参数

• images (ImageInput) — 要预处理的图像。期望像素值范围为0到255的单张或批量图像。如果传入像素值在0到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。图像的最短边被调整为size["shortest_edge"]，同时保持宽高比。如果此调整大小后的图像的最长边大于int(size["shortest_edge"] * (1333 / 800))，则图像将再次调整大小，使最长边等于int(size["shortest_edge"] * (1333 / 800))。
• size_divisor (int, 可选, 默认为 self.size_divisor) — 图像被调整为该值的倍数。
• resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样过滤器。仅当do_resize设置为True时有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否将图像值缩放到 [0 - 1] 之间。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果do_rescale设置为True，则用于缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否归一化图像。
• image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 如果do_normalize设置为True，则用于归一化图像的图像均值。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 如果do_normalize设置为True，则用于归一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，还会创建并返回一个像素掩码。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否中心裁剪图像。如果输入大小沿任何边小于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。如果图像的某个边小于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 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批处理。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批处理。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批处理。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批处理。
• 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)。
  • 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，通道维度格式将从输入图像推断。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)。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望像素值范围为0到255的单张或批量图像。如果传入像素值在0到1之间的图像，请设置do_rescale=False。
• do_resize (bool, 可选) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型的最大输入维度。
• default_to_square (bool, 可选) — 当调整大小（如果大小为整数）时，是否默认为正方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，则使用的重采样滤波器。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) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], optional) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, optional) — 是否对图像进行重新缩放。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，则用于重新缩放图像的缩放因子。
• do_normalize (bool, optional) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像平均值。仅当 do_normalize 设置为 True 时才有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才有效。
• do_convert_rgb (bool, optional) — 是否将图像转换为RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`，则返回堆叠张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, optional) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 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：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：图像为 (height, width) 格式。
• device (torch.device, optional) — 处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, optional) — 是否禁用按大小对图像进行分组以单独处理而不是批处理。如果为 None，则如果图像在 CPU 上，则设置为 True，否则设置为 False。此选择基于经验观察，详情请见：https://github.com/huggingface/transformers/pull/38157
• size_divisor (int, optional, defaults to 32) — 确保高度和宽度都可以被其整除的大小。仅当 do_resize 设置为 True 时才有效。可以通过 preprocess 方法中的 size_divisor 参数覆盖。
• do_pad (bool, optional, defaults to True) — 是否将图像填充到批处理图像的 (max_height, max_width)。可以通过 preprocess 方法中的 do_pad 参数覆盖。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• input_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 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()。

  什么是输入 ID？

• attention_mask (torch.FloatTensor, 形状为 (batch_size, sequence_length), 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示 未被遮盖 的 token，
  • 0 表示 被遮盖 的 token。

  什么是注意力掩码？

• token_type_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 表示输入第一部分和第二部分的段 token 索引。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。

  什么是 token 类型 ID？

• pixel_values (torch.FloatTensor, 形状为 (batch_size, num_channels, image_size, image_size), 可选) — 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), 可选) — 用于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 表示真实像素（即 未被遮盖），
  • 0 表示填充像素（即 被遮盖）。

  什么是注意力掩码？

• head_mask (torch.FloatTensor, 形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头部 未被遮盖，
  • 0 表示头部 被遮盖。
• inputs_embeds (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size), 可选) — （可选）不传递 input_ids，您可以选择直接传递嵌入表示。如果您希望对如何将 input_ids 索引转换为关联向量（而不是模型的内部嵌入查找矩阵）有更多控制，这很有用。
• image_embeds (torch.FloatTensor, 形状为 (batch_size, num_patches, hidden_size), 可选) — （可选）不传递 pixel_values，您可以选择直接传递嵌入表示。如果您希望对如何将 pixel_values 转换为补丁嵌入有更多控制，这很有用。
• image_token_type_idx (int, 可选) —
  • 图像的 token 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) — 如果设置为 True，隐藏状态将作为包含文本、图像和跨模态组件隐藏状态的列表返回。即 (hidden_states_text, hidden_states_image, hidden_states_cross_modal)，其中每个元素是相应模态隐藏状态的列表。hidden_states_txt/img 是单模态隐藏状态张量列表，hidden_states_cross_modal 是包含每个桥接层 cross_modal_text_hidden_states 和 cross_modal_image_hidden_states 的元组列表。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
• labels (torch.LongTensor, 形状为 (batch_size,), 可选) — 目前不支持标签。
• interpolate_pos_encoding (bool, 默认为 False) — 是否对预训练位置编码进行插值。

transformers.models.bridgetower.modeling_bridgetower.BridgeTowerModelOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置（BridgeTowerConfig）和输入包含各种元素。

• 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)) — 在通过用于辅助预训练任务的层进一步处理后，文本和图像序列的第一个 token 的最后一层隐藏状态的拼接（分类 token）。

• 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 的元组（如果模型有嵌入层，则一个用于嵌入输出，加上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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每个层一个），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。

参数

• input_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列 token 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()。

