Transformers 文档
DeepSeek-OCR-2
并获得增强的文档体验
开始使用
该模型于 2026-01-28 发布在 HF 论文中，并于 2026-06-01 贡献给 Hugging Face Transformers。
DeepSeek-OCR-2
概述
DeepSeek-OCR-2 模型由 DeepSeek 团队在论文 Visual Causal Flow: A Novel Approach to OCR-Specialized Vision-Language Models 中提出。
DeepSeek-OCR-2 是一款专用于 OCR 的视觉语言模型，构建在独特的架构之上：SAM ViT-B 视觉编码器输入到 Qwen2 混合注意力编码器中，后者通过 MLP 投影器连接到 DeepSeek-V2 混合专家（MoE）语言模型。该模型的一个关键特性是其混合注意力机制，该机制对图像 token 应用双向注意力，并对查询（query）token 应用因果（causal）注意力，从而实现高效、准确的文档理解。
DeepSeek-OCR 2: 视觉因果流（Visual Causal Flow）。该模型由 thisisiron 贡献。
用法示例
普通 OCR
from transformers import AutoProcessor, AutoModelForImageTextToText
model = AutoModelForImageTextToText.from_pretrained(
"deepseek-community/DeepSeek-OCR-2", device_map="auto"
)
processor = AutoProcessor.from_pretrained("deepseek-community/DeepSeek-OCR-2")
image = "https://huggingface.co/datasets/hf-internal-testing/fixtures_got_ocr/resolve/main/image_ocr.jpg"
inputs = processor(images=image, text="<image>\nFree OCR.", return_tensors="pt").to(model.device)
generate_ids = model.generate(**inputs, do_sample=False, max_new_tokens=256)
processor.decode(generate_ids[0, inputs["input_ids"].shape[1] :], skip_special_tokens=True)
# "R&D QUALITY IMPROVEMENT\nSUGGESTION/SOLUTION FORM\nName/Phone Ext. : (...)"带 Markdown 转换的定位（Grounding）
<|grounding|> token 能够通过 <|ref|> 和 <|det|> 标签实现感知坐标的输出。
inputs = processor(
images=image,
text="<image>\n<|grounding|>Convert the document to markdown.",
return_tensors="pt",
).to(model.device)
generate_ids = model.generate(**inputs, do_sample=False, max_new_tokens=256)
processor.decode(generate_ids[0, inputs["input_ids"].shape[1] :], skip_special_tokens=False)
# "<|ref|>title<|/ref|><|det|>[[330, 198, 558, 230]]<|/det|>\n# R&D QUALITY (...)"DeepseekOcr2Config
class transformers.DeepseekOcr2Config
< source >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None image_token_id: int = 128815 tie_word_embeddings: bool = False )
参数
- vision_config (
dict或DeepseekOcr2VisionConfig, 可选) — 视觉编码器的配置。默认为DeepseekOcr2VisionConfig()。 - text_config (
Union[dict, ~configuration_utils.PreTrainedConfig], 可选) — 文本骨干网络（text backbone）的配置对象或字典。 - image_token_id (
int, 可选, 默认为128815) — 用作输入图像占位符的图像 token 索引。 - tie_word_embeddings (
bool, 可选, 默认为False) — 是否根据模型的tied_weights_keys映射绑定权重嵌入。
这是用于存储 DeepseekOcr2Model 配置的配置类。它用于根据指定的参数实例化 Deepseek Ocr2 模型，从而定义模型架构。使用默认值实例化配置将产生与 deepseek-community/DeepSeek-OCR-2 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。
DeepseekOcr2VisionConfig
class transformers.DeepseekOcr2VisionConfig
< source >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None sam_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None encoder_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None )
这是用于存储 DeepseekOcr2Model 配置的配置类。它用于根据指定的参数实例化 Deepseek Ocr2 模型，从而定义模型架构。使用默认值实例化配置将产生与 deepseek-community/DeepSeek-OCR-2 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。
DeepseekOcr2SamVisionConfig
class transformers.DeepseekOcr2SamVisionConfig
< source >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None hidden_size: int = 768 output_channels: int = 256 num_hidden_layers: int = 12 num_attention_heads: int = 12 num_channels: int = 3 image_size: int | list[int] | tuple[int, int] = 1024 patch_size: int | list[int] | tuple[int, int] = 16 hidden_act: str = 'gelu' layer_norm_eps: float = 1e-06 attention_dropout: float | int = 0.0 initializer_range: float = 1e-10 qkv_bias: bool = True mlp_ratio: float = 4.0 use_abs_pos: bool = True use_rel_pos: bool = True window_size: int = 14 global_attn_indexes: list[int] | tuple[int, ...] = (2, 5, 8, 11) mlp_dim: int | None = None downsample_channels: list[int] | None = None )
参数
- hidden_size (
int, 可选, 默认为768) — 隐藏表示的维度。 - output_channels (
int, 可选, 默认为 256) — SAM neck 中的输出通道数。 - num_hidden_layers (
int, 可选, 默认为12) — Transformer 解码器中的隐藏层数。 - num_attention_heads (
