并获得增强的文档体验
开始使用
EfficientFormer
此模型仅处于维护模式，我们不接受任何更改其代码的新 PR。如果您在运行此模型时遇到任何问题，请重新安装支持此模型的最后一个版本：v4.40.2。您可以通过运行以下命令来执行此操作：pip install -U transformers==4.40.2。
概述
EfficientFormer 模型在 EfficientFormer: Vision Transformers at MobileNet Speed 中被提出，作者是 Yanyu Li, Geng Yuan, Yang Wen, Eric Hu, Georgios Evangelidis, Sergey Tulyakov, Yanzhi Wang, Jian Ren。EfficientFormer 提出了一个维度一致的纯 Transformer，可以在移动设备上运行，用于图像分类、物体检测和语义分割等密集预测任务。
该论文的摘要如下：
视觉 Transformer (ViT) 在计算机视觉任务中取得了快速进展，在各种基准测试中取得了可喜的成果。然而，由于大量的参数和模型设计，例如注意力机制，基于 ViT 的模型通常比轻量级卷积网络慢很多倍。因此，ViT 在实时应用中的部署尤其具有挑战性，尤其是在移动设备等资源受限的硬件上。最近的努力尝试通过网络架构搜索或与 MobileNet 模块的混合设计来降低 ViT 的计算复杂度，但推理速度仍然不能令人满意。这就引出了一个重要的问题：Transformer 能否在获得高性能的同时，像 MobileNet 一样快速运行？为了回答这个问题，我们首先重新审视了基于 ViT 的模型中使用的网络架构和运算符，并确定了低效的设计。然后，我们引入了一个维度一致的纯 Transformer（不含 MobileNet 模块）作为设计范式。最后，我们执行延迟驱动的精简，得到了一系列最终模型，称为 EfficientFormer。大量的实验表明，EfficientFormer 在移动设备上的性能和速度方面都具有优越性。我们最快的模型 EfficientFormer-L1 在 ImageNet-1K 上实现了 79.2% 的 top-1 准确率，在 iPhone 12 上只有 1.6 毫秒的推理延迟（使用 CoreML 编译），这 { 与 MobileNetV2×1.4 (1.6 毫秒，74.7% top-1) 的运行速度一样快，} 而我们最大的模型 EfficientFormer-L7 以仅 7.0 毫秒的延迟获得了 83.3% 的准确率。我们的工作证明，经过适当设计的 Transformer 可以在移动设备上达到极低的延迟，同时保持高性能。
此模型由 novice03 和 Bearnardd 贡献。原始代码可以在这里找到。此模型的 TensorFlow 版本由 D-Roberts 添加。
文档资源
EfficientFormerConfig
class transformers.EfficientFormerConfig
< source >( depths: List = [3, 2, 6, 4] hidden_sizes: List = [48, 96, 224, 448] downsamples: List = [True, True, True, True] dim: int = 448 key_dim: int = 32 attention_ratio: int = 4 resolution: int = 7 num_hidden_layers: int = 5 num_attention_heads: int = 8 mlp_expansion_ratio: int = 4 hidden_dropout_prob: float = 0.0 patch_size: int = 16 num_channels: int = 3 pool_size: int = 3 downsample_patch_size: int = 3 downsample_stride: int = 2 downsample_pad: int = 1 drop_path_rate: float = 0.0 num_meta3d_blocks: int = 1 distillation: bool = True use_layer_scale: bool = True layer_scale_init_value: float = 1e-05 hidden_act: str = 'gelu' initializer_range: float = 0.02 layer_norm_eps: float = 1e-12 image_size: int = 224 batch_norm_eps: float = 1e-05 **kwargs )
参数
- depths (
List(int), 可选, 默认值为[3, 2, 6, 4]) — 每个阶段的深度。 - hidden_sizes (
List(int), 可选, 默认值为[48, 96, 224, 448]) — 每个阶段的维度。 - downsamples (
List(bool), 可选, 默认值为[True, True, True, True]) — 是否在两个阶段之间下采样输入。 - dim (
int, 可选, 默认值为 448) — Meta3D 层中的通道数 - key_dim (
int, 可选, 默认值为 32) — meta3D 块中键的大小。 - attention_ratio (
int, 可选, 默认值为 4) — MSHA 块中查询和值的维度与键的维度之比 - resolution (
int, 可选, 默认值为 7) — 每个补丁的大小 - num_hidden_layers (
int, 可选, 默认值为 5) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int, 可选, 默认值为 8) — 3D MetaBlock 中每个注意力层的注意力头数。 - mlp_expansion_ratio (
int, 可选, 默认为 4) — MLP 隐藏层维度大小与其输入维度的比率。 - hidden_dropout_prob (
float, 可选, 默认为 0.1) — 嵌入层和编码器中所有全连接层的 dropout 概率。 - patch_size (
int, 可选, 默认为 16) — 每个图像块（patch）的大小（分辨率）。 - num_channels (
int, 可选, 默认为 3) — 输入通道的数量。 - pool_size (
int, 可选, 默认为 3) — 池化层（pooling layers）的卷积核大小。 - downsample_patch_size (
int, 可选, 默认为 3) — 下采样层中图像块（patch）的大小。 - downsample_stride (
int, 可选, 默认为 2) — 下采样层中卷积核的步幅。 - downsample_pad (
int, 可选, 默认为 1) — 下采样层中的填充（padding）。 - drop_path_rate (
int, 可选, 默认为 0) — DropPath 中 dropout 概率的增加速率。 - num_meta3d_blocks (
int, 可选, 默认为 1) — 最后一个阶段中 3D MetaBlock 的数量。 - distillation (
bool, 可选, 默认为True) — 是否添加蒸馏头。 - use_layer_scale (
bool, 可选, 默认为True) — 是否缩放 token mixer 的输出。 - layer_scale_init_value (
float, 可选, 默认为 1e-5) — 缩放 token mixer 输出的因子。 - hidden_act (
