变色龙
概览
变色龙模型由META AI变色龙团队在论文Chameleon: 混合模态早期融合基础模型中提出。变色龙是一种视觉语言模型,使用向量量化对图像进行分词,使模型能够生成多模态输出。该模型以图像和文本作为输入,包括交错格式,并生成文本响应。图像生成模块尚未发布。
论文的摘要如下
我们提出了Chameleon,这是一组早期融合的基于标记的多模态模型,能够理解和生成任意序列中的图像和文本。我们概述了一种从开始就稳定的训练方法、一种对齐配方以及一种适用于早期融合、基于标记、多模态环境的架构参数化。这些模型在包括视觉问答、图像字幕、文本生成、图像生成以及长格式多模态生成在内的广泛任务上进行了评估。Chameleon展示了广泛的通用能力,包括在图像字幕任务中的最先进性能,在纯文本任务中优于Llama-2,同时与Mixtral 8x7B和Gemini-Pro等模型保持竞争力,并在单个模型中执行非平凡的图像生成。根据在新长格式多模态生成评估中的人的评价,它在混合包含图像和文本的序列时,与Gemini Pro和GPT-4V等大型模型相匹配或超过性能。Chameleon在统一建模全文多模态文本文档方面迈出了重要一步。
Chameleon采用矢量量化模块将图像转换为离散标记。这也使得可以使用自回归Transformer进行图像生成。摘自原始论文。此模型由joaogante和RaushanTurganbay提供。原始代码可以在这里找到。
使用说明
我们建议在计算批量生成时使用
padding_side="left"
,这会导致更准确的结果。确保在生成之前将processor.tokenizer.padding_side = "left"
设置为。请注意,Chameleon经过安全对齐调整。如果模型拒绝回答,考虑提出一个更具体的问题,而不是开放式问题。
Chameleon以聊天格式进行生成,这意味着生成的文本将始终是“助手的回合”。你可以在调用处理器时传递
return_for_text_completion=True
以启用文本补全生成。
[!NOTE] Transformers中的Chameleon实现使用特殊图像标记来指示合并图像嵌入的位置。对于特殊图像标记,我们没有添加新的标记,而是使用了一个保留标记:
<reserved08707>
。你必须将<image>
添加到提示中,以便在嵌入图像的位置正确生成。
使用示例
单图推理
Chameleon是一个权限控制模型,所以请确保有访问权限并通过登录Hugging Face Hub并使用令牌。以下是加载模型和以半精度(torch.bfloat16
)执行推理的方法
from transformers import ChameleonProcessor, ChameleonForConditionalGeneration
import torch
from PIL import Image
import requests
processor = ChameleonProcessor.from_pretrained("facebook/chameleon-7b")
model = ChameleonForConditionalGeneration.from_pretrained("facebook/chameleon-7b", torch_dtype=torch.bfloat16, device_map="cuda")
# prepare image and text prompt
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
prompt = "What do you see in this image?<image>"
inputs = processor(prompt, image, return_tensors="pt").to(model.device)
# autoregressively complete prompt
output = model.generate(**inputs, max_new_tokens=50)
print(processor.decode(output[0], skip_special_tokens=True))
多图推理
Chameleon可以使用多张图像作为输入进行推理,这些图像属于同一个提示或在批量推理中属于不同的提示。以下是实现方法
from transformers import ChameleonProcessor, ChameleonForConditionalGeneration
import torch
from PIL import Image
import requests
processor = ChameleonProcessor.from_pretrained("facebook/chameleon-7b")
model = ChameleonForConditionalGeneration.from_pretrained("facebook/chameleon-7b", torch_dtype=torch.bfloat16, device_map="cuda")
# Get three different images
url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image_stop = Image.open(requests.get(url, stream=True).raw)
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image_cats = Image.open(requests.get(url, stream=True).raw)
url = "https://huggingface.co/microsoft/kosmos-2-patch14-224/resolve/main/snowman.jpg"
image_snowman = Image.open(requests.get(url, stream=True).raw)
# Prepare a batched prompt, where the first one is a multi-image prompt and the second is not
prompts = [
"What do these images have in common?<image><image>",
"<image>What is shown in this image?"