int, 可选, 默认为12) — Transformer 解码器中每个注意力层的注意力头数。 - num_channels (
int, 可选, 默认为3) — 输入通道数。 - image_size (
Union[int, list[int], tuple[int, int]], 可选, 默认为1024) — 每张图像的大小（分辨率）。 - patch_size (
Union[int, list[int], tuple[int, int]], 可选, 默认为16) — 每个 patch 的大小（分辨率）。 - hidden_act (
str, 可选, 默认为gelu) — 解码器中的非线性激活函数（函数或字符串）。例如"gelu"、"relu"、"silu"等。 - layer_norm_eps (
float, 可选, 默认为1e-06) — 层归一化（layer normalization）层使用的 epsilon。 - attention_dropout (
Union[float, int], 可选, 默认为0.0) — 注意力概率的 dropout 比例。 - initializer_range (
float, 可选, 默认为1e-10) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - qkv_bias (
bool, 可选, 默认为True) — 是否为 queries、keys 和 values 添加偏置。 - mlp_ratio (
float, 可选, 默认为4.0) — MLP 隐藏维度与嵌入维度的比例。 - use_abs_pos (
bool, 可选, 默认为True) — 是否使用绝对位置嵌入。 - use_rel_pos (
bool, 可选, 默认为True) — 是否在自注意力层中使用相对位置偏置。 - window_size (
int, 可选, 默认为 14) — 窗口化注意力层的窗口大小。 - global_attn_indexes (
list[int], 可选, 默认为[2, 5, 8, 11]) — 使用全局（非窗口化）注意力的编码器层索引。 - mlp_dim (
int, 可选) — 每个视觉编码器块中 MLP 层的维度。默认为hidden_size * mlp_ratio。 - downsample_channels (
list[int], 可选) — 多尺度下采样 neck 层的通道维度。默认为[512, 896]。
这是用于存储 DeepseekOcr2Model 配置的配置类。它用于根据指定的参数实例化 Deepseek Ocr2 模型，从而定义模型架构。使用默认值实例化配置将产生与 deepseek-community/DeepSeek-OCR-2 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。
DeepseekOcr2VisionEncoderConfig
class transformers.DeepseekOcr2VisionEncoderConfig
< source >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None vocab_size: int = 151936 hidden_size: int = 4096 intermediate_size: int = 22016 num_hidden_layers: int = 32 num_attention_heads: int = 32 num_key_value_heads: int | None = 32 hidden_act: str = 'silu' max_position_embeddings: int = 32768 initializer_range: float = 0.02 rms_norm_eps: float = 1e-06 use_cache: bool = True tie_word_embeddings: bool = False rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None use_sliding_window: bool = False sliding_window: int | None = 4096 max_window_layers: int = 28 layer_types: list[str] | None = None attention_dropout: float | int = 0.0 pad_token_id: int | None = None bos_token_id: int | None = None eos_token_id: int | list[int] | None = None )
参数
- vocab_size (
int, 可选, 默认为151936) — 模型的词表大小。定义了input_ids可以表示的不同 token 的数量。 - hidden_size (
int, 可选, 默认为4096) — 隐藏表示的维度。 - intermediate_size (
int, 可选, 默认为22016) — MLP 表示的维度。 - num_hidden_layers (
int, 可选, 默认为32) — Transformer 解码器中的隐藏层数。 - num_attention_heads (
int, 可选, 默认为32) — Transformer 解码器中每个注意力层的注意力头数。 - num_key_value_heads (
int, 可选, 默认为32) — 这是用于实现分组查询注意力（Grouped Query Attention）的 key_value 头数。如果num_key_value_heads=num_attention_heads，模型将使用多头注意力（MHA）；如果num_key_value_heads=1，模型将使用多查询注意力（MQA）；否则使用 GQA。在将多头检查点转换为 GQA 检查点时，每个分组的 key 和 value 头应通过对该组内的所有原始头进行平均池化（meanpooling）来构建。有关更多细节，请参阅这篇论文。如果未指定，将默认为num_attention_heads。 - hidden_act (
str, 可选, 默认为silu) — 解码器中的非线性激活函数（函数或字符串）。例如"gelu"、"relu"、"silu"等。 - max_position_embeddings (
int, 可选, 默认为32768) — 该模型可能使用的最大序列长度。 - initializer_range (
float, 可选, 默认为0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - rms_norm_eps (
float, 可选, 默认为1e-06) — RMS 归一化层使用的 epsilon。 - use_cache (
bool, 可选, 默认为True) — 模型是否应当返回最后的 key/value 注意力（并非所有模型都使用）。仅在config.is_decoder=True或模型是仅解码器（decoder-only）的生成模型时才相关。 - tie_word_embeddings (
bool, optional, defaults toFalse) — 是否根据模型的tied_weights_keys映射绑定权重嵌入。 - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], optional) — 包含 RoPE 嵌入配置参数的字典。该字典应包含rope_theta的值，以及在你想在更长的max_position_embeddings下使用 RoPE 时用于缩放的可选参数。 - use_sliding_window (
bool, optional, defaults toFalse) — 是否使用滑动窗口注意力。 - sliding_window (
int, optional, defaults to4096) — 滑动窗口注意力窗口大小。如果为None，则不应用滑动窗口。 - max_window_layers (
int, optional, defaults to28) — 使用全注意力的层数。前max_window_layers层将使用全注意力，而之后的任何附加层都将使用 SWA（滑动窗口注意力）。 - layer_types (
list[str], optional) — 显式将每个层索引映射到其层类型的列表。如果未提供，将根据配置值自动生成。 - attention_dropout (
Union[float, int], optional, defaults to0.0) — 注意力概率的丢弃率（dropout ratio）。 - pad_token_id (
