参数

• images (ImageInput) — 要预处理的图像。期望是单个或批量的图像，像素值范围为 0 到 255。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) — 调整大小后图像的尺寸。图像的最短边调整为 size[“shortest_edge”]，最长边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。可以是枚举类型 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• 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) — 中心裁剪的尺寸。仅当 do_center_crop 设置为 True 时有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则图像的缩放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float or List[float], optional, defaults to 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 or List[float], optional, defaults to 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, optional, defaults to self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str or TensorType, optional) — 返回的张量类型。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 or str, optional, defaults to 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 or str, optional) — 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)。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 输入序列 tokens 在词汇表中的索引。如果您提供 padding，默认情况下 padding 将被忽略。

  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 IDs？

• pixel_values (torch.FloatTensor，形状为 `(batch_size, num_channels, image_size, image_size)`) — 对应输入图像的张量。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 ChameleonImageProcessor.call()。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在 padding token 索引上执行 attention 的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。

  什么是 attention 掩码？

  索引可以使用 AutoTokenizer 获得。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  如果使用 past_key_values，则可以选择仅输入最后的 input_ids（请参阅 past_key_values）。

  如果要更改 padding 行为，应阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。有关默认策略的更多信息，请参阅 论文 中的图 1。

  • 1 表示 head 未被掩盖，
  • 0 表示 head 被掩盖。
• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列 token 的位置索引。在范围 [0, config.n_positions - 1] 中选择。

  什么是位置 ID？

• past_key_values (Cache，可选) — 预先计算的隐藏状态（自注意力模块和交叉注意力模块中的键和值），可用于加速顺序解码。这通常包括模型在先前解码阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  应始终为 Cache 实例，并且模型将输出相同的 cache 实例。如果使用 past_key_values，则用户可以选择仅输入最后的 input_ids（那些没有将其 past key value 状态提供给此模型的 input_ids），形状为 (batch_size, 1)，而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• 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 索引转换为关联向量，这将非常有用。
• use_cache (bool，可选) — 如果设置为 True，则返回 past_key_values 键值状态，并且可以用于加速解码（请参阅 past_key_values）。
• 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。 有关更多详细信息，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。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列 token 在序列中位置的索引。与 position_ids 相反，此张量不受 padding 的影响。它用于在正确的位置更新 cache 并推断完整的序列长度。

一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包括各种元素，具体取决于配置 (ChameleonConfig) 和输入。

• last_hidden_state (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层的输出处的隐藏状态序列。

  如果使用 past_key_values，则仅输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

• past_key_values (tuple(tuple(torch.FloatTensor))，可选，当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元组，每个元组具有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量，并且可选地，如果 config.is_encoder_decoder=True，则还有 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

  包含预先计算的隐藏状态（自注意力模块中的键和值，以及可选地，如果 config.is_encoder_decoder=True，则在交叉注意力模块中），这些状态可以用于加速顺序解码（请参阅 past_key_values 输入）。

• 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，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个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，用于计算自注意力头的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列 token 的索引。默认情况下，如果您提供 padding，则 padding 将被忽略。

  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？

• pixel_values (torch.FloatTensor，形状为 `(batch_size, num_channels, image_size, image_size)`) — 对应输入图像的张量。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 ChameleonImageProcessor.call()。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在 padding token 索引上执行 attention 的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。

  什么是 attention 掩码？

  索引可以使用 AutoTokenizer 获得。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  如果使用 past_key_values，则可以选择仅输入最后的 input_ids（请参阅 past_key_values）。

  如果要更改 padding 行为，应阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。有关默认策略的更多信息，请参阅 论文 中的图 1。

  • 1 表示 head 未被掩盖，
  • 0 表示 head 被掩盖。
• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列 token 的位置索引。在范围 [0, config.n_positions - 1] 中选择。

  什么是位置 ID？

• past_key_values (Cache，可选) — 预先计算的隐藏状态（自注意力模块和交叉注意力模块中的键和值），可用于加速顺序解码。这通常包括模型在先前解码阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  应始终为 Cache 实例，并且模型将输出相同的 cache 实例。如果使用 past_key_values，则用户可以选择仅输入最后的 input_ids（那些没有将其 past key value 状态提供给此模型的 input_ids），形状为 (batch_size, 1)，而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• 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 索引转换为关联向量，这将非常有用。
• use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，并可用于加速解码 (参见 past_key_values)。
• output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。 更多细节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。 更多细节请参阅返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是一个普通元组。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 索引描述输入序列 tokens 在序列中的位置。 与 position_ids 相反，此张量不受 padding 的影响。 它用于在正确的位置更新缓存并推断完整序列长度。

  Args — labels (torch.LongTensor，形状为 (batch_size, sequence_length)，*可选*): 用于计算 masked language modeling 损失的标签。 索引应在 [0, ..., config.vocab_size] 或 -100 中 (参见 input_ids 文档字符串)。 索引设置为 -100 的 tokens 将被忽略 (masked)，损失仅针对标签在 [0, ..., config.vocab_size] 中的 tokens 计算。

一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含取决于配置 (ChameleonConfig) 和输入的各种元素。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失 (用于预测下一个 token)。

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

• past_key_values (tuple(tuple(torch.FloatTensor))，*可选*，当传递 use_cache=True 或当 config.use_cache=True 时返回) — tuple(tuple(torch.FloatTensor)) 元组，长度为 config.n_layers，每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)

  包含预先计算的隐藏状态 (自注意力模块中的键和值)，这些状态可以用于 (参见 past_key_values 输入) 加速顺序解码。

• 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，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个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，用于计算自注意力头的加权平均值。