]
# We can simply feed images in the order they have to be used in the text prompt
# Each "<image>" token uses one image leaving the next for the subsequent "<image>" tokens
inputs = processor(text=prompts, images=[image_stop, image_cats, image_snowman], padding=True, return_tensors="pt").to(device="cuda", dtype=torch.bfloat16)
# Generate
generate_ids = model.generate(**inputs, max_new_tokens=50)
processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
模型优化
量化使用Bitsandbytes
该模型可以加载为8或4位,大大降低内存需求,同时保持原始模型的性能。首先请确保安装了bitsandbytes,pip install bitsandbytes
,并确保可以访问兼容CUDA的GPU设备。只需将上面的代码段替换为:
from transformers import ChameleonForConditionalGeneration, BitsAndBytesConfig
# specify how to quantize the model
quantization_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16,
)
model = ChameleonForConditionalGeneration.from_pretrained("facebook/chameleon-7b", quantization_config=quantization_config, device_map="cuda")
使用Flash-Attention 2和SDPA进一步加快生成
模型支持Flash-Attention 2和PyTorch的torch.nn.functional.scaled_dot_product_attention
,这可以用于优化。SDPA是加载模型时的默认选项,如果您想切换到Flash Attention 2,请首先确保安装了flash-attn。有关该包的安装,请参阅原始存储库。只需将上面的代码段替换为:
from transformers import ChameleonForConditionalGeneration
model_id = "facebook/chameleon-7b"
model = ChameleonForConditionalGeneration.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
low_cpu_mem_usage=True,
attn_implementation="flash_attention_2"
).to(0)
ChameleonConfig
class transformers.ChameleonConfig
< 源代码 >( vocab_size = 65536 hidden_size = 4096 intermediate_size = 11008 num_hidden_layers = 32 num_attention_heads = 32 num_key_value_heads = 32 hidden_act = 'silu' max_position_embeddings = 4096 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True pad_token_id = None bos_token_id = 1 eos_token_id = 2 tie_word_embeddings = False rope_theta = 10000.0 rope_scaling = None attention_bias = False attention_dropout = 0.0 model_parallel_size = 1 swin_norm = False vq_config = None vocabulary_map = None mlp_bias = False **kwargs )
参数
- vocab_size (
int
, 可选, 默认值 65536) —— 仙人_model 的词汇大小。定义了调用 ChameleonModel 时inputs_ids
传入的不同 tokens 的数量;这包括文本和图像 tokens。 - hidden_size (
int
, 可选, 默认值 4096) —— 隐藏表示的维度。 - intermediate_size (
int
, 可选, 默认值 11008) —— MLP 表示的维度。 - num_hidden_layers (
int
, 可选, 默认值 32) —— Transformer 解码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为32) — 每个Transformer解码器中的注意力层的注意力头数。 - num_key_value_heads (
int
, 可选, 默认为32) — 要用于实现分组查询注意力的键值头数。如果num_key_value_heads=num_attention_heads
,则模型将使用多头注意(MHA),如果num_key_value_heads=1
,则模型将使用多查询注意(MQA),否则使用GQA。在将多头检查点转换为GQA检查点时,每个组键和值头应该由分组内所有原始头的meanpooling构成。有关更多详细信息,请参阅[此论文](https://arxiv.org/pdf/2305.13245.pdf)。如果没有指定,将默认为num_attention_heads
。 - hidden_act (
str
或function
, 可选, 默认为"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - max_position_embeddings (
int
, 可选, 默认为 4096) — 此模型可能用到的最大序列长度。Chameleon 支持 4096 个令牌。 - initializer_range (
float
, 可选, 默认为 0.02) — 所有权重矩阵初始化的 truncated_normal_initializer 的标准差。 - rms_norm_eps (
float
, 可选, 默认为 1e-05) — rms 归一化层使用的 epsilon。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后的关键/值注意力(不是所有模型都使用)。只有当config.is_decoder=True
