Transformers 文档

大型转移 (BiT)

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

大规模迁移 (BiT)

概述

BiT 模型由 Alexander Kolesnikov、Lucas Beyer、Xiaohua Zhai、Joan Puigcerver、Jessica Yung、Sylvain Gelly、Neil Houlsby 在 大规模迁移 (BiT): 通用视觉表征学习 中提出。BiT 是一个简单的方案,用于扩展 ResNet 类架构(特别是 ResNetv2)的预训练。该方法在迁移学习方面取得了显著的改进。

论文的摘要如下:

将预训练的表示进行迁移可以提高样本效率,并在训练用于视觉的深度神经网络时简化超参数调整。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式。我们扩展了预训练,并提出了一种简单的配方,称为“大迁移”(BiT)。通过将几个精心挑选的组件组合起来,并使用简单的启发式方法进行迁移,我们在超过 20 个数据集上取得了良好的性能。BiT 在令人惊讶的各种数据体系中表现出色,从每个类别 1 个样本到总共 100 万个样本。BiT 在 ILSVRC-2012 上取得了 87.5% 的 top-1 准确率,在 CIFAR-10 上取得了 99.4% 的准确率,在 19 任务视觉任务适应基准 (VTAB) 上取得了 76.3% 的准确率。在小型数据集上,BiT 在 ILSVRC-2012 上取得了 76.8% 的准确率(每个类别 10 个样本),在 CIFAR-10 上取得了 97.0% 的准确率(每个类别 10 个样本)。我们对导致高迁移性能的主要组件进行了详细分析。

该模型由 nielsr 贡献。原始代码可以在 这里 找到。

使用技巧

  • BiT 模型在架构方面与 ResNetv2 相同,除了:1) 所有批归一化层都被 组归一化 层替换,2) 对卷积层使用了 权重标准化。作者表明,将两者结合起来对于使用大型批次大小进行训练很有用,并且对迁移学习有显著影响。

资源

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

图像分类

如果您有兴趣提交要在此处包含的资源,请随时打开一个拉取请求,我们将对其进行审核!理想情况下,该资源应该展示新内容,而不是重复现有资源。

BitConfig

class transformers.BitConfig

< >

( 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,默认值为 3) — 输入通道数。
  • embedding_size (int, 可选,默认值为 64) — 嵌入层的维度(隐藏大小)。
  • hidden_sizes (List[int], 可选,默认值为 [256, 512, 1024, 2048]) — 每个阶段的维度(隐藏大小)。
  • depths (List[int], 可选,默认值为 [3, 4, 6, 3]) — 每个阶段的深度(层数)。
  • hidden_act (str, 可选, 默认值为 "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""gelu_new"
  • global_padding (str, 可选) — 用于卷积层的填充策略。可以是 "valid""same"None
  • num_groups (int, 可选, 默认值为 32) — 用于 BitGroupNormActivation 层的组数。
  • drop_path_rate (float, 可选, 默认值为 0.0) — 随机深度的丢弃路径率。
  • embedding_dynamic_padding (bool, 可选, 默认值为 False) — 是否对嵌入层使用动态填充。
  • output_stride (int, 可选, 默认值为 32) — 模型的输出步幅。
  • width_factor (int, 可选, 默认值为 1) — 模型的宽度因子。
  • out_features (List[str], 可选) — 如果用作骨干网络,则为要输出的特征列表。可以是 "stem""stage1""stage2" 等(取决于模型有多少个阶段)。如果未设置且 out_indices 已设置,则将默认为相应的阶段。如果未设置且 out_indices 未设置,则将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], 可选) — 如果用作骨干网络,则为要输出的特征的索引列表。可以是 0、1、2 等(取决于模型有多少个阶段)。如果未设置且 out_features 已设置,则将默认为相应的阶段。如果未设置且 out_features 未设置,则将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 架构相似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。

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

  • do_resize (bool, 可选, 默认值为 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] 可选, 默认值为 {"shortest_edge" -- 224}): 调整大小后图像的大小。 图像的最短边将调整为 size[“shortest_edge”] 的大小,最长边将调整为保持输入纵横比。 可以被 preprocess 方法中的 size 覆盖。
  • resample (PILImageResampling, 可选, 默认值为 PILImageResampling.BICUBIC) — 如果调整图像大小,要使用的重采样过滤器。 可以被 preprocess 方法中的 resample 覆盖。
  • do_center_crop (bool, 可选, 默认值为 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] 可选, 默认值为 224) — 应用 center_crop 后输出图像的大小。 可以被 preprocess 方法中的 crop_size 覆盖。
  • do_rescale (bool, 可选, 默认值为 True) — 是否按指定的比例 rescale_factor 重新调整图像大小。 可以被 preprocess 方法中的 do_rescale 覆盖。
  • rescale_factor (intfloat, 可选, 默认值为 1/255) — 如果重新调整图像大小,要使用的比例因子。 可以被 preprocess 方法中的 rescale_factor 覆盖。 do_normalize — 是否标准化图像。 可以被 preprocess 方法中的 do_normalize 覆盖。
  • image_mean (floatList[float], 可选, 默认值为 OPENAI_CLIP_MEAN) — 如果标准化图像,要使用的均值。 这是一个浮点数或浮点数列表,长度为图像中通道的数量。 可以被 preprocess 方法中的 image_mean 参数覆盖。
  • image_std (floatList[float], 可选, 默认值为 OPENAI_CLIP_MEAN) — 如果标准化图像,要使用的标准差。 这是一个浮点数或浮点数列表,长度为图像中通道的数量。 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, 可选, 默认值为 True) — 是否将图像转换为 RGB。