int, optional) — 词表中用于填充（padding）的 token id。 - bos_token_id (
int, optional) — 词表中用于序列开始（beginning-of-stream）的 token id。 - eos_token_id (
Union[int, list[int]], optional) — 词表中用于序列结束（end-of-stream）的 token id。
这是用于存储 DeepseekOcr2Model 配置的配置类。它用于根据指定的参数实例化 Deepseek Ocr2 模型，从而定义模型架构。使用默认值实例化配置将产生与 deepseek-community/DeepSeek-OCR-2 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。
DeepseekOcr2TextConfig
class transformers.DeepseekOcr2TextConfig
< 源码 >( transformers_version: str | None = None architectures: list[str] | None = None output_hidden_states: bool | None = False return_dict: bool | None = True dtype: typing.Union[str, ForwardRef('torch.dtype'), NoneType] = None chunk_size_feed_forward: int = 0 is_encoder_decoder: bool = False id2label: dict[int, str] | dict[str, str] | None = None label2id: dict[str, int] | dict[str, str] | None = None problem_type: typing.Optional[typing.Literal['regression', 'single_label_classification', 'multi_label_classification']] = None vocab_size: int = 32000 hidden_size: int = 4096 intermediate_size: int = 11008 num_hidden_layers: int = 32 num_attention_heads: int = 32 num_key_value_heads: int | None = None hidden_act: str = 'silu' max_position_embeddings: int = 2048 initializer_range: float = 0.02 rms_norm_eps: float = 1e-06 use_cache: bool = True pad_token_id: int | None = None bos_token_id: int | None = 1 eos_token_id: int | list[int] | None = 2 pretraining_tp: int | None = 1 tie_word_embeddings: bool = False rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = None attention_bias: bool = False attention_dropout: float | None = 0.0 mlp_bias: bool = False head_dim: int | None = None n_group: int | None = None n_routed_experts: int = 64 n_shared_experts: int = 2 routed_scaling_factor: float = 1.0 topk_group: int | None = None topk_method: str | None = 'greedy' num_experts_per_tok: int | None = None moe_intermediate_size: int = 1407 mlp_layer_types: list[str] | None = None )
参数
- vocab_size (
int, optional, defaults to32000) — 模型的词表大小。定义了可以用input_ids表示的不同 token 的数量。 - hidden_size (
int, optional, defaults to4096) — 隐藏层表示的维度。 - intermediate_size (
int, optional, defaults to11008) — MLP 表示的维度。 - num_hidden_layers (
int, optional, defaults to32) — Transformer 解码器中隐藏层的数量。 - num_attention_heads (
int, optional, defaults to32) — Transformer 解码器中每个注意力层的注意力头数量。 - num_key_value_heads (
int, optional) — 这是用于实现分组查询注意力（Grouped Query Attention，GQA）的 key/value 头的数量。如果num_key_value_heads=num_attention_heads，模型将使用多头注意力（MHA）；如果num_key_value_heads=1，模型将使用多查询注意力（MQA）；否则将使用 GQA。在将多头检查点转换为 GQA 检查点时，每个组的 key 和 value 头应该通过对该组内的所有原始头进行均值池化来构建。有关更多详细信息，请参阅这篇论文。如果未指定，将默认设为num_attention_heads。 - hidden_act (
str, optional, defaults tosilu) — 解码器中的非线性激活函数（函数或字符串）。例如，"gelu"、"relu"、"silu"等。 - max_position_embeddings (
int, optional, defaults to2048) — 此模型可能使用的最大序列长度。 - initializer_range (
float, optional, defaults to0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器（truncated_normal_initializer）的标准差。 - rms_norm_eps (
float, optional, defaults to1e-06) — RMS 归一化层所使用的 epsilon 值。 - use_cache (
bool, optional, defaults toTrue) — 模型是否应返回最后的 key/value 注意力值（并非所有模型都使用）。仅在config.is_decoder=True或模型是仅解码器（decoder-only）的生成模型时才相关。 - pad_token_id (
int, optional) — 词表中用于填充（padding）的 token id。 - bos_token_id (
int, optional, defaults to1) — 词表中用于序列开始（beginning-of-stream）的 token id。 - eos_token_id (
Union[int, list[int]], optional, defaults to2) — 词表中用于序列结束（end-of-stream）的 token id。 - pretraining_tp (
int, optional, defaults to1) — 实验性功能。预训练期间使用的张量并行（tensor parallelism）rank。请参阅此文档以了解更多信息。此值对于确保预训练结果的精确可复现性是必需的。请参阅此 issue。 - tie_word_embeddings (
bool, optional, defaults toFalse) — 是否根据模型的tied_weights_keys映射绑定权重嵌入。 - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], optional) — 包含 RoPE 嵌入配置参数的字典。该字典应包含rope_theta的值，以及在你想在更长的max_position_embeddings下使用 RoPE 时用于缩放的可选参数。 - attention_bias (