str或function, 可选, 默认为"gelu") — 编码器和池化器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) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - layer_norm_eps (
float, 可选, 默认为 1e-12) — layer normalization 层使用的 epsilon 值。 - image_size (
int, 可选, 默认为224) — 每张图像的大小（分辨率）。
这是用于存储 EfficientFormerModel 配置的配置类。它用于根据指定的参数实例化 EfficientFormer 模型，定义模型架构。使用默认值实例化配置将产生与 EfficientFormer snap-research/efficientformer-l1 架构类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import EfficientFormerConfig, EfficientFormerModel
>>> # Initializing a EfficientFormer efficientformer-l1 style configuration
>>> configuration = EfficientFormerConfig()
>>> # Initializing a EfficientFormerModel (with random weights) from the efficientformer-l3 style configuration
>>> model = EfficientFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configEfficientFormerImageProcessor
class transformers.EfficientFormerImageProcessor
< source >( do_resize: bool = True size: Optional = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 crop_size: Dict = None do_normalize: bool = True image_mean: Union = None image_std: Union = None **kwargs )
参数
- do_resize (
bool, 可选, 默认为True) — 是否将图像的（高度，宽度）尺寸调整为指定的(size["height"], size["width"])。可以被preprocess方法中的do_resize参数覆盖。 - size (
dict, 可选, 默认为{"height" -- 224, "width": 224}): 调整大小后输出图像的大小。可以被preprocess方法中的size参数覆盖。 - resample (
PILImageResampling, 可选, 默认为PILImageResampling.BILINEAR) — 如果调整图像大小，则使用的重采样滤波器。可以被preprocess方法中的resample参数覆盖。 - do_center_crop (
bool, 可选, 默认为True) — 是否将图像中心裁剪为指定的crop_size。可以被preprocess方法中的do_center_crop覆盖。 - crop_size (
Dict[str, int]可选, 默认为 224) — 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) — 是否按指定的比例rescale_factor缩放图像。可以被preprocess方法中的do_rescale参数覆盖。 - rescale_factor (
int或float, 可选, 默认为1/255) — 如果要重新缩放图像，则使用的缩放因子。可以被preprocess方法中的rescale_factor参数覆盖。 do_normalize — 是否对图像进行归一化。可以被preprocess方法中的do_normalize参数覆盖。 - image_mean (
float或List[float], 可选, 默认为IMAGENET_STANDARD_MEAN) — 如果要对图像进行归一化，则使用的均值。这是一个浮点数或浮点数列表，其长度为图像中通道的数量。可以被preprocess方法中的image_mean参数覆盖。 - image_std (
float或List[float], 可选, 默认为IMAGENET_STANDARD_STD) — 如果要对图像进行归一化，则使用的标准差。这是一个浮点数或浮点数列表，其长度为图像中通道的数量。可以被preprocess方法中的image_std参数覆盖。
构建 EfficientFormer 图像处理器。
preprocess
< source >( images: Union do_resize: Optional = None size: Dict = None resample: Resampling = None do_center_crop: bool = None crop_size: int = None do_rescale: Optional = None rescale_factor: Optional = None do_normalize: Optional = None image_mean: Union = None image_std: Union = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None **kwargs )
参数
- images (
ImageInput) — 要预处理的图像。 接受像素值范围为 0 到 255 的单张或批量图像。如果传入的图像像素值介于 0 和 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) — 字典格式为{"height": h, "width": w}，指定调整大小后输出图像的大小。 - resample (
PILImageResampling过滤器, 可选, 默认为self.resample) — 如果调整图像大小，则使用的PILImageResampling过滤器，例如PILImageResampling.BILINEAR。 仅当do_resize设置为True时才有效。 - do_center_crop (
bool, 可选, 默认为self.do_center_crop) — 是否对图像进行中心裁剪。 - do_rescale (
bool, 可选, 默认为self.do_rescale) — 是否将图像值重新缩放到 [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缩放因子。 - crop_size (
Dict[str, int], 可选, 默认为self.crop_size) — 中心裁剪的大小。 仅当do_center_crop设置为True时才有效。 - 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) — 如果do_normalize设置为True，则使用的图像均值。 - image_std (
float或List[float], 可选, 默认为self.image_std) — 如果do_normalize设置为True，则使用的图像标准差。 - return_tensors (
str或TensorType, 可选) — 要返回的张量类型。 可以是以下之一：- 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。
