Transformers 文档

Fuyu

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Fuyu

PyTorch

概述

Fuyu 模型由 ADEPT 创建,作者为 Rohan Bavishi、Erich Elsen、Curtis Hawthorne、Maxwell Nye、Augustus Odena、Arushi Somani、Sağnak Taşırlar。

作者介绍了 Fuyu-8B,这是一个仅解码器的多模态模型,基于经典的 transformers 架构,具有查询和键归一化。添加了一个线性编码器,用于从图像输入创建多模态嵌入。

通过将图像 tokens 视为文本 tokens 并使用特殊的图像换行符,模型知道图像行何时结束。图像位置嵌入被移除。这避免了针对各种图像分辨率进行不同训练阶段的需求。Fuyu-8B 拥有 80 亿参数,并根据 CC-BY-NC 许可,因其处理文本和图像的能力、16K 的惊人上下文大小以及整体性能而引人注目。

Fuyu 模型使用 bfloat16 训练,但原始推理使用 float16。Hub 上上传的 checkpoints 使用 torch_dtype = 'float16'AutoModel API 将使用它将 checkpoints 从 torch.float32 转换为 torch.float16

在线权重的 dtype 大多无关紧要,除非您在使用 model = AutoModelForCausalLM.from_pretrained("path", torch_dtype = "auto") 初始化模型时使用 torch_dtype="auto"。原因是模型将首先被下载(使用在线 checkpoints 的 dtype),然后它将被转换为 torch 的默认 dtype(变为 torch.float32)。用户应指定他们想要的 torch_dtype,如果他们不指定,则默认为 torch.float32

不建议在 float16 中微调模型,已知会产生 nan,因此应在 bfloat16 中微调模型。

提示

  • 要转换模型,您需要使用 git clone https://github.com/persimmon-ai-labs/adept-inference 克隆原始存储库,然后获取 checkpoints
git clone https://github.com/persimmon-ai-labs/adept-inference
wget path/to/fuyu-8b-model-weights.tar
tar -xvf fuyu-8b-model-weights.tar
python src/transformers/models/fuyu/convert_fuyu_weights_to_hf.py  --input_dir /path/to/downloaded/fuyu/weights/ --output_dir /output/path \
    --pt_model_path /path/to/fuyu_8b_release/iter_0001251/mp_rank_00/model_optim_rng.pt
    --ada_lib_path /path/to/adept-inference

对于聊天模型

wget https://axtkn4xl5cip.objectstorage.us-phoenix-1.oci.customer-oci.com/n/axtkn4xl5cip/b/adept-public-data/o/8b_chat_model_release.tar
tar -xvf 8b_base_model_release.tar

然后,可以通过以下方式加载模型

from transformers import FuyuConfig, FuyuForCausalLM
model_config = FuyuConfig()
model = FuyuForCausalLM(model_config).from_pretrained('/output/path')

输入需要通过特定的 Processor 传递才能具有正确的格式。一个 processor 需要一个 image_processor 和一个 tokenizer。因此,可以通过以下方式加载输入

from PIL import Image
from transformers import AutoTokenizer
from transformers.models.fuyu.processing_fuyu import FuyuProcessor
from transformers.models.fuyu.image_processing_fuyu import FuyuImageProcessor


tokenizer = AutoTokenizer.from_pretrained('adept-hf-collab/fuyu-8b')
image_processor = FuyuImageProcessor()


processor = FuyuProcessor(image_processor=image_processor, tokenizer=tokenizer)
text_prompt = "Generate a coco-style caption.\\n"

bus_image_url = "https://huggingface.co/datasets/hf-internal-testing/fixtures-captioning/resolve/main/bus.png"
bus_image_pil = Image.open(io.BytesIO(requests.get(bus_image_url).content))
inputs_to_model = processor(images=bus_image_pil, text=text_prompt)

此模型由 Molbap 贡献。原始代码可以在这里找到。

  • Fuyu 使用基于 sentencepiece 的分词器,以及 Unigram 模型。它支持字节回退(bytefallback),该功能仅在快速分词器的 tokenizers==0.14.0 版本中可用。LlamaTokenizer 被用作 sentencepiece 的标准封装器。

  • 作者建议使用以下提示(prompt)进行图像描述生成:f"Generate a coco-style caption.\\n"