时才相关。 - pad_token_id (
int
, 可选) — 填充令牌 ID。 - bos_token_id (
int
, 可选, 默认值 1) — 流开始令牌 ID。 - eos_token_id (
int
, 可选, 默认值 2) — 流结束令牌 ID。 - tie_word_embeddings (
bool
, 可选, 默认值False
) — 是否绑定词嵌入权重。 - rope_theta (
float
, 可选, 默认为 10000.0) — RoPE 嵌入的基本周期。 - rope_scaling (
Dict
, 可选) — 包含 RoPE 嵌入缩放配置的字典。目前支持两种缩放策略:线性和中动态。它们的缩放因子必须是一个大于 1 的浮点数。预期的格式是{"type": 策略名称, "factor": 缩放因子}
。当使用此标志时,不要更新max_position_embeddings
到预期的新最大值。有关这些缩放策略行为的更多信息,请参见以下主题:https://www.reddit.com/r/Localchameleon/comments/14mrgpr/dynamically_scaled_rope_further_increases/。这是一个实验特性,未来版本可能会出现破坏性 API 变化。 - attention_bias (
bool
, 默认为False
, 可选) — 在自注意力期间是否使用查询、键、值和输出投影层的偏差。 - attention_dropout (
float
, 可选, 默认为 0.0) — 注意力概率的dropout比率。 - model_parallel_size (
int
, 可选, 默认为 1) — 训练模型时使用的shard数。这将在qk layernorm中用到,因为原始Chameleon推理在这些层中没有reduction,并且每个rank都有自己的偏差。 - swin_norm (
bool
, 可选, 默认为False
) — 使用Swin Transformer标准化。 - vq_config (
dict
, 可选) — 包含用于VQ-VAE模型配置的ChameleonVQConfig实例。 - 词汇映射(《字典》选项,可选)—— 包含从分词器词汇映射的字典。用于从图像输入中获取令牌。
- mlp_bias(《布尔值》选项,可选,默认为False)—— 是否在MLP层中的up_proj、down_proj和gate_proj层中使用偏置。
这是一个配置类,用于存储ChameleonModel的配置。它用于根据指定的参数实例化一个chameleon模型,定义模型架构。使用默认参数实例化配置将得到与meta/chameleon-7B类似的配置。
配置对象继承自PretrainedConfig,可以用于控制模型输出。有关更多信息,请参阅PretrainedConfig文档。
>>> from transformers import ChameleonModel, ChameleonConfig
>>> # Initializing a chameleon chameleon-7b style configuration
>>> configuration = ChameleonConfig()
>>> # Initializing a model from the chameleon-7b style configuration
>>> model = ChameleonModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ChameleonVQVAEConfig
类 transformers.ChameleonVQVAEConfig
< 源代码 >( embed_dim: int = 256 num_embeddings: int = 8192 double_latent: bool = False latent_channels: int = 256 resolution: int = 512 in_channels: int = 3 base_channels: int = 128 channel_multiplier: List = [1, 1, 2, 2, 4] num_res_blocks: int = 2 attn_resolutions: List = None dropout: float = 0.0 attn_type: str = 'vanilla' initializer_range = 0.02 **kwargs )
参数
- embed_dim (
int
, 可选,默认为 256) — 每个嵌入向量的维度性。 - num_embeddings (
int
,可选,默认为 8192) — 代码本嵌入的数量。 - double_latent (
bool
,可选,默认为False
) — 是否使用双 z 通道。 - latent_channels (
int
,可选,默认为 256) — 潜在空间的通道数量。 - resolution (
int
,可选,默认为 512) — 输入图像的分辨率。 - in_channels (
int
, 可选, 默认为 3) — 输入通道数。 - base_channels (
int
, 可选, 默认为 128) — 基础通道数。 - channel_multiplier (
List[int]
, 可选, 默认为[1, 1, 2, 2, 4]
) — 对每个分辨率的通道乘数。 - num_res_blocks (
int
, 可选, 默认为 2) — 非残差块的数量。 - attn_resolutions (
列表[int]
, 可选) — 应用注意力的分辨率。 - dropout (
浮点数
, 可选, 默认为0.0) — Dropout比率。 - attn_type (
字符串
, 可选, 默认为"vanilla"
) — VQ-GAN编码器中使用的注意类型。可以是“vanilla”或None。 - initializer_range (
浮点数
, 可选, 默认为0.02) — 截断正态初始化器初始化所有权重矩阵的标准差。
这是一个用于存储ChameleonVQModel
配置的配置类。它用于根据指定的参数实例化ChameleonVQModel
,定义模型架构。配置对象继承自PretrainedConfig,可用来控制模型输出。有关更多信息,请阅读PretrainedConfig文档。使用默认值创建配置将生成与meta/chameleon-7B的VQModel类似的配置。
ChameleonProcessor
class transformers.ChameleonProcessor
< 源代码 >( 图像处理器 分词器 图像序列长度: int = 1024 图像令牌: str = '<image>' )
参数
- image_processor (ChameleonImageProcessor) — 图像处理器是必需的输入。