- Unset: 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)。- Unset: 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，则通道维度格式从输入图像推断。 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)。
预处理单张或批量图像。
EfficientFormerModel
class transformers.EfficientFormerModel
< source >( config: EfficientFormerConfig )
参数
- config (EfficientFormerConfig) — 带有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，仅加载配置。 查看 from_pretrained() 方法来加载模型权重。
裸 EfficientFormer 模型 Transformer，输出原始隐藏状态，顶部没有任何特定的 head。 此模型是 PyTorch nn.Module 子类。 可将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 ViTImageProcessor 获得。 详情请参阅 ViTImageProcessor.preprocess()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 更多详情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。 更多详情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。
返回：
transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
-
last_hidden_state (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层的隐藏状态序列。 -
pooler_output (
torch.FloatTensor，形状为(batch_size, hidden_size)) — 序列的第一个 token（分类 token）的最后一层隐藏状态，在通过用于辅助预训练任务的层进一步处理之后。 例如，对于 BERT 系列模型，这会返回分类 token，该 token 在通过线性层和 tanh 激活函数处理后获得。 线性层权重通过预训练期间的下一句预测（分类）目标进行训练。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递了output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（对于嵌入的输出，如果模型具有嵌入层，则为一个；对于每一层的输出，则为一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor), 可选, 当传递了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 之后的注意力权重，用于计算自注意力头中的加权平均值。
EfficientFormerModel 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, EfficientFormerModel
>>> 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("snap-research/efficientformer-l1-300")
>>> model = EfficientFormerModel.from_pretrained("snap-research/efficientformer-l1-300")
>>> 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, 49, 448]EfficientFormerForImageClassification
class transformers.EfficientFormerForImageClassification
< source >( config: EfficientFormerConfig )
参数
- config (EfficientFormerConfig) — 带有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，仅加载配置。 查看 from_pretrained() 方法来加载模型权重。
带有图像分类头的 EfficientFormer 模型 transformer（分类 token 的最终隐藏状态之上的线性层），例如用于 ImageNet。
此模型是 PyTorch nn.Module 子类。 将其用作常规 PyTorch Module，并参考 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( pixel_values: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.modeling_outputs.ImageClassifierOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 ViTImageProcessor 获得。 详情请参阅 ViTImageProcessor.preprocess()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 更多详情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。 更多详情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。 - 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]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（交叉熵损失）。
返回：
transformers.modeling_outputs.ImageClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
-
loss (
torch.FloatTensor，形状为(1,), 可选, 当提供labels时返回) — 分类（或回归，如果 config.num_labels==1）损失。 -
logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）分数（SoftMax 之前）。 -
hidden_states (
tuple(torch.FloatTensor), 可选, 当传递了output_hidden_states=True或当config.output_hidden_states=True时返回) —torch.FloatTensor元组（对于嵌入的输出，如果模型具有嵌入层，则为一个；对于每个阶段的输出，则为一个），形状为(batch_size, sequence_length, hidden_size)。 模型在每个阶段输出端的隐藏状态（也称为特征图）。 -
attentions (
tuple(torch.FloatTensor), 可选, 当传递了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, patch_size, 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。
