认为 32。`beta_slow` (float
, *可选*):仅用于 ‘yarn’。用于设置线性斜坡函数中(仅)内插边界的参数。如果未指定,默认为 1。`short_factor` (list[float]
, *可选*):仅用于 ‘longrope’。应用于短上下文(< `original_max_position_embeddings`)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数再除以 2 相同。`long_factor` (list[float]
, *可选*):仅用于 ‘longrope’。应用于长上下文(> `original_max_position_embeddings`)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数再除以 2 相同。`low_freq_factor` (float
, *可选*):仅用于 ‘llama3’。应用于 RoPE 低频分量的缩放因子。`high_freq_factor` (float
, *可选*):仅用于 ‘llama3’。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查询、键、值和输出投影层中使用偏置。 - attention_dropout (
float
, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。 - mlp_bias (
bool
, optional, 默认为False
) — 是否在 MLP 层的 up_proj、down_proj 和 gate_proj 层中使用偏置。 - head_dim (
int
, optional) — 注意力头的维度。如果为 None,则默认为 hidden_size // num_heads - moe_num_experts (
int
, optional, 默认为 8) — MoE 层中的专家数量。 - moe_topk (
int
, optional, 默认为 2) — 为每个词元(token)路由到的顶尖专家数量。 - moe_num_shared_experts (
int
, optional, 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,以包含特定于混合专家(Mixture of Experts, MoE)架构的附加参数。
AriaConfig
class transformers.AriaConfig
< 源 >( vision_config = None vision_feature_layer: int = -1 text_config: AriaTextConfig = None projector_patch_to_query_dict: typing.Optional[dict] = None image_token_index: int = 9 initializer_range: float = 0.02 **kwargs )
参数
- vision_config (
AriaVisionConfig
或dict
, optional) — 视觉组件的配置。 - vision_feature_layer (
int
, optional, 默认为 -1) — 用于选择视觉特征的层的索引。 - text_config (
AriaTextConfig
或dict
, optional) — 文本组件的配置。 - projector_patch_to_query_dict (
dict
, optional) — 图像块(patch)大小到查询维度的映射。 - image_token_index (
int
, optional, 默认为 9) — 用于表示图像词元(token)的索引。 - initializer_range (
float
, optional, 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
) — 模型类型,设置为"aria"
。 - image_token_index (
int
) — 用于表示图像词元(token)的索引。 - projector_patch_to_query_dict (
dict
) — 图像块(patch)大小到查询维度的映射。 - vision_config (
AriaVisionConfig
) — 视觉组件的配置。 - text_config (
AriaTextConfig
) — 文本组件的配置。
此类处理 Aria 模型的视觉和文本组件的配置,以及用于图像词元处理和投影仪映射的附加参数。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
< 源 >( config: AriaTextConfig )
参数
- config (AriaTextConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
基础的 Aria 文本模型,输出原始的隐藏状态,没有任何特定的头部。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源 >( input_ids: typing.Optional[torch.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 cache_position: typing.Optional[torch.LongTensor] = None **flash_attn_kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,optional) — 词汇表中输入序列词元(token)的索引。默认情况下将忽略填充。索引可以使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,optional) — 用于避免对填充词元索引执行注意力计算的掩码。掩码值选自[0, 1]
:- 1 表示词元未被掩码,
- 0 表示词元已被掩码。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,optional) — 每个输入序列词元在位置嵌入中的位置索引。选自范围[0, config.n_positions - 1]
。 - past_key_values (
~cache_utils.Cache
, optional) — 预先计算的隐藏状态(自注意力和交叉注意力块中的键和值),可用于加速序列解码。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时由模型返回的past_key_values
。允许两种格式:
- 一个 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))
,其中每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也称为传统缓存格式。
模型将输出与输入相同的缓存格式。如果没有传递
past_key_values
,则将返回传统缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有提供给该模型的过去键值状态的词元),其形状为(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)
,optional) — 可选地,你可以选择直接传递嵌入表示,而不是传递input_ids
。如果你希望比模型内部的嵌入查找矩阵更能控制如何将input_ids
索引转换为相关向量,这将非常有用。 - use_cache (
bool
, optional) — 如果设置为True
,将返回past_key_values
键值状态,并可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 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
。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,optional) — 描述输入序列词元在序列中位置的索引。与position_ids
不同,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
返回
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 `torch.FloatTensor` 元组(如果传递了 `return_dict=False` 或 `config.return_dict=False`),根据配置(AriaConfig)和输入包含各种元素。
-
last_hidden_state (
torch.FloatTensor
, 形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。如果使用了
past_key_values
,则只输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
Cache
, optional, 在传递use_cache=True
或config.use_cache=True
时返回) — 这是一个 Cache 实例。有关更多详细信息,请参阅我们的 KV 缓存指南。包含预先计算的隐藏状态(自注意力块中的键和值,如果 `config.is_encoder_decoder=True`,则还包括交叉注意力块中的键和值),可用于(参见 `past_key_values` 输入)加速序列解码。
-
hidden_states (
tuple(torch.FloatTensor)
, optional, 在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,一个是嵌入层的输出,+ 每个层一个输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 在传递output_attentions=True
或config.output_attentions=True
时返回) — `torch.FloatTensor` 的元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
AriaTextModel 的 forward 方法覆盖了 `__call__` 特殊方法。
虽然前向传播的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者负责运行前后处理步骤,而后者会静默忽略它们。