- tokenizer (LlamaTokenizerFast) — 标记化器是必需的输入。
- image_seq_length (
int
, 可选, 默认为 1024) — 单个图像嵌入的序列长度。 - image_token (
str
, 可选, 默认为"<image>"
) — 用于在文本中表示图像的特殊标记。
构造一个Chameleon处理器,该处理器将Chameleon图像处理器和Chameleon标记化器封装成一个单一处理器。
ChameleonProcessor 提供了 ChameleonImageProcessor 和 LlamaTokenizerFast 所有的功能。更多信息请参阅 __call__()
和 decode()。
此方法将所有参数传递给 LlamaTokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
ChameleonImageProcessor
类 transformers.ChameleonImageProcessor
< source >( do_resize: bool = True size: Dict = None resample: Resampling = 1 do_center.crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.0078 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_rgb: bool = True **kwargs )
参数
- do_resize (
bool
, 可选, 默认值为True
) — 是否将图像的(高度,宽度)维度调整到指定的size
。可被preprocess
方法中的do_resize
覆盖。 - size (
Dict[str, int]
可选,默认为{"shortest_edge" -- 512}
): 改变图像大小后的尺寸。图像最短边将调整到 [“shortest_edge”] 的大小,最长边将调整以保持输入的宽高比。可以由preprocess
方法中的size
覆盖。 - resample (
PILImageResampling
,可选,默认为 1) — 如果改变图像大小,使用重采样的滤镜。可以由preprocess
方法中的resample
覆盖。 - do_center_crop (
bool
,可选,默认为True
) — 是否将图像中心裁剪到指定的crop_size
。可以由preprocess
方法中的do_center_crop
覆盖。 - crop_size (
Dict[str, int]
可选,默认为 {“height” — 512, “width”: 512}): 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,默认为True
) — 是否根据指定的缩放因子rescale_factor
进行图像缩放。可以被preprocess
方法中的do_rescale
覆盖。 - rescale_factor (
int
或float
,可选,默认为 0.0078) — 缩放图像时要使用的缩放因子。可以被preprocess
方法中的rescale_factor
覆盖。 - do_convert_rgb (
布尔值
, 可选, 默认为True
) — 是否将图像转换为RGB。
构建Chameleon图像处理器。
preprocess
< 源代码 >( images: 合并 do_resize: 布尔型 = None size: 字典 = None resample: 重采样 = None do_center_crop: 布尔型 = None crop_size: 整型 = None do_rescale: 布尔型 = None rescale_factor: 浮点 = None do_normalize: 布尔型 = None image_mean: 合并 = None image_std: 合并 = None do_convert_rgb: 布尔型 = None return_tensors: 合并 = None data_format: 可选 = <ChannelDimension.FIRST: 'channels_first'> input_data_format: 合并 = None )
参数
- images (
ImageInput
) — 需要预处理的图像。期望输入像素值介于 0 到 255 之间的单个或批量图像。如果传入像素值在 0 到 1 之间的图像,请设置do_rescale=False
。 - do_resize (
布尔型
) —— 是否调整图像大小。 - size (
Dict[str, int]
, 可选, 默认为self.size
) — 改变大小后的图像大小。图像的最短边更改到 size[“shortest_edge”],以保持输入宽高比,最长边进行相应调整。 - resample (
int
, 可选, 默认为self.resample
) — 图像更改大小时要使用的重采样滤波器。可以是枚举PILImageResampling
之一。仅在do_resize
设置为True
时有效。 - do_center_crop (
bool
, 可选, 默认为self.do_center_crop
) — 是否进行居中裁剪。 - crop_size (
Dict[str, int]
, 可选, 默认为self.crop_size
) — 中心裁剪的大小。只有当do_center_crop
设置为True
时才有效。 - do_rescale (
bool
, 可选, 默认为self.do_rescale
) — 是否缩放图像。 - rescale_factor (
float
, 可选, 默认为self.rescale_factor
) — 如果do_rescale
设置为True
,则缩放图像的缩放因子。 - do_normalize (
bool
, 可选, 默认为self.do_normalize
) — 是否对图像进行归一化。 - image_mean (
float
或List[float]
,可选,默认为self.image_mean
)— 用于归一化的图像均值。仅在将do_normalize
设置为True
时生效。 - image_std (
float
或List[float]
,可选,默认为self.image_std
)— 用于归一化的图像标准差。仅在将do_normalize
设置为True
时生效。 - 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 (
str
或TensorType
,可选) — 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
或'tf'
:返回类型为tf.Tensor
的批量数据。TensorType.PYTORCH
或'pt'
:返回类型为torch.Tensor