bool, optional, defaults toFalse) — 是否在自注意力期间的 query、key、value 和输出投影层中使用偏置（bias）。 - attention_dropout (
float, optional, defaults to0.0) — 注意力概率的丢弃率（dropout ratio）。 - mlp_bias (
bool, optional, defaults toFalse) — 是否在 MLP 层中的 up_proj、down_proj 和 gate_proj 层中使用偏置（bias）。 - head_dim (
int, optional) — 注意力头的维度。如果为 None，则默认为 hidden_size // num_attention_heads。 - n_group (
int, optional) — 用于分组 top-k 专家路由（grouped top-k expert routing）的组数。 - n_routed_experts (
int, optional, defaults to64) — 被路由的专家数量。 - n_shared_experts (
int, optional, defaults to2) — 共享专家的数量。 - routed_scaling_factor (
float, optional, defaults to1.0) — 路由专家的缩放因子。 - topk_group (
int, optional) — 为每个 token 选择的组数（对于每个 token，确保选择的专家仅在topk_group个组内）。 - topk_method (
str, optional, defaults to"greedy") — 在 MoE 层中选择 top-k 专家的方法。 - num_experts_per_tok (
int, optional) — 每个 token 路由到的专家数量。这是 token-choice 路由的 top-k 值。 - moe_intermediate_size (
int, optional, defaults to1407) — 被路由的专家 MLP 的中间层维度。 - mlp_layer_types (
list[str], optional) — 每个解码器层的 MLP 类型（"dense"或"sparse"），例如["dense", "sparse", "sparse", ...]。
这是用于存储 DeepseekOcr2Model 配置的配置类。它用于根据指定的参数实例化 Deepseek Ocr2 模型，从而定义模型架构。使用默认值实例化配置将产生与 deepseek-community/DeepSeek-OCR-2 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。
DeepseekOcr2ImageProcessor
class transformers.DeepseekOcr2ImageProcessor
< 源码 >( **kwargs: typing_extensions.Unpack[transformers.models.deepseek_ocr2.image_processing_deepseek_ocr2.DeepseekOcr2ImageProcessorKwargs] )
参数
- crop_to_patches (
bool, kwargs, optional, defaults toself.crop_to_patches) — 是否将图像裁剪为补丁（patches）。可以通过preprocess方法中的crop_to_patches参数进行覆盖。 - min_patches (
int, kwargs, optional, defaults toself.min_patches) — 要从图像中提取的最小补丁（patches）数量。仅在crop_to_patches设置为True时有效。可以通过preprocess方法中的min_patches参数进行覆盖。 - max_patches (
int, kwargs, optional, defaults toself.max_patches) — 要从图像中提取的最大补丁（patches）数量。仅在crop_to_patches设置为True时有效。可以通过preprocess方法中的max_patches参数进行覆盖。 - tile_size (
int, kwargs, optional, defaults to768) — 每个局部网格（tile）的大小。必须与模型的 query 嵌入大小匹配。 - background_color (
list[int], kwargs, optional, defaults to[127, 127, 127]) — 填充的背景颜色。 - **kwargs (ImagesKwargs, optional) — 额外的图像预处理选项。上面列出了特定于模型的 kwargs；请参阅 TypedDict 类以获取支持参数的完整列表。
构建一个 DeepseekOcr2ImageProcessor 图像处理器。
crop_image_to_patches
< source >( images: torch.Tensor min_patches: int max_patches: int tile_size: int resample: PIL.Image.Resampling | None = None ) → tuple[torch.Tensor, int]
参数
- images (
torch.Tensor) — 要裁剪的图像，形状为(batch, channels, height, width)。 - min_patches (
int) — 最小分块数量。 - max_patches (
int) — 最大分块数量。 - tile_size (
int) — 每个瓦片（tile）的大小。 - resample (
PILImageResampling, 可选) — 用于调整大小的重采样滤波器。
返回
tuple[torch.Tensor, int]
堆叠的分块 (batch, num_patches, channels, tile_size, tile_size) 以及每张图像的分块数量。
基于最佳瓦片划分（tiling）将批量图像裁剪为分块（patches）。
返回给定图像大小的图像分块数量（1 个全局分块 + 局部分块）。
pad_to_square
< source >( images: torch.Tensor background_color: int | tuple[int, int, int] = 0 ) → torch.Tensor
根据最长边将图像填充为正方形。
DeepseekOcr2ImageProcessorPil
class transformers.DeepseekOcr2ImageProcessorPil
< source >( **kwargs: typing_extensions.Unpack[transformers.models.deepseek_ocr2.image_processing_pil_deepseek_ocr2.DeepseekOcr2ImageProcessorKwargs] )
参数
- crop_to_patches (
bool, kwargs, 可选，默认为self.crop_to_patches) — 是否将图像裁剪为分块。可以通过preprocess方法中的crop_to_patches参数进行覆盖。 - min_patches (
int, kwargs, 可选，默认为self.min_patches) — 从图像中提取的最小分块数量。仅在crop_to_patches设置为True时生效。可以通过preprocess方法中的min_patches参数进行覆盖。 - max_patches (
int, kwargs, 可选，默认为self.max_patches) — 从图像中提取的最大分块数量。仅在crop_to_patches设置为True时生效。可以通过preprocess方法中的max_patches参数进行覆盖。 - tile_size (
int, kwargs, 可选，默认为768) — 每个局部瓦片的大小。必须与模型的 query 嵌入大小相匹配。 - background_color (
list[int], kwargs, 可选，默认为[127, 127, 127]) — 填充的背景颜色。 - **kwargs (ImagesKwargs, 可选) — 额外的图像预处理选项。上面列出了特定于模型的 kwargs；有关支持参数的完整列表，请参见 TypedDict 类。