构建一个 BiT 图像处理器。

preprocess

< >

( images: Union do_resize: bool = None size: Dict = 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: Union = None image_std: Union = None do_convert_rgb: bool = None return_tensors: Union = None data_format: Optional = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (ImageInput) — 要预处理的图像。 需要一个或多个图像,像素值范围为 0 到 255。 如果传入的图像像素值介于 0 到 1 之间,请设置 do_rescale=False
  • do_resize (bool, 可选, 默认值为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int], 可选, 默认值为 self.size) — 调整大小后图像的大小。 图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入的纵横比。
  • resample (int, 可选, 默认值为 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 中的一个值。 只有在 do_resize 设置为 True 时才有效。
  • do_center_crop (bool, 可选, 默认值为 self.do_center_crop) — 是否对图像进行中心裁剪。
  • crop_size (Dict[str, int], 可选, 默认值为 self.crop_size) — 中心裁剪的大小。 只有在 do_center_crop 设置为 True 时才有效。
  • do_rescale (bool, 可选, 默认值为 self.do_rescale) — 是否调整图像大小。
  • rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于对图像进行缩放的缩放因子。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
  • image_mean (floatList[float], 可选, 默认为 self.image_mean) — 用于归一化的图像平均值。仅在 do_normalize 设置为 True 时有效。
  • image_std (floatList[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅在 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 (strTensorType, 可选) — 要返回的张量类型。可以是以下之一:
    • 未设置:返回一个 np.ndarray 列表。
    • TensorType.TENSORFLOW'tf':返回一个 tf.Tensor 类型的批次。
    • TensorType.PYTORCH'pt':返回一个 torch.Tensor 类型的批次。
    • TensorType.NUMPY'np':返回一个 np.ndarray 类型的批次。
    • TensorType.JAX'jax':返回一个 jax.numpy.ndarray 类型的批次。
  • data_format (ChannelDimensionstr, 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"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr, 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"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

预处理图像或图像批次。

BitModel

class transformers.BitModel

< >

( config )

参数

  • config (BitConfig) — 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相关的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。

BiT 模型,输出原始特征,顶部没有特定头部。该模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。

forward

< >

( pixel_values: Tensor output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获取。查看 BitImageProcessor.call() 获取详细信息。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。查看返回张量中的 hidden_states 获取更多详细信息。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是普通元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontorch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含取决于配置(BitConfig)和输入的各种元素。

  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 模型最后一层输出的隐藏状态序列。

  • pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size)) — 对空间维度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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入层的输出,如果模型具有嵌入层,+ 一个用于每一层的输出),形状为 (batch_size, num_channels, height, width)

    每层输出的模型隐藏状态以及可选的初始嵌入输出。

The BitModel forward 方法,覆盖了 __call__ 特殊方法。

虽然前向传递的配方需要在此函数内定义,但应该随后调用 Module 实例,而不是这个函数,因为前者负责运行前后处理步骤,而后者则静默地忽略它们。

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

< >

( config )

参数

  • config (BitConfig) — 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相关的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。

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

该模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解所有与一般用法和行为相关的事项。

forward

<

( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。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,请参阅返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor 形状为 (batch_size,), 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] 内。如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回

transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

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

  • loss (torch.FloatTensor 形状为 (1,), 可选,在提供 labels 时返回) — 分类(如果 config.num_labels==1 则为回归)损失。
  • logits (torch.FloatTensor 形状为 (batch_size, config.num_labels)) — 分类(如果 config.num_labels==1 则为回归)分数(在 SoftMax 之前)。
  • hidden_states (tuple(torch.FloatTensor), 可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型具有嵌入层,则包含嵌入层的输出,以及每个阶段的输出)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)。

The BitForImageClassification 正向方法,覆盖了 __call__ 特殊方法。

虽然前向传递的配方需要在此函数内定义,但应该随后调用 Module 实例,而不是这个函数,因为前者负责运行前后处理步骤,而后者则静默地忽略它们。

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