AriaModel
class transformers.AriaModel
< 源 >( config: AriaConfig )
参数
- config (AriaConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
Aria 模型由一个视觉主干网络和一个语言模型组成,不带语言建模头。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源 >( 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[list[torch.FloatTensor]] = 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 **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.models.aria.modeling_aria.AriaModelOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列词元(token)的索引。默认情况下将忽略填充。索引可以使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。像素值可以使用{image_processor_class}
获取。有关详细信息,请参阅{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
处理图像)。 - pixel_mask (
torch.LongTensor
,形状为(batch_size, height, width)
) — 用于避免对填充像素值执行注意力计算的掩码。掩码值选自[0, 1]
:- 1 表示像素是真实的(即未被掩码),
- 0 表示像素是填充的(即已被掩码)。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,optional) — 用于避免对填充词元索引执行注意力计算的掩码。掩码值选自[0, 1]
:- 1 表示词元未被掩码,
- 0 表示词元已被掩码。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,optional) — 每个输入序列词元在位置嵌入中的位置索引。选自范围[0, config.n_positions - 1]
。 - past_key_values (
list[torch.FloatTensor]
, optional) — 预先计算的隐藏状态(自注意力和交叉注意力块中的键和值),可用于加速序列解码。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时由模型返回的past_key_values
。允许两种格式:
- 一个 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))
,其中每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也称为传统缓存格式。
模型将输出与输入相同的缓存格式。如果没有传递
past_key_values
,则将返回传统缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有提供给该模型的过去键值状态的词元),其形状为(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)
,optional) — 可选地,你可以选择直接传递嵌入表示,而不是传递input_ids
。如果你希望比模型内部的嵌入查找矩阵更能控制如何将input_ids
索引转换为相关向量,这将非常有用。 - use_cache (
bool
, optional) — 如果设置为True
,将返回past_key_values
键值状态,并可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 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
, optional) — 是否返回 ModelOutput 而不是普通的元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,optional) — 描述输入序列词元在序列中位置的索引。与position_ids
不同,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
返回
transformers.models.aria.modeling_aria.AriaModelOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.models.aria.modeling_aria.AriaModelOutputWithPast
或一个 `torch.FloatTensor` 元组(如果传递了 `return_dict=False` 或 `config.return_dict=False`),根据配置(AriaConfig)和输入包含各种元素。
-
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
, 可选) — 模型最后一层输出的隐藏状态序列。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, optional, 在传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,其中每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。包含预计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple[torch.FloatTensor, ...]
, optional, 在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,一个是嵌入层的输出,+ 每个层一个输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple[torch.FloatTensor, ...]
, optional, 在传递output_attentions=True
或config.output_attentions=True
时返回) — `torch.FloatTensor` 的元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
-
image_hidden_states (
torch.FloatTensor
, optional) — 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后得到的模型的 image_hidden_states。
AriaModel 的 forward 方法覆盖了 `__call__` 特殊方法。
虽然前向传播的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者负责运行前后处理步骤,而后者会静默忽略它们。
get_image_features
< 源 >( pixel_values: FloatTensor pixel_mask: typing.Optional[torch.FloatTensor] = None vision_feature_layer: int = -1 ) → image_features (torch.Tensor
)
参数
- pixel_values (
torch.FloatTensor]
,形状为(batch_size, channels, height, width)
) — 对应于输入图像的张量。 - pixel_mask (
torch.FloatTensor]
, 可选) — 对应于输入图像掩码的张量。 - vision_feature_layer (
Union[int, list[int]]
, 可选) — 用于选择视觉特征的层的索引。如果提供了多个索引,则相应索引的视觉特征将被连接起来形成视觉特征。
返回
image_features (torch.Tensor
)
形状为 (num_images, image_length, embed_dim)
的图像特征张量。
从视觉塔获取图像最后隐藏状态并应用多模态投影。
AriaTextForCausalLM
class transformers.AriaTextForCausalLM
< 源代码 >( config: AriaTextConfig )
参数
- config (AriaTextConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
用于因果语言建模的 Aria 模型。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源代码 >( input_ids: typing.Optional[torch.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 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 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)
, 可选) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
, 可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被掩码,
- 0 表示标记被掩码。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
, 可选) — 每个输入序列标记在位置嵌入中的位置索引。在[0, config.n_positions - 1]
范围内选择。 - past_key_values (
~cache_utils.Cache
, 可选) — 预先计算的隐藏状态(自注意力和交叉注意力块中的键和值),可用于加速顺序解码。这通常包括在解码的前一阶段,当use_cache=True
或config.use_cache=True
时,模型返回的past_key_values
。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。
模型将输出与输入相同的缓存格式。如果没有传递