构建一个 DeepseekOcr2ImageProcessor 图像处理器。
crop_image_to_patches
< source >( image: ndarray min_patches: int max_patches: int tile_size: int resample: PILImageResampling | int | None = None )
将图像裁剪为分块并返回裁剪后的图像列表。
get_number_of_image_patches
< source >( height: int width: int images_kwargs = None ) → int
一个用于返回给定图像尺寸的分块数量的工具。
pad_to_square
< source >( image: ndarray background_color: int | tuple[int, int, int] = 0 ) → np.ndarray
根据最长边将图像填充为正方形。
DeepseekOcr2Processor
class transformers.DeepseekOcr2Processor
< source >( image_processor = None tokenizer = None chat_template = None patch_size = 16 downsample_ratio = 4 **kwargs )
构建一个 DeepseekOcr2Processor，将图像处理器和分词器封装到单个处理器中。
DeepseekOcr2Processor 提供了 DeepseekOcr2ImageProcessor 和 TokenizersBackend 的所有功能。欲了解更多信息，请参见 ~DeepseekOcr2ImageProcessor 和 ~TokenizersBackend。
DeepseekOcr2TextModel
class transformers.DeepseekOcr2TextModel
< source >( config: DeepseekOcr2TextConfig )
参数
- config (DeepseekOcr2TextConfig) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法以加载模型权重。
基础的 Deepseek Ocr2 文本模型，输出原始的隐藏状态（hidden-states），其上没有添加任何特定的头部（head）。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< source >( input_ids: torch.LongTensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None use_cache: bool | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 词表中输入序列 token 的索引。默认情况下将忽略填充（padding）。可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor，形状为(batch_size, sequence_length)，可选) — 用于避免在填充 token 索引上执行注意力的掩码。掩码值选在[0, 1]之间：- 对于 未被掩码（not masked） 的 token，值为 1，
- 对于 被掩码（masked） 的 token，值为 0。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 每个输入序列 token 在位置嵌入中的位置索引。选值范围在[0, config.n_positions - 1]。 - past_key_values (
~cache_utils.Cache, 可选) — 预先计算的隐藏状态（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。仅允许 Cache 实例作为输入，请参阅我们的 键值缓存（KV Cache）指南。如果未传入
past_key_values，默认情况下将初始化 DynamicCache。模型将输出与输入相同格式的缓存。
如果使用了
past_key_values，用户应仅输入形状为(batch_size, unprocessed_length)的未处理input_ids（即未将其过去键值状态提供给该模型的那些 token），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。除了传递input_ids之外，您也可以选择直接传递嵌入表示。如果您希望相比于模型内部的嵌入查找矩阵拥有更多控制权，以决定如何将input_ids索引转换为相关联的向量，这就非常有用。 - use_cache (
bool, 可选) — 如果设置为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。
返回
BaseModelOutputWithPast 或 tuple(torch.FloatTensor)
一个 BaseModelOutputWithPast 或 torch.FloatTensor 元组（如果传入了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
DeepseekOcr2TextModel 的前向传播（forward）方法，重写了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
last_hidden_state (
torch.FloatTensor, 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 (
Cache，*可选*，当传入use_cache=True或config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。Contains pre-computed hidden-states (key and values in the self-attention blocks and optionally if
config.is_encoder_decoder=Truein the cross-attention blocks) that can be used (seepast_key_valuesinput) to speed up sequential decoding.hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+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), optional, 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。
DeepseekOcr2VisionModel
视觉流水线：SAM ViT-B（带有 neck）
forward
< source >( pixel_values: Tensor **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → BaseModelOutput or tuple(torch.FloatTensor)
参数
- pixel_values（形状为
(batch_size, num_channels, image_size, image_size)的torch.Tensor）— 对应于输入图像的张量。像素值可以使用 DeepseekOcr2ImageProcessor 获取。有关详细信息，请参阅DeepseekOcr2ImageProcessor.__call__()（DeepseekOcr2Processor 使用 DeepseekOcr2ImageProcessor 来处理图像）。
返回
BaseModelOutput 或 tuple(torch.FloatTensor)
一个 BaseModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
DeepseekOcr2VisionModel 的前向传播（forward）方法，重写了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
last_hidden_state (
torch.FloatTensor, 形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+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), optional, 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。