的批量数据。TensorType.NUMPY
或'np'
:返回类型为np.ndarray
的批量数据。TensorType.JAX
或'jax'
:返回类型为jax.numpy.ndarray
的批量数据。
- 未设置:返回一个
- 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) — 输入图像的通道维数格式。如果未设置,则从输入图像推断通道维数格式。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)。
预处理图像或图像批。
ChameleonVQVAE
类 transformers.ChameleonVQVAE
< source >( config: ChameleonVQVAEConfig )
参数
- config (ChameleonVQVAEConfig) —— 包含模型所有参数的模型配置类。使用配置文件初始化模型时,不会加载模型相关的权重,只会加载配置。请参阅 from_pretrained() 方法以加载模型权重。
Chameleon用于将图像编码/解码为离散令牌的VQ-VAE模型。该模型遵循来自Oran Gafni, Adam Polyak, Oron Ashual, Shelly Sheynin, Devi Parikh, 和 Yaniv Taigman的“Make-a-scene: 基于场景的文本到图像生成,具有人类先验学习”论文。
此模型继承自PreTrainedModel。请查阅超类文档,了解库为所有模型实现的通用方法(如下载或保存、调整输入嵌入大小、剪枝头部等)。
此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有有关通用使用和行为的问题。
定义每次调用时执行的计算。
应该由所有子类覆盖。
尽管需要在此函数中定义前向传递的配方,但应当在调用 Module
实例之后而不是此函数中,因为前者会处理运行已注册的钩子,而后者会默默地忽略它们。
ChameleonModel
类 transformers.ChameleonModel
< 来源 >( config: ChameleonConfig )
参数
- config (ChameleonConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载模型相关的权重,只有配置。查看 from_pretrained() 方法以加载模型权重。config — ChameleonConfig
一个裸的Chameleon模型,输出原始的隐藏状态,没有顶部的特定头部。此模型继承自 PreTrainedModel。请检查通用方法的超类文档,这些方法是库为所有模型实现的(例如下载或保存、调整输入嵌入的大小、剪枝头部等)
此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有有关通用使用和行为的问题。
由配置的 num_hidden_layers 层组成的Transformer解码器。每层都是一个 ChameleonDecoderLayer
forward
< source >( input_ids: LongTensor = None pixel_values: FloatTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状(batch_size, sequence_length)
) — 词汇表中的输入序列标记的索引。如果提供,则默认忽略填充。 - pixel_values (
torch.FloatTensor
形状 `(batch_size, num_channels, image_size, image_size)`) — 与输入图像相对应的张量。像素值可以通过 AutoImageProcessor 获取。有关详细信息,请参阅 ChameleonImageProcessor.call()。 - attention_mask(
torch.Tensor
形状为(batch_size, sequence_length)
的张量,可选)—— 避免在填充标记的索引上进行注意力运算的掩码。掩码值选取于[0, 1]
:《p>- 1 表示 tokens 未被掩码,
- 0 表示 tokens 被掩码。
索引可以通过使用 AutoTokenizer 获得。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可选只输入最后的input_ids
(请参阅past_key_values
)。若要更改填充行为,请阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需求进行修改。有关默认策略的更多信息,请参阅 论文中的图1。- 1 表示头未掩码,
- 0 表示头被掩码。
- position_ids(
torch.LongTensor
形状为(batch_size, sequence_length)
的张量,可选)—— 每个输入序列中标记在位置嵌入中的索引。选择范围在[0, config.n_positions - 1]
内。《p> - 过去的键值 (
Cache
, 可选) — 可以用于加速顺序解码的预计算隐藏状态(自注意力块和交叉注意力块中的键和值)。这通常包含在解码的先前的阶段模型返回的past_key_values
,当use_cache=True
或config.use_cache=True
时。 应该始终是一个 Cache 实例,并且模型将输出相同的缓存实例。如果使用past_key_values
,则用户可以选择只输入形状为(batch_size, 1)
的最后一个input_ids
(那些没有将过去的键值状态提供给此模型的)而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - 输入嵌入 (
shape
为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
,可选) — 也可以选择直接传递嵌套表示,而不传递input_ids
。如果您想要比模型的内部嵌入查找矩阵有更多控制权,将input_ids
索引转换为其相关向量,这很有用。 - use_cache (
bool
,可选) — 如果设置为True
,将返回past_key_values
键值状态,并可以使用来加速解码(请参阅past_key_values
)。 - 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。关于详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是纯元组。 - cache_position (
torch.LongTensor
的形状为(sequence_length)
,可选) — 表示输入序列标记在序列中的位置的索引。与position_ids
不同,此张量不受填充的影响。它用于更新缓存到正确的位置,并推断完整的序列长度。
