ConvNeXT
概述
ConvNeXT 模型由 Zhuang Liu、Hanzi Mao、Chao-Yuan Wu、Christoph Feichtenhofer、Trevor Darrell 和 Saining Xie 在 A ConvNet for the 2020s 中提出。ConvNeXT 是一种纯卷积模型 (ConvNet)，其设计灵感来自 Vision Transformers，并声称其性能优于后者。
论文中的摘要如下：
视觉识别的“咆哮的 20 年代”始于 Vision Transformers (ViT) 的引入，它迅速取代了 ConvNet 成为最先进的图像分类模型。另一方面，当应用于一般的计算机视觉任务（如目标检测和语义分割）时，普通的 ViT 会面临困难。正是分层 Transformer（例如 Swin Transformers）重新引入了几个 ConvNet 先验知识，使 Transformer 作为通用的视觉骨干网络在实践中变得可行，并在各种视觉任务上展现出卓越的性能。然而，此类混合方法的有效性在很大程度上仍然归因于 Transformer 的内在优越性，而不是卷积固有的归纳偏差。在这项工作中，我们重新审视了设计空间，并测试了纯 ConvNet 可以达到的极限。我们逐步将标准 ResNet “现代化”以适应视觉 Transformer 的设计，并在此过程中发现了几个有助于性能差异的关键组件。这项探索的结果是一系列名为 ConvNeXT 的纯 ConvNet 模型。ConvNeXT 完全由标准 ConvNet 模块构建，在准确性和可扩展性方面与 Transformer 竞争，实现了 87.8% 的 ImageNet top-1 准确率，并在 COCO 检测和 ADE20K 分割方面优于 Swin Transformer，同时保持了标准 ConvNet 的简单性和效率。
ConvNeXT 架构。摘自原始论文。此模型由 nielsr 贡献。该模型的 TensorFlow 版本由 ariG23498、gante 和 sayakpaul（贡献相同）贡献。原始代码可以在这里找到 这里。
资源
以下列出了官方 Hugging Face 和社区（🌎 表示）资源，可帮助您开始使用 ConvNeXT。
- ConvNextForImageClassification 由此 示例脚本 和 笔记本 支持。
- 另请参阅：图像分类任务指南
如果您有兴趣提交要在此处包含的资源，请随时打开一个 Pull Request，我们会进行审查！理想情况下，该资源应展示一些新内容，而不是重复现有资源。
ConvNextConfig
class transformers.ConvNextConfig
< 源代码 >( num_channels = 3 patch_size = 4 num_stages = 4 hidden_sizes = None depths = None hidden_act = 'gelu' initializer_range = 0.02 layer_norm_eps = 1e-12 layer_scale_init_value = 1e-06 drop_path_rate = 0.0 image_size = 224 out_features = None out_indices = None **kwargs )
参数
- num_channels (
int, 可选，默认为 3) — 输入通道数。 - patch_size (
int, 可选，默认为 4) — 在 patch embedding 层中使用的 patch 大小。 - num_stages (
int, 可选，默认为 4) — 模型中的阶段数。 - hidden_sizes (
List[int], 可选，默认为 [96, 192, 384, 768]) — 每个阶段的维度（隐藏大小）。 - depths (
List[int]，可选，默认为 [3, 3, 9, 3]) — 每个阶段的深度（块数）。 - hidden_act (
str或function，可选，默认为"gelu") — 每个块中的非线性激活函数（函数或字符串）。如果为字符串，则支持"gelu"、"relu"、"selu"和"gelu_new"。 - initializer_range (
float，可选，默认为 0.02) — 初始化所有权重矩阵的截断正态初始化器的标准差。 - layer_norm_eps (
float，可选，默认为 1e-12) — 层归一化层使用的 epsilon。 - layer_scale_init_value (
float，可选，默认为 1e-6) — 层缩放的初始值。 - drop_path_rate (
float，可选，默认为 0.0) — 随机深度的丢弃率。 - out_features (
List[str]，可选) — 如果用作骨干网络，则输出特征的列表。可以是"stem"、"stage1"、"stage2"等（取决于模型有多少个阶段）。如果未设置且out_indices已设置，则默认为相应的阶段。如果未设置且out_indices未设置，则默认为最后一个阶段。必须与stage_names属性中定义的顺序相同。 - out_indices (
List[int]，可选) — 如果用作骨干网络，则输出特征的索引列表。可以是 0、1、2 等（取决于模型有多少个阶段）。如果未设置且out_features已设置，则默认为相应的阶段。如果未设置且out_features未设置，则默认为最后一个阶段。必须与stage_names属性中定义的顺序相同。
这是用于存储 ConvNextModel 配置的配置类。它用于根据指定的参数实例化 ConvNeXT 模型，定义模型架构。使用默认值实例化配置将产生与 ConvNeXT facebook/convnext-tiny-224 架构类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import ConvNextConfig, ConvNextModel
>>> # Initializing a ConvNext convnext-tiny-224 style configuration
>>> configuration = ConvNextConfig()
>>> # Initializing a model (with random weights) from the convnext-tiny-224 style configuration
>>> model = ConvNextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configConvNext特征提取器
ConvNextImageProcessor
类 transformers.ConvNextImageProcessor
< 源代码 >( do_resize: bool = True size: Dict = None crop_pct: float = None resample: Resampling = <Resampling.BILINEAR: 2> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None **kwargs )
参数
- do_resize (
bool, 可选, 默认为True) — 控制是否将图像的 (高度, 宽度) 尺寸调整为指定的size。可以在preprocess方法中通过do_resize覆盖。 - size (
Dict[str, int]可选, 默认为{"shortest_edge" -- 384}): 应用resize后输出图像的分辨率。如果size["shortest_edge"]>= 384，则图像将调整为(size["shortest_edge"], size["shortest_edge"])。否则，图像的较小边将与int(size["shortest_edge"]/crop_pct)匹配，之后图像将裁剪为(size["shortest_edge"], size["shortest_edge"])。仅当do_resize设置为True时有效。可以在preprocess方法中通过size覆盖。 - crop_pct (
float可选, 默认为 224 / 256) — 要裁剪的图像的百分比。仅当do_resize为True且 size < 384 时有效。可以在preprocess方法中通过crop_pct覆盖。 - resample (
