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。

概览

EfficientFormer 模型在 EfficientFormer: Vision Transformers at MobileNet Speed 中被提出，作者为 Yanyu Li, Geng Yuan, Yang Wen, Eric Hu, Georgios Evangelidis, Sergey Tulyakov, Yanzhi Wang, Jian Ren。 EfficientFormer 提出了一种维度一致的纯 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。

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，在各种基准测试中都取得了可喜的成果。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数倍。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。最近的工作试图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，我们首先回顾了基于 ViT 的模型中使用的网络架构和算子，并识别出低效的设计。然后，我们引入了一种维度一致的纯 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（使用 CoreML 编译）的推理延迟仅为 1.6 毫秒，{ 运行速度与 MobileNetV2×1.4 (1.6 毫秒, 74.7% top-1) 一样快，} 而我们最大的模型 EfficientFormer-L7 则以仅 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 可以在移动设备上实现极低的延迟，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

图像分类任务指南

EfficientFormerConfig

class transformers.EfficientFormerConfig

< source >

( depths: typing.List[int] = [3, 2, 6, 4] hidden_sizes: typing.List[int] = [48, 96, 224, 448] downsamples: typing.List[bool] = [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, 默认为 [3, 2, 6, 4]) — 每个阶段的深度。
hidden_sizes (List(int), 可选, 默认为 [48, 96, 224, 448]) — 每个阶段的维度。
downsamples (List(bool), 可选, 默认为 [True, True, True, True]) — 是否在两个阶段之间对输入进行下采样。
dim (int, 可选, 默认为 448) — Meta3D 层中的通道数
key_dim (int, 可选, 默认为 32) — meta3D 块中键的大小。
attention_ratio (int, 可选, 默认为 4) — MSHA 块中查询和值的维度与键的维度之比
resolution (int, 可选, 默认为 7) — 每个patch的大小
num_hidden_layers (int, 可选, 默认为 5) — Transformer编码器中隐藏层的数量。
num_attention_heads (int, 可选, 默认为 8) — 3D MetaBlock中每个注意力层的注意力头的数量。
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) — 池化层的内核大小。
downsample_patch_size (int, 可选, 默认为 3) — 下采样层中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。
drop_path_rate (int, 可选, 默认为 0) — DropPath中增加dropout概率的比率。
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distillation head。
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) — 每张图片的大小（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.config

EfficientFormerImageProcessor

class transformers.EfficientFormerImageProcessor

< source >

( do_resize: bool = True size: typing.Optional[typing.Dict[str, int]] = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 crop_size: typing.Dict[str, int] = None do_normalize: bool = True image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = 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 参数覆盖。
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 参数覆盖。
do_rescale (bool, 可选, 默认为 True) — 是否按指定的比例因子 rescale_factor 重新缩放图像。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) — 如果重新缩放图像，则使用的比例因子。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，其长度为图像中的通道数。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，其长度为图像中的通道数。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: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_resize: typing.Optional[bool] = None size: typing.Dict[str, int] = None resample: Resampling = None do_center_crop: bool = None crop_size: int = None do_rescale: typing.Optional[bool] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: typing.Union[str, transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None **kwargs )

参数

images (ImageInput) — 要预处理的图像。接受单张或批量图像，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) — 字典格式为 {"height": h, "width": w}，指定调整大小后输出图像的尺寸。
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) — 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。
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。

Pytorch

隐藏 Pytorch 内容

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。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解所有与常规用法和行为相关的事项。

forward

< source >

( pixel_values: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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。有关详细信息，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。有关更多详细信息，请参见返回的张量下的 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，请参见返回的张量下的 hidden_states。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

返回值

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 或者当 config.return_dict=False 时)，包含取决于配置 (EfficientFormerConfig) 和输入的各种元素。

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，这返回通过线性层和 tanh 激活函数处理后的分类 token。线性层权重从预训练期间的下一句预测 (分类) 目标中训练而来。
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 元组 (如果模型有 embedding 层，则为 embedding 输出，加上每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

模型在每一层输出的隐藏状态，加上可选的初始 embedding 输出。
attentions (tuple(torch.FloatTensor), optional, 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 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，而后者会默默地忽略它们。

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

< 源代码 >

( 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 模型转换器，顶部带有一个图像分类头 (位于 [CLS] 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 模块，并参考 PyTorch 文档了解与常规用法和行为相关的所有事项。

forward

< 源代码 >

( pixel_values: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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。有关详细信息，请参阅 ViTImageProcessor.preprocess() 。
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，请参见返回张量下的 attentions 。
output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states 。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
labels (torch.LongTensor，形状为 (batch_size,), optional) — 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 (均方损失)；如果 config.num_labels > 1，则计算分类损失 (交叉熵)。

返回值

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 或者当 config.return_dict=False 时)，包含取决于配置 (EfficientFormerConfig) 和输入的各种元素。

loss (torch.FloatTensor，形状为 (1,), optional, 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 (在 SoftMax 之前)。
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 元组 (如果模型有 embedding 层，则为 embedding 输出，加上每个阶段输出一个)，形状为 (batch_size, sequence_length, hidden_size)。模型在每个阶段输出的隐藏状态 (也称为特征图)。
attentions (tuple(torch.FloatTensor), optional, 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, 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。