EfficientFormerForImageClassification 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, EfficientFormerForImageClassification
>>> 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("snap-research/efficientformer-l1-300")
>>> model = EfficientFormerForImageClassification.from_pretrained("snap-research/efficientformer-l1-300")
>>> 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])
Egyptian catEfficientFormerForImageClassificationWithTeacher
class transformers.EfficientFormerForImageClassificationWithTeacher
< source >( config: EfficientFormerConfig )
参数
- config (EfficientFormerConfig) — 带有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，仅加载配置。 查看 from_pretrained() 方法来加载模型权重。
带有图像分类头的 EfficientFormer 模型 transformer（分类 token 的最终隐藏状态之上的线性层以及蒸馏 token 的最终隐藏状态之上的线性层），例如用于 ImageNet。
此模型仅支持推理。 尚不支持使用蒸馏（即使用教师模型）进行微调。
此模型是 PyTorch nn.Module 子类。 将其用作常规 PyTorch Module，并参考 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( pixel_values: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) → transformers.models.deprecated.efficientformer.modeling_efficientformer.EfficientFormerForImageClassificationWithTeacherOutput 或 tuple(torch.FloatTensor)
参数
- pixel_values (
torch.FloatTensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 ViTImageProcessor 获得。 详情请参阅 ViTImageProcessor.preprocess()。 - output_attentions (
bool, 可选) — 是否返回所有注意力层的注意力张量。 更多详情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。 更多详情请参阅返回张量下的hidden_states。 - return_dict (
bool, optional) — 是否返回 ModelOutput 而不是一个普通的元组。
返回：
transformers.models.deprecated.efficientformer.modeling_efficientformer.EfficientFormerForImageClassificationWithTeacherOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.deprecated.efficientformer.modeling_efficientformer.EfficientFormerForImageClassificationWithTeacherOutput 或一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
- logits (形状为
(batch_size, config.num_labels)的torch.FloatTensor) — 作为 cls_logits 和 distillation logits 平均值的预测分数。 - cls_logits (形状为
(batch_size, config.num_labels)的torch.FloatTensor) — 分类头的预测分数 (即，类 token 的最终隐藏状态之上的线性层)。 - distillation_logits (形状为
(batch_size, config.num_labels)的torch.FloatTensor) — 蒸馏头的预测分数 (即，蒸馏 token 的最终隐藏状态之上的线性层)。 - 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 (embedding 的输出一个，每一层的输出一个)，形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出的隐藏状态以及初始 embedding 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。
EfficientFormerForImageClassificationWithTeacher 的前向传播方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, EfficientFormerForImageClassificationWithTeacher
>>> 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("snap-research/efficientformer-l1-300")
>>> model = EfficientFormerForImageClassificationWithTeacher.from_pretrained("snap-research/efficientformer-l1-300")
>>> 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])
Egyptian catTFEfficientFormerModel
class transformers.TFEfficientFormerModel
< source >( config: EfficientFormerConfig **kwargs )
参数
- config (EfficientFormerConfig) — 带有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，仅加载配置。查看 from_pretrained() 方法来加载模型权重。
裸 EfficientFormer 模型 Transformer，输出原始隐藏状态，顶部没有任何特定的 head。此模型是一个 TensorFlow keras.layers.Layer。将其用作常规 TensorFlow 模块，并查阅 TensorFlow 文档以了解与常规用法和行为相关的所有事项。
call
< source >( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None training: bool = False ) → transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tuple(tf.Tensor)