PILImageResampling, 可选, 默认为Resampling.BILINEAR) — 如果调整图像大小，则要使用的重采样过滤器。可以在preprocess方法中通过resample覆盖。 - do_rescale (
bool, 可选, 默认为True) — 是否根据指定的比例rescale_factor重新缩放图像。可以在preprocess方法中通过do_rescale覆盖。 - rescale_factor (
int或float, 可选, 默认为1/255) — 如果重新缩放图像，则要使用的缩放因子。可以在preprocess方法中通过rescale_factor覆盖。 - do_normalize (
bool, 可选, 默认为True) — 是否标准化图像。可以通过preprocess方法中的do_normalize参数覆盖。
构建一个ConvNeXT图像处理器。
preprocess
< 源代码 >( images: Union do_resize: bool = None size: Dict = None crop_pct: float = None resample: Resampling = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None return_tensors: Union = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )
参数
- images (
ImageInput) — 要预处理的图像。期望单个或一批像素值范围为 0 到 255 的图像。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) — 应用resize后输出图像的大小。如果size["shortest_edge"]>= 384，则图像调整为(size["shortest_edge"], size["shortest_edge"])。否则，图像的较小边将与int(size["shortest_edge"]/ crop_pct)匹配，之后图像将裁剪为(size["shortest_edge"], size["shortest_edge"])。仅当do_resize设置为True时才有效。 - crop_pct (
float, 可选，默认为self.crop_pct) — 如果 size < 384，则要裁剪的图像的百分比。 - resample (
int, 可选，默认为self.resample) — 如果调整图像大小，则使用的重采样滤镜。这可以是PILImageResampling过滤器之一。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至 [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重新缩放因子。 - 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）— 图像均值。 - image_std（
float或List[float]，可选，默认为self.image_std）— 图像标准差。 - 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'：返回类型为tf.Tensor的批次。TensorType.PYTORCH或'pt'：返回类型为torch.Tensor的批次。TensorType.NUMPY或'np'：返回类型为np.ndarray的批次。TensorType.JAX或'jax'：返回类型为jax.numpy.ndarray的批次。
- 未设置：返回
- 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，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)。
预处理图像或图像批次。
ConvNextModel
类 transformers.ConvNextModel
< 源代码 >( config )
参数
- config（ConvNextConfig）— 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法加载模型权重。
基础 ConvNext 模型，输出原始特征，顶部没有任何特定的头部。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
前向传播
( pixel_values: FloatTensor = None output_hidden_states: Optional = None return_dict: Optional = None ) →transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor) 参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅 ConvNextImageProcessor.call()。 - 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，请参阅返回张量中的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (ConvNextConfig) 和输入而变化的各种元素。
-
last_hidden_state (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 模型最后一层输出处的隐藏状态序列。 -
pooler_output (
torch.FloatTensor形状为(batch_size, hidden_size)) — 在空间维度上进行池化操作后的最后一层隐藏状态。 -
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（一个用于嵌入的输出，如果模型具有嵌入层，加上每一层的输出）形状为(batch_size, num_channels, height, width)。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。
ConvNextModel 的前向方法覆盖了 __call__ 特殊方法。
虽然前向传递的配方需要在此函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, ConvNextModel
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/convnext-tiny-224")
>>> model = ConvNextModel.from_pretrained("facebook/convnext-tiny-224")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 768, 7, 7]ConvNextForImageClassification
类 transformers.ConvNextForImageClassification
< 源代码 >( config )
参数
- config (ConvNextConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
在顶部具有图像分类头的 ConvNext 模型（池化特征顶部的线性层），例如用于 ImageNet。
此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块，并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。
前向传播