DeepseekOcr2Model
class transformers.DeepseekOcr2Model
< 源码 >( config: DeepseekOcr2Config )
参数
- config (DeepseekOcr2Config) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。
Llava-Next 模型由一个视觉骨干和一个没有语言建模头的语言模型组成。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< 源码 >( input_ids: torch.LongTensor | None = None pixel_values: torch.FloatTensor | None = None pixel_values_local: torch.FloatTensor | None = None num_local_patches: list[int] | torch.Tensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None use_cache: bool | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → DeepseekOcr2ModelOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids（形状为
(batch_size, sequence_length)的torch.LongTensor，可选）— 输入序列标记（token）在词表中的索引。默认情况下将忽略填充（padding）。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（形状为
(batch_size, num_channels, image_size, image_size)的torch.FloatTensor，可选）— 对应于输入图像的张量。像素值可以使用 DeepseekOcr2ImageProcessor 获取。有关详细信息，请参阅DeepseekOcr2ImageProcessor.__call__()（DeepseekOcr2Processor 使用 DeepseekOcr2ImageProcessor 来处理图像）。 - pixel_values_local（
torch.FloatTensor，可选）— 形状为(total_patches, 3, H, W)的局部斑块像素值。 - num_local_patches（
list[int]或torch.Tensor，可选）— 批次中每张图像的局部斑块数量。 - attention_mask（形状为
(batch_size, sequence_length)的torch.Tensor，可选）— 避免在填充标记索引上进行注意力计算的掩码。掩码值选自[0, 1]：- 对于 未被掩码 的标记为 1，
- 对于 已被掩码 的标记为 0。
- 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。选值范围在[0, config.n_positions - 1]内。 - past_key_values（
~cache_utils.Cache，可选）— 预先计算好的隐状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包含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。仅允许使用 Cache 实例作为输入，请参阅我们的 KV 缓存指南。如果未传递
past_key_values，默认情况下将初始化 DynamicCache。模型输出的缓存格式将与输入的格式相同。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（即没有将过去键值状态提供给此模型的输入 ID），其形状为(batch_size, unprocessed_length)，而不是所有形状为(batch_size, sequence_length)的input_ids。 - inputs_embeds（形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，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自主地控制如何将input_ids索引转换为关联向量，则这非常有用。 - use_cache（
bool，可选）— 如果设置为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。
返回
DeepseekOcr2ModelOutputWithPast or tuple(torch.FloatTensor)
一个 DeepseekOcr2ModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
DeepseekOcr2Model 的前向传播（forward）方法，重写了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
last_hidden_state (
torch.FloatTensor, 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 (
Cache，*可选*，当传入use_cache=True或config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见
past_key_values输入）加速顺序解码。hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+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), optional, 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。
image_hidden_states (
torch.FloatTensor, optional) — 大小为(batch_size, num_images, sequence_length, hidden_size)的torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的模型的 image_hidden_states。
get_image_features
< 源码 >( pixel_values: FloatTensor pixel_values_local: torch.FloatTensor | None = None num_local_patches: list[int] | torch.Tensor | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → BaseModelOutputWithPooling or tuple(torch.FloatTensor)
参数
- pixel_values（形状为
(batch_size, num_channels, image_size, image_size)的torch.FloatTensor）— 对应于输入图像的张量。像素值可以使用 DeepseekOcr2ImageProcessor 获取。有关详细信息，请参阅DeepseekOcr2ImageProcessor.__call__()（DeepseekOcr2Processor 使用 DeepseekOcr2ImageProcessor 来处理图像）。 - pixel_values_local（形状为
(total_patches, 3, height, width)的torch.FloatTensor，可选）— 在整个批次中展平的所有局部斑块（local patch），如果无局部视图则为None。 - num_local_patches（
list[int]或torch.Tensor，可选）— 每张图像的局部斑块数量，例如[6, 0, 4]。
返回
BaseModelOutputWithPooling or tuple(torch.FloatTensor)
一个 BaseModelOutputWithPooling 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
last_hidden_state (