FuyuConfig

class transformers.FuyuConfig

< >

( vocab_size = 262144 hidden_size = 4096 intermediate_size = 16384 num_hidden_layers = 36 num_attention_heads = 64 hidden_act = 'relu2' max_position_embeddings = 16384 image_size = 300 patch_size = 30 num_channels = 3 initializer_range = 0.02 layer_norm_eps = 1e-05 use_cache = True tie_word_embeddings = False rope_theta = 25000.0 rope_scaling = None qk_layernorm = True hidden_dropout = 0.0 attention_dropout = 0.0 partial_rotary_factor = 0.5 pad_token_id = None bos_token_id = 1 eos_token_id = 2 text_config = None **kwargs )

参数

  • vocab_size (int, 可选, 默认为 262144) — Fuyu 模型的词汇表大小。定义了在调用 FuyuForCausalLM 时,通过 inputs_ids 能够表示的不同 token 的数量。
  • hidden_size (int, 可选, 默认为 4096) — 隐藏层表示的维度。
  • intermediate_size (int, 可选, 默认为 16384) — MLP 表示的维度。
  • num_hidden_layers (int, 可选, 默认为 36) — Transformer 编码器中隐藏层的数量。
  • num_attention_heads (int, 可选, 默认为 64) — Transformer 编码器中每个注意力层的注意力头数。
  • hidden_act (strfunction, 可选, 默认为 "relu2") — 解码器中的非线性激活函数(函数或字符串)。
  • max_position_embeddings (int, 可选, 默认为 16384) — 此模型可能使用的最大序列长度。
  • image_size (int, 可选, 默认为 300) — 输入图像尺寸。
  • patch_size (int, 可选, 默认为 30) — 输入视觉 Transformer 编码 patch 的大小。
  • num_channels (int, 可选, 默认为 3) — 输入图像的通道数。
  • 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-05) — RMS 归一化层使用的 epsilon 值。
  • use_cache (bool, 可选, 默认为 True) — 模型是否应返回上次的键/值注意力(并非所有模型都使用)。仅在 config.is_decoder=True 时相关。是否绑定权重嵌入。
  • tie_word_embeddings (bool, 可选, 默认为 False) — 是否绑定输入和输出嵌入。
  • rope_theta (float, 可选, 默认为 25000.0) — RoPE 嵌入的基周期。
  • rope_scaling (Dict, 可选) — 包含 RoPE 嵌入缩放配置的字典。目前支持两种缩放策略:linear 和 dynamic。它们的缩放因子必须是大于 1 的浮点数。预期的格式是 {"type": strategy name, "factor": scaling factor}。当使用此标志时,请勿将 max_position_embeddings 更新为预期的新最大值。有关这些缩放策略如何运作的更多信息,请参阅以下帖子:https://www.reddit.com/r/LocalFuyu/comments/14mrgpr/dynamically_scaled_rope_further_increases/。这是一个实验性功能,未来版本中可能会有破坏性的 API 更改。
  • qk_layernorm (bool, 可选, 默认为 True) — 是否在投影隐藏状态后对 Queries 和 Keys 进行归一化。
  • hidden_dropout (float, 可选, 默认为 0.0) — 将 MLP 应用于隐藏状态后的 dropout 比率。
  • attention_dropout (float, 可选, 默认为 0.0) — 计算注意力分数后的 dropout 比率。
  • partial_rotary_factor (float, 可选, 默认为 0.5) — 查询和键中将使用 rotary embedding 的百分比。
  • pad_token_id (int, 可选) — padding token 的 id。
  • bos_token_id (int, 可选, 默认为 1) — beginning-of-sequence token 的 id。
  • eos_token_id (Union[int, List[int]], 可选, 默认为 2) — end-of-sequence token 的 id。可以选择使用列表来设置多个 end-of-sequence token。
  • text_config (dict, 可选) — 用于初始化 language```Aut 的配置选项字典。

这是一个配置类,用于存储 FuyuForCausalLM 的配置。它用于根据指定的参数实例化 Fuyu 模型,定义模型架构。使用默认值实例化配置将产生与 adept/fuyu-8b 相似的配置。

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。

>>> from transformers import FuyuConfig

>>> # Initializing a Fuyu fuyu-7b style configuration
>>> configuration = FuyuConfig()

FuyuForCausalLM

class transformers.FuyuForCausalLM

< >

( config: FuyuConfig )

参数

  • config (FuyuConfig) — 包含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。 查看 from_pretrained() 方法来加载模型权重。

Fuyu 模型,带有一个语言建模头,用于以图像补丁和文本为条件的因果语言模型。此模型继承自 PreTrainedModel。请查阅超类文档以了解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、剪枝头等)。

此模型也是 PyTorch torch.nn.Module 子类。请将其用作常规 PyTorch 模块,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。

forward

< >

( input_ids: LongTensor = None image_patches: Tensor = None image_patches_indices: Tensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[typing.List[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = 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 **kwargs ) transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor, 形状为 (batch_size, sequence_length)) — 词汇表中输入序列 tokens 的索引。如果您提供 padding,默认情况下 padding 将被忽略。

    索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 IDs?

