Big Transfer (BiT)

概览

BiT 模型在 Big Transfer (BiT): General Visual Representation Learning 中被提出，作者是 Alexander Kolesnikov、Lucas Beyer、Xiaohua Zhai、Joan Puigcerver、Jessica Yung、Sylvain Gelly、Neil Houlsby。BiT 是一个简单的配方，用于扩大 ResNet 类架构（特别是 ResNetv2）的预训练。该方法显著改进了迁移学习。

论文的摘要如下：

预训练表示的迁移提高了样本效率，并简化了在视觉方面训练深度神经网络时的超参数调整。我们重新审视了在大型监督数据集上进行预训练，并在目标任务上微调模型的范例。我们扩大了预训练规模，并提出了一个简单的配方，我们称之为 Big Transfer (BiT)。通过结合一些精心选择的组件，并使用简单的启发式方法进行迁移，我们在 20 多个数据集上取得了强大的性能。BiT 在令人惊讶的广泛数据范围内表现良好 —— 从每个类别 1 个示例到总共 100 万个示例。BiT 在 ILSVRC-2012 上实现了 87.5% 的 top-1 准确率，在 CIFAR-10 上实现了 99.4%，在 19 项任务的 Visual Task Adaptation Benchmark (VTAB) 上实现了 76.3%。在小型数据集上，BiT 在每个类别 10 个示例的 ILSVRC-2012 上达到了 76.8%，在每个类别 10 个示例的 CIFAR-10 上达到了 97.0%。我们对导致高迁移性能的主要组件进行了详细分析。

此模型由 nielsr 贡献。原始代码可以在这里找到。

使用技巧

BiT 模型在架构上等同于 ResNetv2，除了：1) 所有批归一化层都被组归一化替换，2) 权重标准化用于卷积层。作者表明，两者的结合对于使用大批量大小进行训练很有用，并且对迁移学习有显著影响。

资源

官方 Hugging Face 和社区 (🌎 表示) 资源列表，可帮助您开始使用 BiT。

图像分类

BitForImageClassification 由此示例脚本和笔记本支持。
另请参阅：图像分类任务指南

如果您有兴趣提交资源以包含在此处，请随时打开 Pull Request，我们将对其进行审核！资源最好展示一些新的内容，而不是重复现有资源。

BitConfig

class transformers.BitConfig

< source >

( num_channels = 3 embedding_size = 64 hidden_sizes = [256, 512, 1024, 2048] depths = [3, 4, 6, 3] layer_type = 'preactivation' hidden_act = 'relu' global_padding = None num_groups = 32 drop_path_rate = 0.0 embedding_dynamic_padding = False output_stride = 32 width_factor = 1 out_features = None out_indices = None **kwargs )

参数

num_channels (int, 可选, 默认为 3) — 输入通道的数量。
embedding_size (int, 可选, 默认为 64) — 嵌入层的维度（隐藏大小）。
hidden_sizes (List[int], 可选, 默认为 [256, 512, 1024, 2048]) — 每个阶段的维度（隐藏大小）。
depths (List[int], 可选, 默认为 [3, 4, 6, 3]) — 每个阶段的深度（层数）。
layer_type (str, 可选, 默认为 "preactivation") — 要使用的层类型，可以是 "preactivation" 或 "bottleneck"。
hidden_act (str, 可选, 默认为 "relu") — 每个块中的非线性激活函数。如果为字符串，则支持 "gelu"、"relu"、"selu" 和 "gelu_new"。
global_padding (str, 可选) — 用于卷积层的填充策略。可以是 "valid"、"same" 或 None。
num_groups (int, 可选, 默认为 32) — 用于 BitGroupNormActivation 层的组数。
drop_path_rate (float, optional, defaults to 0.0) — 随机深度的 drop path 比率。
embedding_dynamic_padding (bool, optional, defaults to False) — 是否对嵌入层使用动态填充。
output_stride (int, optional, defaults to 32) — 模型的输出步幅。
width_factor (int, optional, defaults to 1) — 模型的宽度因子。
out_features (List[str], optional) — 如果用作 backbone，则输出的特征列表。可以是 "stem"、"stage1"、"stage2" 等（取决于模型有多少个阶段）。如果未设置且设置了 out_indices，则默认为相应的阶段。如果未设置且 out_indices 也未设置，则默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。
out_indices (List[int], optional) — 如果用作 backbone，则输出的特征索引列表。可以是 0、1、2 等（取决于模型有多少个阶段）。如果未设置且设置了 out_features，则默认为相应的阶段。如果未设置且 out_features 也未设置，则默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。