torch.FloatTensor, 形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。pooler_output (
torch.FloatTensor，形状为(batch_size, hidden_size)) — 序列第一个 token（分类 token）在进一步通过用于辅助预训练任务的层后的最后一个隐藏状态。例如，对于 BERT 系列模型，这会返回经过线性层和 tanh 激活函数处理后的分类 token。线性层的权重是通过预训练期间的下一句预测（分类）目标来训练的。hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+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), optional, 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。
get_placeholder_mask
< 源码 >( input_ids: LongTensor inputs_embeds: FloatTensor image_features: FloatTensor )
从 input_ids 或 inputs_embeds 获取多模态占位符掩码，并检查占位符 token 计数是否等于多模态特征的长度。如果长度不同，则会引发错误。
DeepseekOcr2ForConditionalGeneration
class transformers.DeepseekOcr2ForConditionalGeneration
< 源码 >( config: DeepseekOcr2Config )
参数
- config (DeepseekOcr2Config) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。
用于基于其他模态（例如，图像+文本到文本的生成）进行标记（token）生成的 DeepSeek OCR2 模型。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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）。
此模型也是一个 PyTorch torch.nn.Module 子类。像普通的 PyTorch Module 一样使用它，并参考 PyTorch 文档了解一般用法和行为的所有相关信息。
forward
< 源码 >( input_ids: torch.LongTensor | None = None pixel_values: torch.FloatTensor | None = None pixel_values_local: torch.FloatTensor | None = None num_local_patches: list[int] | torch.Tensor | None = None attention_mask: torch.Tensor | None = None position_ids: torch.LongTensor | None = None past_key_values: transformers.cache_utils.Cache | None = None inputs_embeds: torch.FloatTensor | None = None labels: torch.LongTensor | None = None use_cache: bool | None = None logits_to_keep: int | torch.Tensor = 0 **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → DeepseekOcr2CausalLMOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids（形状为
(batch_size, sequence_length)的torch.LongTensor，可选）— 输入序列标记（token）在词表中的索引。默认情况下将忽略填充（padding）。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（形状为
(batch_size, num_channels, image_size, image_size)的torch.FloatTensor，可选）— 对应于输入图像的张量。像素值可以使用 DeepseekOcr2ImageProcessor 获取。有关详细信息，请参阅DeepseekOcr2ImageProcessor.__call__()（DeepseekOcr2Processor 使用 DeepseekOcr2ImageProcessor 来处理图像）。 - pixel_values_local（
torch.FloatTensor，可选）— 形状为(total_patches, 3, H, W)的局部斑块像素值。 - num_local_patches（
list[int]或torch.Tensor，可选）— 批次中每张图像的局部斑块数量。 - attention_mask（形状为
(batch_size, sequence_length)的torch.Tensor，可选）— 避免在填充标记索引上进行注意力计算的掩码。掩码值选自[0, 1]：- 对于 未被掩码 的标记为 1，
- 对于 已被掩码 的标记为 0。
- 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。选值范围在[0, config.n_positions - 1]内。 - past_key_values（
~cache_utils.Cache，可选）— 预先计算好的隐状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包含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。仅允许使用 Cache 实例作为输入，请参阅我们的 KV 缓存指南。如果未传递
past_key_values，默认情况下将初始化 DynamicCache。模型输出的缓存格式将与输入的格式相同。
如果使用了
past_key_values，用户应仅输入未处理的input_ids（即没有将过去键值状态提供给此模型的输入 ID），其形状为(batch_size, unprocessed_length)，而不是所有形状为(batch_size, sequence_length)的input_ids。 - inputs_embeds（形状为
(batch_size, sequence_length, hidden_size)的torch.FloatTensor，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自主地控制如何将input_ids索引转换为关联向量，则这非常有用。 - labels（形状为
(batch_size, sequence_length)的torch.LongTensor，可选）— 用于计算掩码语言模型损失（masked language modeling loss）的标签。索引应在[0, ..., config.vocab_size]范围内或为 -100（参阅input_ids文档字符串）。索引设为-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。 - use_cache（
bool，可选）— 如果设置为True，将返回past_key_values键值状态，并可用于加速解码（参见past_key_values）。 - logits_to_keep（
Union[int, torch.Tensor]，可选，默认为0）— 如果是int，则计算最后logits_to_keep个标记的对数几率（logits）。如果为0，则计算所有input_ids的对数几率（特殊情况）。生成时只需要最后一个标记的对数几率，仅为该标记计算对数几率可以节省内存，这对于长序列或大词表大小来说非常显著。如果是torch.Tensor，则必须是一维的，对应于序列长度维度中需要保留的索引。这在使用打包张量格式（批次和序列长度维度合并为单维度）时非常有用。
返回
DeepseekOcr2CausalLMOutputWithPast or tuple(torch.FloatTensor)
一个 DeepseekOcr2CausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
DeepseekOcr2ForConditionalGeneration 的前向传播（forward）方法，重写了 __call__ 特殊方法。