< 源代码 >( pixel_values: FloatTensor = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor形状为(batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅 ConvNextImageProcessor.call()。 - 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，请参阅返回张量中的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,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels == 1，则计算回归损失（均方误差损失），如果config.num_labels > 1，则计算分类损失（交叉熵损失）。
返回
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (ConvNextConfig) 和输入而变化的各种元素。
- loss (
torch.FloatTensor形状为(1,)，可选，当提供labels时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。 - logits (
torch.FloatTensor形状为(batch_size, config.num_labels)) — 分类（或如果 config.num_labels==1 则为回归）分数（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（一个用于嵌入的输出，如果模型具有嵌入层，加上每个阶段输出的一个）形状为(batch_size, num_channels, height, width)。模型在每个阶段输出处的隐藏状态（也称为特征图）。
ConvNextForImageClassification 的前向方法覆盖了 __call__ 特殊方法。
虽然前向传递的配方需要在此函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, ConvNextForImageClassification
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/convnext-tiny-224")
>>> model = ConvNextForImageClassification.from_pretrained("facebook/convnext-tiny-224")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby catTFConvNextModel
类 transformers.TFConvNextModel
< 源代码 >( config *inputs add_pooling_layer = True **kwargs )
参数
- config (ConvNextConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
不带任何特定头部输出原始特征的裸 ConvNext 模型。此模型继承自 TFPreTrainedModel。检查超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头部等）。
此模型也是 keras.Model 的子类。将其用作常规 TF 2.0 Keras 模型，并参考 TF 2.0 文档以了解所有与一般用法和行为相关的事项。
transformers 中的 TensorFlow 模型和层接受两种格式作为输入
- 将所有输入作为关键字参数（如 PyTorch 模型），或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
支持第二种格式的原因是 Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持，当使用诸如 model.fit() 之类的方法时，事情应该“正常工作”——只需以 model.fit() 支持的任何格式传递您的输入和标签即可！但是，如果您想在 Keras 方法（如 fit() 和 predict()）之外使用第二种格式，例如在使用 Keras Functional API 创建自己的层或模型时，您可以使用三种可能性将所有输入张量收集在第一个位置参数中
- 仅使用
pixel_values且没有任何其他内容的单个张量：model(pixel_values) - 具有一个或多个输入张量的可变长度列表，按文档字符串中给出的顺序排列：
model([pixel_values, attention_mask])或model([pixel_values, attention_mask, token_type_ids]) - 具有一个或多个输入张量的字典，这些张量与文档字符串中给出的输入名称相关联：
model({"pixel_values": pixel_values, "token_type_ids": token_type_ids})
请注意，当使用 子类化 创建模型和层时，您无需担心任何这些问题，因为您可以像对任何其他 Python 函数一样传递输入！
调用
< 源代码 >( pixel_values: TFModelInputType | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False ) → transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tuple(tf.Tensor)
参数
- pixel_values (
np.ndarray,tf.Tensor,List[tf.Tensor]`Dict[str, tf.Tensor]或Dict[str, np.ndarray]，每个示例必须具有形状(batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅 ConvNextImageProcessor.call()。 - 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，请参阅返回张量中的hidden_states。此参数仅可在 Eager 模式下使用，在 Graph 模式下，将使用配置中的值。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。此参数可在 Eager 模式下使用，在 Graph 模式下，该值将始终设置为 True。
返回
transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tf.Tensor 的元组（如果传递了 return_dict=False 或 config.return_dict=False），包含取决于配置 (ConvNextConfig) 和输入的各种元素。
-
last_hidden_state (
tf.Tensor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。 -
pooler_output (
tf.Tensor形状为(batch_size, hidden_size)) — 序列的第一个标记（分类标记）的最后一层隐藏状态，并进一步由线性层和 Tanh 激活函数处理。在预训练期间，线性层权重是从下一个句子预测（分类）目标中训练出来的。此输出通常不是输入语义内容的良好总结，通常使用整个输入序列的隐藏状态的平均值或池化效果更好。
-
hidden_states (
tuple(tf.Tensor), 可选，当传递output_hidden_states=True或config.output_hidden_states=True时返回) —tf.Tensor的元组（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加上初始嵌入输出。
-
attentions (
tuple(tf.Tensor), 可选，当传递output_attentions=True或config.output_attentions=True时返回) —tf.Tensor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。
TFConvNextModel 的前向方法，覆盖了 __call__ 特殊方法。