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有为其提供过去键值状态的标记),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
。如果您想比模型内部的嵌入查找矩阵更好地控制如何将input_ids
索引转换为相关向量,这将非常有用。 - 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 (参见input_ids
文档字符串) 中。索引设置为-100
的标记将被忽略 (掩码),损失仅对标签在[0, ..., config.vocab_size]
中的标记计算。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。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
。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
, 可选) — 描绘输入序列标记在序列中位置的索引。与position_ids
相反,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。 - logits_to_keep (
Union[int, torch.Tensor]
, 默认为0
) — 如果是int
,则计算最后logits_to_keep
个标记的 logits。如果为0
,则计算所有input_ids
的 logits(特殊情况)。生成时只需要最后一个标记的 logits,仅为此标记计算可以节省内存,这对于长序列或大词汇表大小来说非常重要。如果是一个torch.Tensor
,必须是 1D 的,对应于在序列长度维度中要保留的索引。这在使用打包张量格式(批处理和序列长度的单个维度)时很有用。
返回
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),根据配置(AriaConfig)和输入,包含各种元素。
-
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 (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
Cache
, optional, 在传递use_cache=True
或config.use_cache=True
时返回) — 这是一个 Cache 实例。有关更多详细信息,请参阅我们的 KV 缓存指南。包含预计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,一个是嵌入层的输出,+ 每个层一个输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 在传递output_attentions=True
或config.output_attentions=True
时返回) — `torch.FloatTensor` 的元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
AriaTextForCausalLM 的前向方法会覆盖 __call__
特殊方法。
虽然前向传播的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者负责运行前后处理步骤,而后者会静默忽略它们。
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
< 源代码 >( config: AriaConfig )
参数
- config (AriaConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
用于条件生成任务的 Aria 模型。
该模型结合了视觉塔、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。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源代码 >( 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[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 **kwargs: typing_extensions.Unpack[transformers.models.aria.modeling_aria.KwargsForCausalLM] ) → transformers.models.aria.modeling_aria.AriaCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。可以使用{image_processor_class}
获取像素值。有关详细信息,请参阅{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
处理图像)。 - pixel_mask (
torch.LongTensor
,形状为(batch_size, height, width)
) — 用于避免对填充像素值执行注意力计算的掩码。掩码值在[0, 1]
中选择:- 1 表示像素是真实的 (即 未被掩码),
- 0 表示像素是填充的 (即 被掩码)。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
, 可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被掩码,
- 0 表示标记被掩码。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
, 可选) — 每个输入序列标记在位置嵌入中的位置索引。在[0, config.n_positions - 1]
范围内选择。 - past_key_values (
list[torch.FloatTensor]
, 可选) — 预先计算的隐藏状态(自注意力和交叉注意力块中的键和值),可用于加速顺序解码。这通常包括在解码的前一阶段,当use_cache=True
或config.use_cache=True
时,模型返回的past_key_values
。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。
模型将输出与输入相同的缓存格式。如果没有传递
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有为其提供过去键值状态的标记),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
。如果您想比模型内部的嵌入查找矩阵更好地控制如何将input_ids
索引转换为相关向量,这将非常有用。 - 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
中(其中model
是您的AriaForConditionalGeneration
实例)。索引设置为model.image_token_id
的标记将被忽略(掩码),损失仅对标签在[0, ..., config.vocab_size]
中的标记计算。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。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) — 是否返回一个 ModelOutput 而不是一个普通的元组。 - logits_to_keep (
Union[int, torch.Tensor]
, 默认为0
) — 如果是int
,则计算最后logits_to_keep
个标记的 logits。如果为0
,则计算所有input_ids
的 logits(特殊情况)。生成时只需要最后一个标记的 logits,仅为此标记计算可以节省内存,这对于长序列或大词汇表大小来说非常重要。如果是一个torch.Tensor
,必须是 1D 的,对应于在序列长度维度中要保留的索引。这在使用打包张量格式(批处理和序列长度的单个维度)时很有用。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
, 可选) — 描绘输入序列标记在序列中位置的索引。与position_ids
相反,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
返回
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),根据配置(AriaConfig)和输入,包含各种元素。
-
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 (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, optional, 在传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,其中每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。包含预计算的隐藏状态(自注意力块中的键和值),可用于(参见
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config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (如果模型有嵌入层,则一个用于嵌入层的输出,+ 一个用于每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple[torch.FloatTensor]
, 可选, 当传递output_attentions=True
或config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
-
image_hidden_states (
torch.FloatTensor
, optional) — 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后得到的模型的 image_hidden_states。
AriaForConditionalGeneration 的前向方法会覆盖 __call__
特殊方法。
虽然前向传播的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者负责运行前后处理步骤,而后者会静默忽略它们。
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.