虽然 forward pass 的实现需要在此函数中定义，但你应该在之后调用
Module实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会静默地忽略它们。
loss (
torch.FloatTensor形状为(1,)，可选，当提供labels时返回) — 语言建模损失（用于下一个 token 预测）。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）。past_key_values (
Cache，*可选*，当传入use_cache=True或config.use_cache=True时返回) — 这是一个 Cache 实例。欲了解更多细节，请参阅我们的 KV 缓存指南。包含预计算的隐藏状态（自注意力块中的键和值），可用于（参见
past_key_values输入）加速顺序解码。hidden_states (
tuple[torch.FloatTensor]，可选，在传入output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor元组（一个用于嵌入层的输出（如果模型有嵌入层的话） + 一个用于每层输出），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，在传入output_attentions=True或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)。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。
image_hidden_states (
torch.FloatTensor, optional) — Atorch.FloatTensorof size (batch_size * num_patches, num_images, sequence_length, hidden_size)`. image_hidden_states of the model produced by the vision encoder and after projecting the last hidden state.
示例
>>> from PIL import Image
>>> from transformers import AutoProcessor, DeepseekOcr2ForConditionalGeneration
>>> model = DeepseekOcr2ForConditionalGeneration.from_pretrained("deepseek-community/DeepSeek-OCR-2")
>>> processor = AutoProcessor.from_pretrained("deepseek-community/DeepSeek-OCR-2")
>>> messages = [
... {
... "role": "user", "content": [
... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
... {"type": "text", "text": "Where is the cat standing?"},
... ]
... },
... ]
>>> inputs = processor.apply_chat_template(
... messages,
... tokenize=True,
... return_dict=True,
... return_tensors="pt",
... add_generation_prompt=True
... )
>>> # Generate
>>> generate_ids = model.generate(**inputs)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0]get_image_features
< 源码 >( pixel_values: FloatTensor pixel_values_local: torch.FloatTensor | None = None num_local_patches: list[int] | torch.Tensor | None = None **kwargs: typing_extensions.Unpack[transformers.utils.generic.TransformersKwargs] ) → BaseModelOutputWithPooling or tuple(torch.FloatTensor)
参数
- pixel_values（形状为
(batch_size, 3, height, width)的torch.FloatTensor）— 对应于全局视图输入图像的张量。 - pixel_values_local（形状为
(total_patches, 3, height, width)的torch.FloatTensor，可选）— 在整个批次中展平的所有局部斑块（local patch），如果无局部视图则为None。 - num_local_patches（
list[int]或torch.Tensor，可选）— 每张图像的局部斑块数量，例如[6, 0, 4]。
返回
BaseModelOutputWithPooling or tuple(torch.FloatTensor)
一个 BaseModelOutputWithPooling 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置（DeepseekOcr2Config）和输入而异的各种元素。
last_hidden_state (
torch.FloatTensor, 形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。pooler_output (
torch.FloatTensor，形状为(batch_size, hidden_size)) — 序列第一个 token（分类 token）在进一步通过用于辅助预训练任务的层后的最后一个隐藏状态。例如，对于 BERT 系列模型，这会返回经过线性层和 tanh 激活函数处理后的分类 token。线性层的权重是通过预训练期间的下一句预测（分类）目标来训练的。hidden_states (
tuple(torch.FloatTensor), optional, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（一个用于嵌入层的输出，如果模型有嵌入层；+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), optional, 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。
示例
>>> from PIL import Image
>>> from transformers import AutoProcessor, DeepseekOcr2ForConditionalGeneration
>>> model = DeepseekOcr2ForConditionalGeneration.from_pretrained("deepseek-community/DeepSeek-OCR-2")
>>> processor = AutoProcessor.from_pretrained("deepseek-community/DeepSeek-OCR-2")
>>> messages = [
... {
... "role": "user", "content": [
... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"},
... {"type": "text", "text": "Where is the cat standing?"},
... ]
... },
... ]
>>> inputs = processor.apply_chat_template(
... messages,
... tokenize=True,
... return_dict=True,
... return_tensors="pt",
... add_generation_prompt=True
... )
>>> # Generate
>>> generate_ids = model.generate(**inputs)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0]