虽然前向传递的配方需要在此函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, TFConvNextModel
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/convnext-tiny-224")
>>> model = TFConvNextModel.from_pretrained("facebook/convnext-tiny-224")
>>> inputs = image_processor(images=image, return_tensors="tf")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_stateTFConvNextForImageClassification
类 transformers.TFConvNextForImageClassification
< 源代码 >( config: ConvNextConfig *inputs **kwargs )
参数
- config (ConvNextConfig) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化不会加载与模型关联的权重，只会加载配置。请查看 from_pretrained() 方法以加载模型权重。
在顶部具有图像分类头的 ConvNext 模型（池化特征顶部的线性层），例如用于 ImageNet。
此模型继承自 TFPreTrainedModel。请查看超类文档，了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、剪枝 head 等）。
此模型也是 keras.Model 的子类。将其用作常规 TF 2.0 Keras 模型，并参考 TF 2.0 文档以了解所有与一般用法和行为相关的事项。
transformers 中的 TensorFlow 模型和层接受两种格式作为输入
- 将所有输入作为关键字参数（如 PyTorch 模型），或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
支持第二种格式的原因是 Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持，当使用诸如 model.fit() 之类的方法时，事情应该“正常工作”——只需以 model.fit() 支持的任何格式传递您的输入和标签即可！但是，如果您想在 Keras 方法（如 fit() 和 predict()）之外使用第二种格式，例如在使用 Keras Functional API 创建自己的层或模型时，您可以使用三种可能性将所有输入张量收集在第一个位置参数中
- 仅使用
pixel_values且没有任何其他内容的单个张量：model(pixel_values) - 具有一个或多个输入张量的可变长度列表，按文档字符串中给出的顺序排列：
model([pixel_values, attention_mask])或model([pixel_values, attention_mask, token_type_ids]) - 具有一个或多个输入张量的字典，这些张量与文档字符串中给出的输入名称相关联：
model({"pixel_values": pixel_values, "token_type_ids": token_type_ids})
请注意，当使用 子类化 创建模型和层时，您无需担心任何这些问题，因为您可以像对任何其他 Python 函数一样传递输入！
调用
< 源代码 >( pixel_values: TFModelInputType | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None labels: np.ndarray | tf.Tensor | None = None training: Optional[bool] = False ) → transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
参数
- pixel_values (
np.ndarray,tf.Tensor,List[tf.Tensor]`Dict[str, tf.Tensor]或Dict[str, np.ndarray]，并且每个示例必须具有形状(batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅 ConvNextImageProcessor.call()。 - 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，请参阅返回张量中的hidden_states。此参数只能在渴望模式下使用，在图形模式下将使用配置中的值。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。此参数可以在渴望模式下使用，在图形模式下，该值将始终设置为 True。 - labels (
tf.Tensor或np.ndarray形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方误差损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回
transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或 tf.Tensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (ConvNextConfig) 和输入的各种元素。
-
loss (
tf.Tensor形状为(batch_size, )，可选，在提供labels时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。 -
logits (
tf.Tensor形状为(batch_size, config.num_labels)) — 分类（或如果 config.num_labels==1 则为回归）分数（在 SoftMax 之前）。 -
hidden_states (
tuple(tf.Tensor), 可选，当传递output_hidden_states=True或config.output_hidden_states=True时返回) —tf.Tensor的元组（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加上初始嵌入输出。
-
attentions (
tuple(tf.Tensor), 可选，当传递output_attentions=True或config.output_attentions=True时返回) —tf.Tensor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。
该 TFConvNextForImageClassification 正向方法覆盖了 __call__ 特殊方法。
虽然前向传递的配方需要在此函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, TFConvNextForImageClassification
>>> import tensorflow as tf
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("facebook/convnext-tiny-224")
>>> model = TFConvNextForImageClassification.from_pretrained("facebook/convnext-tiny-224")
>>> inputs = image_processor(images=image, return_tensors="tf")
>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_class_idx = tf.math.argmax(logits, axis=-1)[0]
>>> print("Predicted class:", model.config.id2label[int(predicted_class_idx)])