参数
- pixel_values ((形状为
(batch_size, num_channels, height, width)的tf.Tensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 EfficientFormerImageProcessor.call()。 - 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。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是一个普通的元组。
返回：
transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或一个 tf.Tensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
-
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)的tf.Tensor) — 模型最后一层的输出处的隐藏状态序列。 -
pooler_output (形状为
(batch_size, hidden_size)的tf.Tensor) — 序列的第一个 token (分类 token) 的最后一层隐藏状态，通过线性层和 Tanh 激活函数进一步处理。线性层权重通过预训练期间的下一句预测 (分类) 目标进行训练。此输出通常不是输入语义内容的良好摘要，通常最好对整个输入序列的隐藏状态序列进行平均或池化。
-
hidden_states (
tuple(tf.Tensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —tf.Tensor元组 (embedding 的输出一个，每一层的输出一个)，形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出的隐藏状态以及初始 embedding 输出。
-
attentions (
tuple(tf.Tensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —tf.Tensor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。
TFEfficientFormerModel 的前向传播方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, TFEfficientFormerModel
>>> 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("snap-research/efficientformer-l1-300")
>>> model = TFEfficientFormerModel.from_pretrained("snap-research/efficientformer-l1-300")
>>> inputs = image_processor(image, return_tensors="tf")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 49, 448]TFEfficientFormerForImageClassification
class transformers.TFEfficientFormerForImageClassification
< source >( config: EfficientFormerConfig )
参数
- config (EfficientFormerConfig) — 带有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，仅加载配置。查看 from_pretrained() 方法来加载模型权重。
EfficientFormer 模型 Transformer，在池化的最后隐藏状态之上带有一个图像分类 head，例如用于 ImageNet。
此模型是一个 TensorFlow keras.layers.Layer。将其用作常规 TensorFlow 模块，并查阅 TensorFlow 文档以了解与常规用法和行为相关的所有事项。
call
< source >( pixel_values: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None training: bool = False ) → transformers.modeling_tf_outputs.TFImageClassifierOutput 或 tuple(tf.Tensor)
参数
- pixel_values ((形状为
(batch_size, num_channels, height, width)的tf.Tensor) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 EfficientFormerImageProcessor.call()。 - 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。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是一个普通的元组。 - labels (形状为
(batch_size,)的tf.Tensor, 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 (交叉熵损失)。
返回：
transformers.modeling_tf_outputs.TFImageClassifierOutput 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFImageClassifierOutput 或一个 tf.Tensor 元组 (如果传递了 return_dict=False 或者当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
-
loss (形状为
(1,)的tf.Tensor, 可选, 当提供labels时返回) — 分类 (或回归，如果 config.num_labels==1) 损失。 -
logits (形状为
(batch_size, config.num_labels)的tf.Tensor) — 分类 (或回归，如果 config.num_labels==1) 分数 (在 SoftMax 之前)。 -
hidden_states (
tuple(tf.Tensor), 可选, 当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —tf.Tensor元组 (embedding 的输出一个，如果模型有 embedding 层，+ 每一阶段的输出一个)，形状为(batch_size, sequence_length, hidden_size)。模型在每一阶段输出的隐藏状态 (也称为特征图)。 -
attentions (
tuple(tf.Tensor), 可选, 当传递output_attentions=True或当config.output_attentions=True时返回) —tf.Tensor元组 (每一层一个)，形状为(batch_size, num_heads, patch_size, 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。