  • attention_mask (torch.Tensor, 形状为 (batch_size, sequence_length), 可选) — 掩码,用于避免在 padding token 索引上执行 attention。 Mask values selected in [0, 1]:

    • 1 表示 tokens 未被掩码
    • 0 表示 tokens 已被掩码

    什么是 attention masks?

    索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    如果使用 past_key_values,则可以选择仅输入最后的 decoder_input_ids (请参阅 past_key_values)。

    如果您想更改 padding 行为,您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。 有关默认策略的更多信息,请参阅 论文 中的图 1。

    • 1 表示 head 未被掩码
    • 0 表示 head 已被掩码
  • image_patches (torch.FloatTensor, 形状为 (batch_size, num_total_patches, patch_size_ x patch_size x num_channels), 可选) — 用作连续嵌入的图像补丁。 这些补丁被展平,然后投影到模型的隐藏层大小。
  • image_patches_indices (torch.LongTensor, 形状为 (batch_size, num_total_patches + number_of_newline_tokens + number_of_text_tokens, patch_size_ x patch_size x num_channels ), 可选) — 指示 image_patches 必须插入到 input_embeds 中哪个位置的索引。
  • position_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 每个输入序列 tokens 在位置嵌入中的位置索引。 在范围 [0, config.n_positions - 1] 中选择。

    什么是位置 IDs?

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)) 元组,每个元组有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

    包含预先计算的隐藏状态(自注意力模块和交叉注意力模块中的键和值),可以用于加速顺序解码(请参阅 past_key_values 输入)。

    如果使用 past_key_values,用户可以选择仅输入最后的 decoder_input_ids (那些没有将其过去的键值状态提供给此模型的)形状为 (batch_size, 1) 而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递 input_ids。 如果您想要比模型的内部嵌入查找矩阵更精确地控制如何将 input_ids 索引转换为关联的向量,这将非常有用。
  • use_cache (bool, 可选) — 如果设置为 True,则返回 past_key_values 键值状态,并且可以用于加速解码(请参阅 past_key_values)。
  • output_attentions (bool, 可选) — 是否返回所有 attention 层的 attentions 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 hidden states。 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 而不是纯元组。
  • labels (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 用于计算掩码语言建模损失的标签。 索引应为 [0, ..., config.text_config.vocab_size] 或 -100(请参阅 input_ids 文档字符串)。 索引设置为 -100 的 tokens 将被忽略(掩码),损失仅针对标签在 [0, ..., config.text_config.vocab_size] 中的 tokens 计算。

返回

transformers.modeling_outputs.CausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor 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 (FuyuConfig) 和输入。

  • 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 (torch.FloatTensor, 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数(SoftMax 之前每个词汇表 token 的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)) 元组,每个元组有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)

    包含预先计算的隐藏状态(自注意力模块中的键和值),可以用于加速顺序解码(请参阅 past_key_values 输入)。

  • 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(如果模型具有嵌入层,则为嵌入输出之一;+ 每个层的输出之一),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出以及可选的初始嵌入输出处的 Hidden-states。

  • 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)

    attention softmax 之后的 Attentions 权重,用于计算自注意力头中的加权平均值。

FuyuForCausalLM forward 方法,覆盖了 __call__ 特殊方法。

虽然 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module 实例,而不是调用此函数,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 FuyuProcessor, FuyuForCausalLM
>>> from PIL import Image
>>> import requests

>>> processor = FuyuProcessor.from_pretrained("adept/fuyu-8b")
>>> model = FuyuForCausalLM.from_pretrained("adept/fuyu-8b")

>>> url = "https://huggingface.co/datasets/hf-internal-testing/fixtures-captioning/resolve/main/bus.png"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> prompt = "Generate a coco-style caption.\n"

>>> inputs = processor(images=image, text=prompt, return_tensors="pt")
>>> outputs = model(**inputs)

>>> generated_ids = model.generate(**inputs, max_new_tokens=7)
>>> generation_text = processor.batch_decode(generated_ids[:, -7:], skip_special_tokens=True)
>>> print(generation_text[0])
A blue bus parked on the side of a road.