  什么是输入 ID？

• attention_mask (torch.FloatTensor, 形状为 (batch_size, sequence_length), 可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示 未被遮盖 的 token，
  • 0 表示 被遮盖 的 token。

  什么是注意力掩码？

• token_type_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 表示输入第一部分和第二部分的段 token 索引。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。

  什么是 token 类型 ID？

• pixel_values (torch.FloatTensor, 形状为 (batch_size, num_channels, image_size, image_size), 可选) — 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), 可选) — 用于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 表示真实像素（即 未被遮盖），
  • 0 表示填充像素（即 被遮盖）。

  什么是注意力掩码？

• head_mask (torch.FloatTensor, 形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示头部 未被遮盖，
  • 0 表示头部 被遮盖。
• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选参数，可以直接传入嵌入表示，而不是传入 input_ids。当您想要比模型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时，此参数非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — 可选参数，可以直接传入嵌入表示，而不是传入 pixel_values。当您想要更好地控制如何将 pixel_values 转换为补丁嵌入时，此参数非常有用。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详情请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选, 默认为 True) — 是否返回所有层的隐藏状态。更多详情请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• 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 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（BridgeTowerConfig）和输入而异的各种元素。

• 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 (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）。

• text_embeds (torch.FloatTensor)，可选，当模型使用 with_projection=True 初始化时返回) — 通过对 pooler_output 应用投影层获得的文本嵌入。

• image_embeds (torch.FloatTensor)，可选，当模型使用 with_projection=True 初始化时返回) — 通过对 pooler_output 应用投影层获得的图像嵌入。

• cross_embeds (torch.FloatTensor)，可选，当模型使用 with_projection=True 初始化时返回) — 通过对 pooler_output 应用投影层获得的文本-图像跨模态嵌入。

• hidden_states (tuple[torch.FloatTensor], 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组（如果模型有嵌入层，则一个用于嵌入输出，加上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 output_attentions=True 或 config.output_attentions=True 传入时返回) — torch.FloatTensor 元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 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操作。掩码值选择在 [0, 1] 之间：
  • 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 (batch_size, sequence_length)，可选) — 分段标记索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 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, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 进行图像处理）。
• 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操作。掩码值选择在 [0, 1] 之间：
  • 1 表示真实像素（即未掩码），
  • 0 表示填充像素（即已掩码）。

  什么是注意力掩码？

• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，用于使自注意力模块的选定头失效。掩码值选择在 [0, 1] 之间：
  • 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) — 可选参数，可以直接传入嵌入表示，而不是传入 input_ids。当您想要比模型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时，此参数非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — 可选参数，可以直接传入嵌入表示，而不是传入 pixel_values。当您想要更好地控制如何将 pixel_values 转换为补丁嵌入时，此参数非常有用。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详情请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详情请参见返回张量下的 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) — 用于计算掩码语言模型损失的标签。索引应在 [-100, 0, ..., config.vocab_size] 之间（参见 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] 范围内的标记进行计算。

一个 transformers.modeling_outputs.MaskedLMOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（BridgeTowerConfig）和输入而异的各种元素。

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

• 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）。

• hidden_states (tuple(torch.FloatTensor), 可选, 当 output_hidden_states=True 或 config.output_hidden_states=True 传入时返回) — torch.FloatTensor 元组（一个用于嵌入层输出（如果模型有嵌入层），加上每个层的一个输出），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), 可选, 当 output_attentions=True 或 config.output_attentions=True 传入时返回) — torch.FloatTensor 元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 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 (batch_size, sequence_length)，可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

  可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 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操作。掩码值选择在 [0, 1] 之间：
  • 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 (batch_size, sequence_length)，可选) — 分段标记索引，用于指示输入的第一个和第二个部分。索引选择在 [0, 1] 之间：
  • 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, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获得。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 进行图像处理）。
• 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操作。掩码值选择在 [0, 1] 之间：
  • 1 表示真实像素（即未掩码），
  • 0 表示填充像素（即已掩码）。

  什么是注意力掩码？

• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 掩码，用于使自注意力模块的选定头失效。掩码值选择在 [0, 1] 之间：
  • 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) — 可选参数，可以直接传入嵌入表示，而不是传入 input_ids。当您想要比模型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时，此参数非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — 可选参数，可以直接传入嵌入表示，而不是传入 pixel_values。当您想要更好地控制如何将 pixel_values 转换为补丁嵌入时，此参数非常有用。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。更多详情请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详情请参见返回张量下的 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, 1)，可选) — 用于计算图像-文本匹配损失的标签。0 表示配对不匹配，1 表示匹配。标签为 0 的配对将被跳过计算。

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（BridgeTowerConfig）和输入而异的各种元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。

• logits (形状为 (batch_size, config.num_labels) 的 torch.FloatTensor) — 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 output_hidden_states=True 或 config.output_hidden_states=True 传入时返回) — torch.FloatTensor 元组（一个用于嵌入层输出（如果模型有嵌入层），加上每个层的一个输出），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), 可选, 当 output_attentions=True 或 config.output_attentions=True 传入时返回) — torch.FloatTensor 元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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