参数

• images (ImageInput) — 要预处理的图像。期望单个或批量图像的像素值范围为 0 到 255。如果传入像素值介于 0 和 1 之间的图像，请设置 do_rescale=False。
• do_resize (bool，可选，默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int]，可选，默认为 self.size) — 控制 resize 后图像的大小。图像的最短边将调整为 size["shortest_edge"]，同时保持纵横比。如果调整大小后图像的最长边 > int(size["shortest_edge"] * (1333 / 800))，则再次调整图像大小，使最长边等于 int(size["shortest_edge"] * (1333 / 800))。
• size_divisor (int，可选，默认为 self.size_divisor) — 图像将调整大小为该值的倍数。
• resample (PILImageResampling，可选，默认为 self.resample) — 如果调整图像大小，则使用重采样过滤器。仅在 do_resize 设置为 True 时才生效。
• do_rescale (bool，可选，默认为 self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
• rescale_factor (float，可选，默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则按此比例因子重新缩放图像。
• 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) — 如果 do_normalize 设置为 True，则用于标准化图像的图像均值。
• image_std (float 或 List[float]，可选，默认为 self.image_std) — 如果 do_normalize 设置为 True，则用于标准化图像的图像标准差。
• do_pad (bool，可选，默认为 self.do_pad) — 是否将图像填充到批次中的 (max_height, max_width)。如果为 True，还会创建一个像素掩码并返回。
• do_center_crop (bool，可选，默认为 self.do_center_crop) — 是否对图像进行中心裁剪。如果输入大小沿任何边缘小于 crop_size，则图像将用 0 填充，然后进行中心裁剪。
• crop_size (Dict[str, int]，可选，默认为 self.crop_size) — 中心裁剪后图像的大小。如果图像的一条边小于 crop_size，它将用零填充，然后裁剪
• return_tensors (str 或 TensorType，可选) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 的列表。
  • 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：图像采用 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像采用 (height, width, num_channels) 格式。
  • 未设置：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：图像采用 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像采用 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：图像采用 (height, width) 格式。

参数

• input_ids (torch.LongTensor 形状为 ({0})) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是输入 ID？
• attention_mask (torch.FloatTensor 形状为 ({0}), 可选) — 掩码以避免对填充标记索引执行注意力。在 [0, 1] 中选择的掩码值：
  • 未屏蔽标记为 1，
  • 已屏蔽标记为 0。 什么是注意力掩码？
• token_type_ids (torch.LongTensor 形状为 ({0}), 可选) — 段标记索引，指示输入的第一部分和第二部分。在 [0, 1] 中选择的索引：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。 什么是标记类型 ID？
• pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 BridgeTowerImageProcessor 获取像素值。有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor 形状为 (batch_size, height, width), 可选) — 掩码以避免对填充像素值执行注意力。在 [0, 1] 中选择的掩码值：
  • 真实像素（即未屏蔽）为 1，
  • 填充像素（即已屏蔽）为 0。 什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于将自注意力模块的选定头部置零的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头部未被屏蔽，
  • 0 表示头部已被屏蔽。
• inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size)，可选) — 或者，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好地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size)，可选) — 或者，您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 pixel_values 转换为补丁嵌入，这将非常有用。
• image_token_type_idx (int, 可选) —
  • 图像的标记类型 ID。
• 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 ModelOutput 而不是普通的元组。
• output_hidden_states (bool, 可选) — 如果设置为 True，则隐藏状态将作为列表返回，其中包含文本、图像和跨模态组件各自的隐藏状态。即 (hidden_states_text, hidden_states_image, hidden_states_cross_modal)，其中每个元素是相应模态的隐藏状态列表。hidden_states_txt/img 是与单模态隐藏状态对应的张量列表，hidden_states_cross_modal 是包含每个桥接层的 cross_modal_text_hidden_states 和 cross_modal_image_hidden_states 的元组列表。
• labels (torch.LongTensor 形状为 (batch_size,), 可选) — 目前不支持标签。

transformers.models.bridgetower.modeling_bridgetower.BridgeTowerModelOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或 config.return_dict=False）包含各种元素，具体取决于配置（BridgeTowerConfig）和输入。

• text_features (torch.FloatTensor 形状为 (batch_size, text_sequence_length, hidden_size)) — 模型最后一层文本输出处的隐藏状态序列。

• image_features (torch.FloatTensor 形状为 (batch_size, image_sequence_length, hidden_size)) — 模型最后一层图像输出处的隐藏状态序列。

• pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size x 2)) — 分别连接文本和图像序列（分类标记）第一个标记的最后一层隐藏状态，在经过用于辅助预训练任务的层进一步处理后。