返回值
transformers.modeling_outputs.BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个包含多个元素的 torch.FloatTensor
组成的元组(如果传递了参数 return_dict=False
或当 config.return_dict=False
时),这些元素取决于配置(ChameleonConfig)和输入。
-
last_hidden_state (
torch.FloatTensor
的形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出的隐藏状态序列。如果使用了
past_key_values
,则只输出形状为(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,在传递了参数use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
组成的元组,每个元组包含两个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量,如果config.is_encoder_decoder=True
,则可选地包含两个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。包含预先计算的隐藏状态(自注意力块中的键和值以及在
config.is_encoder_decoder=True
时可选地在交叉注意力块中的)可用于(参见past_key_values
输入)以加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,在传递了参数output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 包含一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果有嵌入层,则为嵌入输出的一个,加上每个层输出的一个)。模型在每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,在传递了参数output_attentions=True
或当config.output_attentions=True
时返回) — 包含形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)。注意力的权重在注意力 softmax 后,用于在自注意力头中计算加权平均。
ChameleonModel 的前进方法覆盖了特殊的 __call__
方法。
尽管前向传递的配方需要在函数内部定义,但是应该在调用 Module
实例之后而不是这个函数上调用它,因为前者负责运行预和后处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, ChameleonModel
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("meta/chameleon-7b")
>>> model = ChameleonModel.from_pretrained("meta/chameleon-7b")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
ChameleonForConditionalGeneration
类 transformers.ChameleonForConditionalGeneration
< source >( config )
参数
- config (ChameleonConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法以加载模型权重。
Chameleon模型,顶部有头部用于输出下一个标记的logits。此模型继承自PreTrainedModel。检查超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等。)
此模型也是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并查阅PyTorch文档以了解所有有关通用使用和行为的问题。
forward
< 来源 >( input_ids: LongTensor = None pixel_values: FloatTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None ) → transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
of shape(batch_size, sequence_length)
) — 语料库中输入序列标记的索引。如果您提供它,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,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- pixel_values (
torch.FloatTensor
of shape `(batch_size, num_channels, image_size, image_size)) — 对应输入图像的张量。可以借助 AutoImageProcessor 获取像素值。有关详细信息,请参阅 ChameleonImageProcessor.call()。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.Tensor
,可选) — 用于避免在填充标记索引上进行注意力操作的面具。选定的面具值在[0, 1]
范围内:- 未面具 的标记为 1,
- 面具 的标记为 0。
可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
如果使用
past_key_values
,则可选地仅需要输入最后input_ids
(请参阅past_key_values
)。如果想要更改填充行为,应该阅读
modeling_opt._prepare_decoder_attention_mask
并根据需要进行修改。有关默认策略的更多信息,请参阅 文献 中的图 1。- 值为 1 表示头部未 面具,
- 值为 0 表示头部 面具。
- position_ids (形状为
(batch_size, sequence_length)
的torch.LongTensor
,可选) — 每个输入序列标记在位置嵌入中的位置索引。在选择范围内[0, config.n_positions - 1]
。 - past_key_values (
Cache
, 可选) — 预计算隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加快顺序解码。这通常由模型在解码之前阶段的返回的past_key_values
