Transformers 文档

艾莉亚 (Aria)

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

艾莉亚 (Aria)

PyTorch FlashAttention SDPA

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。

此模型由 m-ric 贡献。原始代码可以在这里找到。

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

< >

( 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 to True) — 是否将图像转换为 RGB 格式。
  • do_normalize (bool, optional, defaults to True) — 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

< >

( 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 or str) — 输出图像的通道维度格式。
  • input_data_format (ChannelDimension or str) — 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

< >

( 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 or Tuple[int, int] or 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 or Iterable[float], optional) — 如果 mode"constant",则用于填充的值。
  • data_format (str or ChannelDimension, optional) — 输出图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"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 or ChannelDimension, optional) — 输入图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"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 paddingmode 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

< >

( 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 to self.max_image_size (980)) — 最大图像尺寸。
  • min_image_size (int, optional, defaults to 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_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 (strTensorType, 可选, 默认为 “pt”) — 返回的张量类型。
  • data_format (strChannelDimension, 可选) — 输出图像的通道维度格式。 可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"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 (strChannelDimension, 可选) — 输入图像的通道维度格式。 可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"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

< >

( 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。

batch_decode

< >

( *args **kwargs )

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。

decode

< >

( *args **kwargs )

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

< >

( 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 (strfunction, 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

< >

( 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 (AriaVisionConfigdict, 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 (AriaTextConfigdict, 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

< >

( 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

< >

( 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)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()PreTrainedTokenizer.call()

    什么是输入 IDs?

  • attention_mask (形状为 (batch_size, sequence_length)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。

    什么是 attention masks?

    索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode()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)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。

    什么是位置 IDs?

  • past_key_values (Cachetuple(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=Trueconfig.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_layerstuple(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)input_ids

  • inputs_embeds (形状为 (batch_size, sequence_length, hidden_size)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)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

class transformers.AriaTextForCausalLM

< >

( config: AriaTextConfig )

参数

  • config (AriaTextConfig) — 模型的配置对象。

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

< >

( 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.CausalLMOutputWithPasttuple(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()PreTrainedTokenizer.call() 以了解详细信息。

    什么是输入 IDs?

  • 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。

    什么是注意力掩码?

    索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode()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。

    什么是位置 IDs?

  • past_key_values (Cachetuple(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=Trueconfig.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_layerstuple(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)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 (inttorch.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.CausalLMOutputWithPasttuple(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_layerstuple(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

< >

( 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

< >

( 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.AriaCausalLMOutputWithPasttuple(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 (inttorch.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]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.AriaCausalLMOutputWithPasttuple(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_layerstuple(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.
< > GitHub 上更新