• 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（如果模型具有嵌入层，则一个用于嵌入的输出 + 一个用于每层的输出），形状为 (batch_size, sequence_length, hidden_size)。模型在每一层输出处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（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor 形状为 ({0})) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是输入 ID？
• attention_mask (torch.FloatTensor 形状为 ({0}), 可选) — 掩码以避免对填充标记索引执行注意力。在 [0, 1] 中选择的掩码值：
  • 1 表示 未掩码 的标记，
  • 0 表示 已掩码 的标记。 什么是注意力掩码？
• token_type_ids (torch.LongTensor 形状为 ({0}), 可选) — 段标记索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。 什么是标记类型 ID？
• pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以通过 BridgeTowerImageProcessor 获取。有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor 形状为 (batch_size, height, width)，可选) — 避免对填充像素值执行注意力的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即未被掩码），
  • 0 表示填充像素（即被掩码）。什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于将自注意力模块的选定头部置零的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头部未被掩码，
  • 0 表示头部被掩码。
• inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size)，可选) — 或者，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好地控制如何将 input_ids 索引转换为关联向量，则此选项很有用。
• image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size)，可选) — 或者，您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 pixel_values 转换为补丁嵌入，则此选项很有用。
• image_token_type_idx (int，可选) —
  • 图像的标记类型 ID。
• 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 ModelOutput 而不是普通的元组。
• return_loss (bool, 可选) — 是否返回对比损失。

一个 transformers.models.bridgetower.modeling_bridgetower.BridgeTowerContrastiveOutput 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时）包含各种元素，具体取决于配置 (BridgeTowerConfig) 和输入。

• loss (torch.FloatTensor 形状为 (1,), 可选, 当 return_loss 为 True 时返回) — 图像-文本对比损失。
• logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。
• text_embeds (torch.FloatTensor), 可选, 当模型使用 with_projection=True 初始化时返回) — 通过将投影层应用于 pooler_output 获得的文本嵌入。
• image_embeds (torch.FloatTensor), 可选, 当模型使用 with_projection=True 初始化时返回) — 通过将投影层应用于 pooler_output 获得的图像嵌入。
• cross_embeds (torch.FloatTensor), 可选, 当模型使用 with_projection=True 初始化时返回) — 通过将投影层应用于 pooler_output 获得的文本-图像跨模态嵌入。
• 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（如果模型具有嵌入层，则一个用于嵌入的输出 + 一个用于每层的输出），形状为 (batch_size, sequence_length, hidden_size)。模型在每一层输出处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（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是输入 ID？
• attention_mask (torch.FloatTensor ，形状为 (batch_size, sequence_length)，可选) — 掩码，用于避免对填充标记索引执行注意力。掩码值在 [0, 1] 中选择：
  • 未屏蔽标记的值为 1，
  • 已屏蔽标记的值为 0。 什么是注意力掩码？
• token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 段落标记索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A 标记,
  • 1 对应于 句子 B 标记。 什么是标记类型 ID？
• pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 BridgeTowerImageProcessor 获取像素值。有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor 形状为 (batch_size, height, width)，可选) — 掩码，用于避免对填充像素值执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即未掩码），
  • 0 表示填充像素（即已掩码）。什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于将自注意力模块的选定头部置零的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头部未掩码，
  • 0 表示头部已掩码。
• inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)，可选) — 或者，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好地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size)，可选) — 或者，您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望更好地控制如何将 pixel_values 转换为补丁嵌入，这将非常有用。
• image_token_type_idx (int, 可选) —
  • 图像的标记类型 ID。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关详细信息，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。
• 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 [-100, 0, ..., config.vocab_size] 中（请参阅 input_ids 文档字符串）索引设置为 -100 的标记将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的标记计算

transformers.modeling_outputs.MaskedLMOutput 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时）包含根据配置（BridgeTowerConfig）和输入的不同元素。

• loss (torch.FloatTensor 形状为 (1,), 可选, 当提供 labels 时返回) — 掩码语言建模 (MLM) 损失。

• logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。

• 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（如果模型具有嵌入层，则一个用于嵌入的输出 + 一个用于每一层的输出）形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处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（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor 形状为 ({0})) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是输入 ID？
• attention_mask (torch.FloatTensor 形状为 ({0}), 可选) — 掩码以避免对填充标记索引执行注意力。在 [0, 1] 中选择的掩码值：
  • 1 表示未掩码的标记，
  • 0 表示已掩码的标记。 什么是注意力掩码？
• token_type_ids (torch.LongTensor 形状为 ({0})，可选) — 段落标记索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A 标记，
  • 1 对应于 句子 B 标记。 什么是标记类型 ID？
• pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 BridgeTowerImageProcessor 获取。有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor 形状为 (batch_size, height, width)，可选) — 掩码，用于避免对填充像素值执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即未被掩码），
  • 0 表示填充像素（即被掩码）。 什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，用于将自注意力模块的选定头部置零。掩码值在 [0, 1] 中选择：
  • 1 表示头部未被掩码，
  • 0 表示头部被掩码。
• inputs_embeds (torch.FloatTensor 形状为 ({0}, 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。如果您想比模型的内部嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, 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 pixel_values。如果您想比模型的内部嵌入查找矩阵更好地控制如何将 pixel_values 转换为补丁嵌入，这将非常有用。
• image_token_type_idx (int，可选) —
  • 图像的标记类型 ID。
• 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 ModelOutput 而不是普通的元组。
• labels (torch.LongTensor 形状为 (batch_size, 1)，可选) — 用于计算图文匹配损失的标签。0 表示配对不匹配，1 表示配对匹配。标签为 0 的配对将被跳过计算。

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或 config.return_dict=False 时）包含根据配置 (BridgeTowerConfig) 和输入的不同元素。

• loss (torch.FloatTensor 形状为 (1,)，可选，当提供 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（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（如果模型具有嵌入层，则一个用于嵌入的输出 + 一个用于每一层的输出）形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出处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（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。