FuyuImageProcessor

class transformers.FuyuImageProcessor

< >

( do_resize: bool = True size: typing.Optional[typing.Dict[str, int]] = None resample: Resampling = <Resampling.BILINEAR: 2> do_pad: bool = True padding_value: float = 1.0 padding_mode: str = 'constant' do_normalize: bool = True image_mean: typing.Union[float, typing.List[float]] = 0.5 image_std: typing.Union[float, typing.List[float]] = 0.5 do_rescale: bool = True rescale_factor: float = 0.00392156862745098 patch_size: typing.Optional[typing.Dict[str, int]] = None **kwargs )

参数

  • do_resize (bool, 可选, 默认为 True) — 是否将图像调整为 size 大小。
  • size (Dict[str, int], 可选, 默认为 {"height" -- 1080, "width": 1920}): 字典格式为 {"height": int, "width": int},指定输出图像的大小。
  • resample (PILImageResampling, 可选, 默认为 Resampling.BILINEAR) — 调整图像大小时使用的 PILImageResampling 过滤器,例如 PILImageResampling.BILINEAR
  • do_pad (bool, 可选, 默认为 True) — 是否将图像填充到 size
  • padding_value (float, 可选, 默认为 1.0) — 用于填充图像的值。
  • padding_mode (str, 可选, 默认为 "constant") — 填充图像时使用的填充模式。
  • do_normalize (bool, 可选, 默认为 True) — 是否标准化图像。
  • image_mean (float, 可选, 默认为 0.5) — 标准化图像时使用的均值。
  • image_std (float, 可选, 默认为 0.5) — 标准化图像时使用的标准差。
  • do_rescale (bool, 可选, 默认为 True) — 是否重新缩放图像。
  • rescale_factor (float, 可选, 默认为 1 / 255) — 重新缩放图像时使用的因子。
  • patch_size (Dict[str, int], 可选, 默认为 {"height" -- 30, "width": 30}): 字典格式为 {"height": int, "width": int},指定图像块的大小。

此类应处理主 FuyuForCausalLM 之前的图像处理部分。 特别是,它应该处理

  • 处理图像:接收一批图像作为输入。如果图像大小可变,它会根据所需的图像块尺寸调整它们的大小。图像输出始终为 img_h, img_w (1080, 1920)

    然后,它使用 patchify_image 函数将这些图像分割成图像块。

  • 创建图像输入 ID:对于每个图像块,都会给出一个占位符 ID,以标识这些图像块在 token 序列中的位置。对于可变大小的图像,每行图像块都以换行符 ID 结尾。

  • 图像块索引:对于每个图像块,代码都会维护一个索引,指示这些图像块应插入到 token 流中的位置。

__call__

< >

( images **kwargs )

预处理图像或一批图像。

FuyuProcessor

class transformers.FuyuProcessor

< >

( image_processor tokenizer **kwargs )

参数

构建一个 Fuyu 处理器,它将 Fuyu 图像处理器和 Llama 分词器包装成一个单一的处理器。

FuyuProcessor 提供了 FuyuImageProcessorLlamaTokenizerFast 的所有功能。 有关更多信息,请参阅 call()decode()

__call__

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] = None text: typing.Union[str, typing.List[str], NoneType] = None audio = None videos = None **kwargs: typing_extensions.Unpack[transformers.models.fuyu.processing_fuyu.FuyuProcessorKwargs] ) FuyuBatchEncoding

参数

  • images (PIL.Image.Image, List[PIL.Image.Image]) — 要准备的图像或一批图像。每个图像可以是 PIL 图像、NumPy 数组或 PyTorch 张量。支持 channels-first 和 channels-last 格式。
  • text (str, List[str]) — 要编码的序列或一批序列。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,则必须设置 is_split_into_words=True (以消除与一批序列的歧义)。

返回

FuyuBatchEncoding

带有以下字段的 FuyuBatchEncoding

  • input_ids — 要馈送到模型的 token ID 张量。当 text 不为 None 时返回。
  • image_patches — 图像块的张量列表。当 images 不为 None 时返回。
  • image_patches_indices — 模型必须在其中插入图像块嵌入的索引张量。
  • attention_mask — 指定模型应关注哪些 token 的索引列表,当 return_attention_mask=True 时返回。

准备模型的一个或多个序列和图像的主要方法。如果 text 不为 None 以编码文本,此方法将 textkwargs 参数转发到 LlamaTokenizerFast 的 call()。要准备图像,如果 images 不为 None,此方法将 imageskwargs 参数转发到 FuyuImageProcessor 的 call()。有关更多信息,请参阅上述两种方法的文档字符串。

< > 在 GitHub 上更新