参数

• images (ImageInput) — 要预处理的图像。期望单个或批量图像，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) — 调整大小后的图像尺寸。图像的最短边将调整为 min(size[“height”], size[“width”])，最长边将调整以保持输入长宽比。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，使用的重采样滤波器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_thumbnail (bool, 可选, 默认为 self.do_thumbnail) — 是否使用缩略图方法调整图像大小。
• do_align_long_axis (bool, 可选, 默认为 self.do_align_long_axis) — 是否通过旋转 90 度，将图像的长轴与 size 的长轴对齐。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果 random_padding 设置为 True，则每个图像的每个边将随机填充，直到达到批次中最大图像的大小。否则，所有图像将填充到批次中最大图像的大小。
• random_padding (bool, 可选, 默认为 self.random_padding) — 填充图像时是否使用随机填充。如果为 True，批次中的每个图像将在每个侧随机填充，直到达到批次中最大图像的大小。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否重新缩放图像像素值。
• 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) — 用于标准化的图像均值。
• image_std (float 或 list[float], 可选, 默认为 self.image_std) — 用于标准化的图像标准差。
• return_tensors (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • 未设置: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 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：
  • ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • 未设置: 默认为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)。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望单个或批量图像，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) — 是否调整图像大小。
• size (dict[str, int], 可选) — 描述模型的最大输入尺寸。
• default_to_square (bool, 可选) — 如果尺寸为整数，是否默认调整为方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，使用的重采样滤波器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, 可选) — 是否中心裁剪图像。
• crop_size (dict[str, int], 可选) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, 可选) — 是否重新缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 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) — 是否标准化图像。
• image_mean (Union[float, list[float], NoneType]) — 用于标准化的图像均值。仅当 do_normalize 设置为 True 时有效。
• image_std (Union[float, list[float], NoneType]) — 用于标准化的图像标准差。仅当 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, 可选) — 是否将图像转换为 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt` 则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, 可选) — 输出图像的通道维度格式。仅支持 ChannelDimension.FIRST。为兼容慢速处理器而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 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)。
• device (torch.device, 可选) — 处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, 可选) — 是否禁用图像按大小分组以单独处理而不是批量处理。如果为 None，则如果图像在 CPU 上，则设置为 True，否则设置为 False。此选择基于经验观察，详情请参阅：https://github.com/huggingface/transformers/pull/38157
• do_thumbnail (bool, 可选, 默认为 self.do_thumbnail) — 是否使用缩略图方法调整图像大小。
• do_align_long_axis (bool, 可选, 默认为 self.do_align_long_axis) — 是否通过旋转 90 度，将图像的长轴与 size 的长轴对齐。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果 random_padding 设置为 True，则每个图像的每个边将随机填充，直到达到批次中最大图像的大小。否则，所有图像将填充到批次中最大图像的大小。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• pretrained_model_name_or_path (str 或 os.PathLike) — 可以是以下之一：
  • 一个字符串，huggingface.co 上模型仓库中预训练 feature_extractor 的 *模型 ID*。
  • 包含使用 save_pretrained() 方法保存的特征提取器文件的 *目录* 路径，例如 ./my_model_directory/。
  • 保存的特征提取器 JSON *文件* 的路径或 URL，例如 ./my_model_directory/preprocessor_config.json。
• **kwargs — 传递给 from_pretrained() 和 ~tokenization_utils_base.PreTrainedTokenizer.from_pretrained 的额外关键字参数。

参数

• save_directory (str 或 os.PathLike) — 特征提取器 JSON 文件和分词器文件将保存的目录（如果目录不存在，则会创建）。
• push_to_hub (bool, 可选, 默认为 False) — 是否在保存模型后将其推送到 Hugging Face 模型中心。您可以使用 repo_id 指定要推送到的仓库（默认为您命名空间中 save_directory 的名称）。
• kwargs (dict[str, Any], optional) — 传递给 `push_to_hub()` 方法的附加关键字参数。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• bool_masked_pos (torch.BoolTensor，形状为 (batch_size, num_patches)) — 布尔掩码位置。指示哪些补丁被掩码 (1)，哪些未被掩码 (0)。
• 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头部无效的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示头部未被掩码，
  • 0 表示头部已被掩码。
• output_attentions (bool, optional) — 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) — 是否对预训练的位置编码进行插值。
• return_dict (bool, 可选) — 是否返回 `ModelOutput` 而不是普通元组。

一个 transformers.models.donut.modeling_donut_swin.DonutSwinModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置 (`DonutSwinConfig`) 和输入包含各种元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选，默认为 None) — 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)，可选，当传递 add_pooling_layer=True 时返回) — 最后一层隐藏状态的平均池化。

• 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（如果模型有嵌入层，则为一个输出，加上每层输出一个），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，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)。

  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。

• reshaped_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（嵌入输出一个，加上每个阶段输出一个），形状为 (batch_size, hidden_size, height, width)。

  模型在每层输出处的隐藏状态，以及重新调整以包含空间维度的初始嵌入输出。

参数

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• 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头部无效的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示头部未被掩码，
  • 0 表示头部已被掩码。
• 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] 之间。如果 config.num_labels == 1，则计算回归损失（均方损失）；如果 config.num_labels > 1，则计算分类损失（交叉熵）。
• 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) — 是否对预训练的位置编码进行插值。
• return_dict (bool, 可选) — 是否返回 `ModelOutput` 而不是普通元组。

一个 transformers.models.donut.modeling_donut_swin.DonutSwinImageClassifierOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），根据配置 (`DonutSwinConfig`) 和输入包含各种元素。

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

• logits (形状为 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分类（如果 config.num_labels==1，则为回归）分数（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 元组（如果模型有嵌入层，则为一个输出，加上每层输出一个），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，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)。

  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。

• reshaped_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（嵌入输出一个，加上每个阶段输出一个），形状为 (batch_size, hidden_size, height, width)。

  模型在每层输出处的隐藏状态，以及重新调整以包含空间维度的初始嵌入输出。