参数

• images (ImageInput) — 要预处理的图像。 期望是像素值范围为 0 到 255 的单张或批量图像。 如果传入的图像像素值在 0 到 1 之间，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 > 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) — 图像将被调整为大小为该值的倍数。
• resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整图像大小，要使用的重采样过滤器。 仅当 do_resize 设置为 True 时才有效。
• 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，则用于重新缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
• 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，则还会创建并返回像素掩码。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否对图像进行中心裁剪。 如果输入尺寸小于任何边缘的 crop_size，则图像将填充 0，然后再进行中心裁剪。
• crop_size (Dict[str, int], 可选, 默认为 self.crop_size) — 中心裁剪后图像的大小。 如果图像的某个边缘小于 crop_size，则会用零填充，然后再裁剪。
• 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：(num_channels, height, width) 格式的图像。
  • "channels_last" 或 ChannelDimension.LAST：(height, width, num_channels) 格式的图像。
  • 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：(num_channels, height, width) 格式的图像。
  • "channels_last" 或 ChannelDimension.LAST：(height, width, num_channels) 格式的图像。
  • "none" 或 ChannelDimension.NONE：(height, width) 格式的图像。

参数

• input_ids (torch.LongTensor，形状为 ({0})) — 词汇表中输入序列 token 的索引。索引可以使用 AutoTokenizer 获得。 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) — 用于避免在 padding token 索引上执行 attention 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示 token 未被 masking，
  • 0 表示 token 已被 masking。 什么是 attention mask？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 分段 token 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 sentence A token，
  • 1 对应于 sentence B token。 什么是 token 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 获得。 有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在 padding 像素值上执行 attention 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即，未被 masking），
  • 0 表示像素是 padding（即，已被 masking）。 什么是 attention mask？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示 head 未被 masking，
  • 0 表示 head 已被 masking。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）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 索引转换为关联的向量，这将非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望比如何将 pixel_values 转换为 patch embeddings 更好地控制，这将非常有用。
• 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 attention 层的 attention 张量。 有关更多详细信息，请参阅返回的张量下的 attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参阅返回的张量下的 hidden_states。
• interpolate_pos_encoding (bool，默认为 False) — 是否插值预训练的位置编码。
• return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。
• output_hidden_states (bool，可选) — 如果设置为 True，则 hidden states 将作为列表返回，其中包含文本、图像和跨模态组件的 hidden states。 即 (hidden_states_text, hidden_states_image, hidden_states_cross_modal)，其中每个元素都是相应模态的 hidden states 列表。 hidden_states_txt/img 是对应于单模态 hidden states 的张量列表，而 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) — 当前不支持标签。

一个 transformers.models.bridgetower.modeling_bridgetower.BridgeTowerModelOutput 或 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 (BridgeTowerConfig) 和输入。

• text_features (torch.FloatTensor，形状为 (batch_size, text_sequence_length, hidden_size)) — 模型最后一层的文本输出端的 hidden-states 序列。

• image_features (torch.FloatTensor，形状为 (batch_size, image_sequence_length, hidden_size)) — 模型最后一层的图像输出端的 hidden-states 序列。

• pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size x 2)) — 文本和图像序列的第一个 token（分类 token）的最后一层 hidden-state 的串联，分别在通过用于辅助预训练任务的层进一步处理之后。

• 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，则为嵌入输出提供一个，+ 为每层的输出提供一个），形状为 (batch_size, sequence_length, hidden_size)。 模型在每一层输出端的 Hidden-states 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)。

  attention softmax 之后的 attention 权重，用于计算 self-attention head 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。 索引可以使用 AutoTokenizer 获得。 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) — 用于避免在填充标记索引上执行注意力的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示未被掩蔽的标记，
  • 0 表示被掩蔽的标记。 什么是注意力掩码？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 分段标记索引，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。 像素值可以使用 BridgeTowerImageProcessor 获得。 有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在填充像素值上执行注意力的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即未被掩蔽），
  • 0 表示填充像素（即被掩蔽）。 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) — 用于使自注意力模块的选定 head 失效的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示 head 未被掩蔽，
  • 0 表示 head 被掩蔽。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）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。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您希望更精细地控制如何将 pixel_values 转换为 patch 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。
• interpolate_pos_encoding (bool，默认为 False) — 是否插值预训练的位置编码。
• 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 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 (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 head 的预测分数（SoftMax 之前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 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入输出提供一个，+ 为每层的输出提供一个），形状为 (batch_size, sequence_length, hidden_size)。 模型在每一层输出端的 Hidden-states 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)。

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。 索引可以使用 AutoTokenizer 获得。 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) — 用于避免在填充标记索引上执行注意力的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示未被掩蔽的标记，
  • 0 表示被掩蔽的标记。 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 获得。 有关详细信息，请参阅 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在填充像素值上执行注意力的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示真实的像素（即未被掩蔽），
  • 0 表示填充像素（即被掩蔽）。 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) — 用于使自注意力模块的选定 head 失效的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示 head 未被掩蔽，
  • 0 表示 head 被掩蔽。
• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您想要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。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您想要更精细地控制如何将 pixel_values 转换为patch嵌入，这将非常有用。
• 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) — 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。
• interpolate_pos_encoding (bool，默认为 False) — 是否插值预训练的位置编码。
• 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（参见 input_ids 文档字符串）。索引设置为 -100 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。

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

• 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 head 的预测分数（SoftMax 之前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 的元组（如果模型具有嵌入层，则为嵌入的输出提供一个，+ 每层的输出提供一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，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)。

  attention softmax 之后的 attention 权重，用于计算 self-attention head 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token的索引。 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 ({0})，可选) — 用于避免在padding token索引上执行注意力的掩码。 在 [0, 1] 中选择的掩码值：
  • 1 表示 token 未被掩码，
  • 0 表示 token 已被掩码。 什么是注意力掩码？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 分段token索引，用于指示输入的第一部分和第二部分。 在 [0, 1] 中选择索引：
  • 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, height, width)) — 像素值。 像素值可以使用 BridgeTowerImageProcessor 获取。 有关详细信息，请参见 BridgeTowerImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在padding像素值上执行注意力的掩码。 在 [0, 1] 中选择的掩码值：
  • 1 表示像素是真实的（即，未被掩码），
  • 0 表示像素是padding（即，已被掩码）。 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) — 用于使自注意力模块的选定head无效的掩码。 在 [0, 1] 中选择的掩码值：
  • 1 表示 head 未被掩码，
  • 0 表示 head 已被掩码。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您想要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。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您想要更精细地控制如何将 pixel_values 转换为patch嵌入，这将非常有用。
• 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) — 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。
• interpolate_pos_encoding (bool，默认为 False) — 是否插值预训练的位置编码。
• 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 的元组 (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 (BridgeTowerConfig) 和输入。

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

• logits (torch.FloatTensor，形状为 (batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）得分（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 的元组（如果模型具有嵌入层，则为嵌入的输出提供一个，+ 每层的输出提供一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，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)。

  attention softmax 之后的 attention 权重，用于计算 self-attention head 中的加权平均值。