TFEfficientFormerForImageClassification 的前向传播方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, TFEfficientFormerForImageClassification
>>> import tensorflow as tf
>>> 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("snap-research/efficientformer-l1-300")
>>> model = TFEfficientFormerForImageClassification.from_pretrained("snap-research/efficientformer-l1-300")
>>> inputs = image_processor(image, return_tensors="tf")
>>> logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = int(tf.math.argmax(logits, axis=-1))
>>> print(model.config.id2label[predicted_label])
LABEL_281TFEfficientFormerForImageClassificationWithTeacher
class transformers.TFEfficientFormerForImageClassificationWithTeacher
< source >( config: EfficientFormerConfig )
参数
- config (EfficientFormerConfig) — 带有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相关的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。
带有图像分类头的 EfficientFormer 模型 Transformer（图像分类头是最终隐藏状态之上的线性层和蒸馏 token 的最终隐藏状态之上的线性层），例如用于 ImageNet。
.. warning:: 此模型仅支持推理。尚不支持使用蒸馏（即使用教师模型）进行微调。
此模型是一个 TensorFlow keras.layers.Layer。将其用作常规 TensorFlow 模块，并查阅 TensorFlow 文档以了解与常规用法和行为相关的所有事项。
call
< source >( pixel_values: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None training: bool = False ) → transformers.models.deprecated.efficientformer.modeling_tf_efficientformer.TFEfficientFormerForImageClassificationWithTeacherOutput 或 tuple(tf.Tensor)
参数
- pixel_values ((
tf.Tensor，形状为(batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 EfficientFormerImageProcessor.call()。 - 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。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通的元组。
返回：
transformers.models.deprecated.efficientformer.modeling_tf_efficientformer.TFEfficientFormerForImageClassificationWithTeacherOutput 或 tuple(tf.Tensor)
一个 transformers.models.deprecated.efficientformer.modeling_tf_efficientformer.TFEfficientFormerForImageClassificationWithTeacherOutput 或一个 tf.Tensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (EfficientFormerConfig) 和输入。
TFEfficientFormerForImageClassificationWithTeacher 的 forward 方法，覆盖了 __call__ 特殊方法。
尽管 forward 传递的配方需要在该函数中定义，但应该在之后调用 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，而后者会静默地忽略它们。
- EfficientFormerForImageClassificationWithTeacher 的输出类型。 logits (
tf.Tensor，形状为(batch_size, config.num_labels)) — 作为 cls_logits 和 蒸馏 logits 平均值的预测分数。 cls_logits (tf.Tensor，形状为(batch_size, config.num_labels)) — 分类头的预测分数（即类 token 的最终隐藏状态之上的线性层）。 distillation_logits (tf.Tensor，形状为(batch_size, config.num_labels)) — 蒸馏头的预测分数（即蒸馏 token 的最终隐藏状态之上的线性层）。 hidden_states (tuple(tf.Tensor)，可选，当传递output_hidden_states=True或当config.output_hidden_states=True时返回) —tf.Tensor的元组（每个嵌入输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出的隐藏状态，加上初始嵌入输出。 attentions (tuple(tf.Tensor)，可选，当传递output_attentions=True或当config.output_attentions=True时返回) —tf.Tensor的元组（每层一个），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。
示例
>>> from transformers import AutoImageProcessor, TFEfficientFormerForImageClassificationWithTeacher
>>> import tensorflow as tf
>>> 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("snap-research/efficientformer-l1-300")
>>> model = TFEfficientFormerForImageClassificationWithTeacher.from_pretrained("snap-research/efficientformer-l1-300")
>>> inputs = image_processor(image, return_tensors="tf")
>>> logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = int(tf.math.argmax(logits, axis=-1))
>>> print(model.config.id2label[predicted_label])
LABEL_281