组成,当use_cache=True
或config.use_cache=True
时。应当始终是一个 Cache 实例,并且模型将输出同一个缓存实例。如果使用了
past_key_values
,用户可以可选地只输入最后一层input_ids
(那些没有给出模型过去键值状态的)的形状为(batch_size, 1)
,而不是所有input_ids
(形状为(batch_size, sequence_length)
)。 - inputs_embeds (
torch.FloatTensor
的形状为(batch_size, sequence_length, hidden_size)
,可选) — 选择不传递input_ids
而是直接传递嵌入表示。如果想要比模型内部的嵌入查询矩阵有更多的控制权来转换input_ids
索引到相应的向量时,这很有用。 - use_cache (
bool
,可选) — 如果设置为True
,将返回past_key_values
键值状态并可用于加快解码(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。更多细节请参见返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回ModelOutput 而不是 plain tuple。 - cache_position (
torch.LongTensor
形状为(sequence_length)
,可选)—— 表示输入序列标记在序列中的位置的索引。与position_ids
不同,该张量不受填充影响。它用于在正确的位置更新缓存并推断完整序列长度。
返回值
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
A transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
),包含根据配置(ChameleonConfig)和输入而定的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回)—— 语言模型损失(用于下一个标记预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
)—— 语言模型头的预测得分(在 SoftMax 之前的每个词汇标记的得分)。 -
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(torch.FloatTensor)
元组,每个元组包含2个张量,形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
)包含预计算的隐藏状态(自注意力块中的键和值),可以在(参见
past_key_values
输入)中用于加快顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,在传递了参数output_hidden_states=True
或当config.output_hidden_states=True
时返回) — 包含一个形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
的元组(如果有嵌入层,则为嵌入输出的一个,加上每个层输出的一个)。模型在每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,在传递了参数output_attentions=True
或当config.output_attentions=True
时返回) — 包含形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
的元组(每个层一个)。注意力的权重在注意力 softmax 后,用于在自注意力头中计算加权平均。
ChameleonForConditionalGeneration 前向方法覆盖了 __call__
特殊方法。
尽管前向传递的配方需要在函数内部定义,但是应该在调用 Module
实例之后而不是这个函数上调用它,因为前者负责运行预和后处理步骤,而后者默默地忽略它们。
示例
>>> from transformers import ChameleonProcessor, ChameleonForConditionalGeneration
>>> import torch
>>> import requests
>>> from PIL import Image
>>> model = ChameleonForConditionalGeneration.from_pretrained("facebook/chameleon-7b", torch_dtype=torch.bfloat16)
>>> processor = ChameleonProcessor.from_pretrained("facebook/chameleon-7b")
>>> prompt = "I used to know a lot about constellations when I was younger, but as I grew older, I forgot most of what I knew. These are the only two constellations that I really remember now.<image><image>I would like for you to tell me about 3 more constellations and give me a little bit of history about the constellation."
>>> image = Image.open(requests.get("https://nineplanets.org/wp-content/uploads/2020/12/the-big-dipper-1.jpg", stream=True).raw)
>>> image_2 = Image.open(requests.get("https://www.kxan.com/wp-content/uploads/sites/40/2020/10/ORION.jpg", stream=True).raw)
>>> inputs = processor(prompt, images=[image, image_2], return_tensors="pt").to(model.device, torch.bfloat16)
>>> generated_ids = model.generate(**inputs, max_new_tokens=100, do_sample=False)
>>> processor.batch_decode(generated_ids, skip_special_tokens=True)[0]