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 cat

EfficientFormerForImageClassificationWithTeacher

class transformers.EfficientFormerForImageClassificationWithTeacher

< 源代码 >

( 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 模型转换器，顶部带有图像分类头 (位于 [CLS] token 的最终隐藏状态之上的线性层以及位于蒸馏 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 模块，并参考 PyTorch 文档了解与常规用法和行为相关的所有事项。

forward

< 源代码 >

( pixel_values: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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。有关详细信息，请参阅 ViTImageProcessor.preprocess() 。
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，请参见返回张量下的 attentions 。
output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参见返回张量下的 hidden_states 。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

返回值

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)，包含取决于配置 (EfficientFormerConfig) 和输入的各种元素。

logits (torch.FloatTensor，形状为 (batch_size, config.num_labels)) — 预测分数，为 cls_logits 和蒸馏 logits 的平均值。
cls_logits (torch.FloatTensor，形状为 (batch_size, config.num_labels)) — 分类头的预测分数 (即位于 class token 的最终隐藏状态之上的线性层)。
distillation_logits (torch.FloatTensor，形状为 (batch_size, config.num_labels)) — 蒸馏头的预测分数 (即位于蒸馏 token 的最终隐藏状态之上的线性层)。
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 元组 (如果模型有 embedding 层，则为 embedding 输出，加上每层输出一个)，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 embedding 输出。
attentions (tuple(torch.FloatTensor), optional, 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 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 forward 方法，覆盖了 __call__ 特殊方法。

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 cat

TensorFlow

隐藏 TensorFlow 内容

TFEfficientFormerModel

class transformers.TFEfficientFormerModel

< 源代码 >

( config: EfficientFormerConfig **kwargs )

参数

config (EfficientFormerConfig) — 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相关的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。

裸 EfficientFormer 模型 Transformer，输出原始的隐藏状态，顶部没有任何特定的头部。此模型是 TensorFlow keras.layers.Layer。可将其用作常规 TensorFlow 模块，并参阅 TensorFlow 文档以了解所有与通用用法和行为相关的事项。

call

< source >

( pixel_values: typing.Optional[tensorflow.python.framework.tensor.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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，请参见返回的张量下的 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，请参见返回的张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。

返回值

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) — 序列的第一个标记（分类标记）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) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（每个嵌入输出一个 + 每层输出一个）。

模型在每一层输出以及初始嵌入输出处的隐藏状态。
attentions (tuple(tf.Tensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每层一个）。

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 前向方法，覆盖了 __call__ 特殊方法。

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) — 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相关的权重，仅加载配置。请查看 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头，例如用于 ImageNet。

此模型是 TensorFlow keras.layers.Layer。可将其用作常规 TensorFlow 模块，并参阅 TensorFlow 文档以了解所有与通用用法和行为相关的事项。

call

< source >

( pixel_values: typing.Optional[tensorflow.python.framework.tensor.Tensor] = None labels: typing.Optional[tensorflow.python.framework.tensor.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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，请参见返回的张量下的 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，请参见返回的张量下的 hidden_states。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
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）。

返回值

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）得分（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) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（每个嵌入的输出一个，如果模型有嵌入层，+ 每个阶段的输出一个）。模型在每个阶段输出处的隐藏状态（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) — 形状为 (batch_size, num_heads, patch_size, sequence_length) 的 tf.Tensor 元组（每层一个）。

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 前向方法，覆盖了 __call__ 特殊方法。

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_281

TFEfficientFormerForImageClassificationWithTeacher

class transformers.TFEfficientFormerForImageClassificationWithTeacher

< source >

( config: EfficientFormerConfig )

参数

config (EfficientFormerConfig) — 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相关的权重，仅加载配置。请查看 from_pretrained() 方法来加载模型权重。

EfficientFormer 模型 Transformer，顶部带有图像分类头（最终隐藏状态之上的一个线性层和蒸馏标记的最终隐藏状态之上的一个线性层），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 TensorFlow keras.layers.Layer。可将其用作常规 TensorFlow 模块，并参阅 TensorFlow 文档以了解所有与通用用法和行为相关的事项。

call

< source >

( pixel_values: typing.Optional[tensorflow.python.framework.tensor.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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。详情请参考 EfficientFormerImageProcessor.call()。
output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。详见返回张量下的 attentions 以了解更多细节。
output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详见返回张量下的 hidden_states 以了解更多细节。
return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回值

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 或者当 config.return_dict=False 时)，包含取决于配置 (EfficientFormerConfig) 和输入的各种元素。

TFEfficientFormerForImageClassificationWithTeacher 的前向传播方法，覆盖了 __call__ 特殊方法。

Output 类型为 EfficientFormerForImageClassificationWithTeacher。 logits (tf.Tensor，形状为 (batch_size, config.num_labels)) — 预测分数，作为 cls_logits 和 distillation logits 的平均值。 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 元组 (每个嵌入输出 + 每个层的输出各一个)，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 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

< > 更新在 GitHub 上