这是用于存储 BitModel 配置的配置类。它用于根据指定的参数实例化 BiT 模型，定义模型架构。使用默认值实例化配置将产生与 BiT google/bit-50 架构类似的配置。

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。

示例

>>> from transformers import BitConfig, BitModel

>>> # Initializing a BiT bit-50 style configuration
>>> configuration = BitConfig()

>>> # Initializing a model (with random weights) from the bit-50 style configuration
>>> model = BitModel(configuration)

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

BitImageProcessor

class transformers.BitImageProcessor

< source >

( do_resize: bool = True size: typing.Dict[str, int] = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True crop_size: typing.Dict[str, int] = None do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None do_convert_rgb: bool = True **kwargs )

参数

do_resize (bool, optional, defaults to True) — 是否将图像的（高度，宽度）尺寸调整为指定的 size。可以被 preprocess 方法中的 do_resize 覆盖。
size (Dict[str, int] optional, defaults to {"shortest_edge" -- 224}): 调整大小后图像的尺寸。图像的最短边将调整为 size[“shortest_edge”]，最长边将调整为保持输入宽高比。可以被 preprocess 方法中的 size 覆盖。
resample (PILImageResampling, optional, defaults to PILImageResampling.BICUBIC) — 如果调整图像大小，则使用的重采样过滤器。可以被 preprocess 方法中的 resample 覆盖。
do_center_crop (bool, optional, defaults to True) — 是否将图像中心裁剪为指定的 crop_size。可以被 preprocess 方法中的 do_center_crop 覆盖。
crop_size (Dict[str, int] optional, defaults to 224) — 应用 center_crop 后输出图像的尺寸。可以被 preprocess 方法中的 crop_size 覆盖。
do_rescale (bool, optional, defaults to True) — 是否通过指定的比例 rescale_factor 重新缩放图像。可以被 preprocess 方法中的 do_rescale 覆盖。
rescale_factor (int or float, optional, defaults to 1/255) — 如果重新缩放图像，则使用的缩放因子。可以被 preprocess 方法中的 rescale_factor 覆盖。
do_normalize — 是否对图像进行归一化。可以被 preprocess 方法中的 do_normalize 覆盖。
image_mean (float or List[float], optional, defaults to OPENAI_CLIP_MEAN) — 如果对图像进行归一化，则使用的均值。这是一个浮点数或浮点数列表，其长度是图像中通道数的长度。可以被 preprocess 方法中的 image_mean 参数覆盖。
image_std (float or List[float], optional, defaults to OPENAI_CLIP_MEAN) — 如果对图像进行归一化，则使用的标准差。这是一个浮点数或浮点数列表，其长度是图像中通道数的长度。可以被 preprocess 方法中的 image_std 参数覆盖。可以被 preprocess 方法中的 image_std 参数覆盖。
do_convert_rgb (bool, optional, defaults to True) — 是否将图像转换为 RGB 格式。

构建 BiT 图像处理器。

preprocess

< source >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_resize: bool = None size: typing.Dict[str, int] = None resample: Resampling = None do_center_crop: bool = None crop_size: int = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None do_convert_rgb: bool = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: typing.Optional[transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )

参数

images (ImageInput) — 要预处理的图像。接受像素值范围为 0 到 255 的单个或一批图像。如果传入的图像的像素值介于 0 和 1 之间，请设置 do_rescale=False。
do_resize (bool, optional, defaults to self.do_resize) — 是否调整图像大小。
size (Dict[str, int], optional, defaults to self.size) — 调整大小后图像的尺寸。图像的最短边将调整为 size[“shortest_edge”]，最长边将调整为保持输入宽高比。
resample (int, optional, defaults to self.resample) — 如果调整图像大小，则使用的重采样过滤器。这可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时才有效。
do_center_crop (bool, optional, defaults to self.do_center_crop) — 是否对图像进行中心裁剪。
crop_size (Dict[str, int], optional, defaults to self.crop_size) — 中心裁剪的大小。仅当 do_center_crop 设置为 True 时才有效。
do_rescale (bool, optional, defaults to self.do_rescale) — 是否重新缩放图像。
rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于缩放图像的缩放因子。
do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时有效。
image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时有效。
do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
return_tensors (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
- Unset: 返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
- TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
- TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
- TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 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)。
- Unset: 使用输入图像的通道维度格式。
input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。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)。
- "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

预处理图像或图像批次。

BitModel

class transformers.BitModel

< source >

( config )

参数

config (BitConfig) — 包含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。

裸 BiT 模型，输出原始特征，顶部没有任何特定的头部。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解所有与常规用法和行为相关的事项。

forward

< source >

( pixel_values: Tensor output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 BitImageProcessor.call()。
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 而不是纯元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或一个 torch.FloatTensor 元组 (如果传递 return_dict=False，或者当 config.return_dict=False 时)，其中包含各种元素，具体取决于配置 (BitConfig) 和输入。

last_hidden_state (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 模型最后一层输出的隐藏状态序列。
pooler_output (形状为 (batch_size, hidden_size) 的 torch.FloatTensor) — 在空间维度上进行池化操作后的最后一层隐藏状态。
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 (每个层的输出一个，如果模型具有嵌入层，则还包括嵌入层的输出)，形状为 (batch_size, num_channels, height, width)。

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。

BitModel 的前向方法，覆盖了 __call__ 特殊方法。

尽管前向传递的配方需要在该函数中定义，但应在此之后调用 Module 实例，而不是调用此函数，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 AutoImageProcessor, BitModel
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/bit-50")
>>> model = BitModel.from_pretrained("google/bit-50")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     outputs = model(**inputs)

>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 2048, 7, 7]

BitForImageClassification

class transformers.BitForImageClassification

< source >

( config )

参数

config (BitConfig) — 包含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。

BiT 模型，顶部带有一个图像分类头 (池化特征顶部的线性层)，例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解所有与常规用法和行为相关的事项。

forward

< source >

( pixel_values: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

参数

pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 BitImageProcessor.call()。
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 而不是纯元组。
labels (形状为 (batch_size,) 的 torch.LongTensor, 可选) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels > 1，则计算分类损失 (交叉熵)。

返回值

transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个 torch.FloatTensor 元组 (如果传递 return_dict=False，或者当 config.return_dict=False 时)，其中包含各种元素，具体取决于配置 (BitConfig) 和输入。

loss (形状为 (1,) 的 torch.FloatTensor, 可选, 当提供 labels 时返回) — 分类 (或回归，如果 config.num_labels==1) 损失。
logits (形状为 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分类 (或回归，如果 config.num_labels==1) 分数 (在 SoftMax 之前)。
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 (每个阶段的输出一个，如果模型具有嵌入层，则还包括嵌入层的输出)，形状为 (batch_size, num_channels, height, width)。模型在每个阶段输出处的隐藏状态 (也称为特征图)。

BitForImageClassification 的前向方法，覆盖了 __call__ 特殊方法。

示例

>>> from transformers import AutoImageProcessor, BitForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("google/bit-50")
>>> model = BitForImageClassification.from_pretrained("google/bit-50")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tiger cat

< > 在 GitHub 上更新

Transformers

Big Transfer (BiT)

概览

使用技巧

资源

BitConfig

class transformers.BitConfig

BitImageProcessor

class transformers.BitImageProcessor

preprocess

BitModel

class transformers.BitModel

forward

BitForImageClassification

class transformers.BitForImageClassification

forward