Fuyu
概述
Fuyu 模型由 ADEPT 创建,由 Rohan Bavishi、Erich Elsen、Curtis Hawthorne、Maxwell Nye、Augustus Odena、Arushi Somani、Sağnak Taşırlar 编写。
作者推出了 Fuyu-8B,一个基于经典 Transformer 架构的解码器专用多模态模型,具有查询和键归一化。添加了一个线性编码器,以从图像输入创建多模态嵌入。
通过将图像标记视为文本标记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。这避免了为各种图像分辨率进行不同训练阶段的需要。Fuyu-8B 具有 80 亿个参数,并根据 CC-BY-NC 许可,其以能够处理文本和图像、令人印象深刻的 16K 上下文大小和整体性能而著称。
Fuyu
模型使用 bfloat16
训练,但原始推理使用 float16
。上传到中心的检查点使用 torch_dtype = 'float16'
,AutoModel
API 将使用它将检查点从 torch.float32
转换为 torch.float16
。
在线权重的dtype
大多无关紧要,除非你在使用 torch_dtype="auto"
初始化模型时使用 model = AutoModelForCausalLM.from_pretrained("path", torch_dtype = "auto")
。原因是模型会首先被下载(使用在线检查点的 dtype
),然后会被转换为 torch
的默认 dtype
(变成 torch.float32
)。用户应该指定他们想要的 torch_dtype
,如果没有指定,它将是 torch.float32
。
不建议在 float16
中微调模型,并且已知会产生 nan
,因此应该在 bfloat16
中微调模型。
提示
- 要转换模型,你需要使用
git clone https://github.com/persimmon-ai-labs/adept-inference
克隆原始存储库,然后获取检查点。
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处理器来获得正确的格式。处理器需要图像处理器和分词器。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 这里。
Fuyu 使用基于
sentencepiece
的分词器,使用Unigram
模型。它支持字节回退,这仅在tokenizers==0.14.0
中的快速分词器中可用。LlamaTokenizer
被使用,因为它是一个围绕 sentencepiece 的标准包装器。作者建议使用以下提示进行图像字幕:
f"Generate a coco-style caption.\\n"
FuyuConfig
class transformers.FuyuConfig
< source >( 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, 默认值 262144) — Fuyu 模型的词汇量大小。定义调用 FuyuForCausalLM 时传递的inputs_ids
可以表示的不同标记的数量 - hidden_size (
int
, 可选, 默认值 4096) — 隐藏表示的维度。 - intermediate_size (
int
, 可选, 默认值 16384) — MLP 表示的维度。 - num_hidden_layers (
int
, 可选, 默认值 36) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认值为 64) — Transformer 编码器中每个注意力层的注意力头数。 - hidden_act (
str
或function
, 可选, 默认值为"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, 默认值为 16384) — 该模型可能使用的最大序列长度。 - image_size (
int
, 可选, 默认值为 300) — 输入图像大小。 - patch_size (
int
, 可选, 默认值为 30) — 输入视觉 Transformer 编码的补丁大小。 - num_channels (
int
, 可选, 默认值为 3) — 输入图像的通道数。 - initializer_range (
float
, 可选, 默认值为 0.02) — 初始化所有权重矩阵的截断正态初始化的标准差。 - layer_norm_eps (
float
, 可选, 默认值为 1e-05) — RMS 归一化层使用的 epsilon。 - use_cache (
bool
, 可选, 默认值为True
) — 模型是否应该返回最后键/值注意力(并非所有模型都使用)。 仅在config.is_decoder=True
时才相关。 是否绑定权重嵌入 - tie_word_embeddings (
bool
, 可选, 默认值为False
) — 是否绑定输入和输出嵌入。 - qk_layernorm (
bool
, 可选,默认为True
) — 是否在投影隐藏状态后规范化查询和键 - 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) — 将具有旋转嵌入的查询和键的百分比。 - pad_token_id (
int
, 可选) — 填充标记的 ID。 - bos_token_id (
int
, 可选,默认为 1) — 序列开始标记的 ID。 - eos_token_id (
Union[int, List[int]]
, 可选,默认为 2) — 序列结束标记的 ID。 或者,使用列表设置多个序列结束标记。 - text_config (
dict
, 可选) — 用于初始化language```Aut
的配置选项字典。
这是用于存储 FuyuForCausalLM 配置的配置类。 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类似于 adept/fuyu-8b 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。
FuyuForCausalLM
Fuyu 模型,在顶部有一个语言建模头,用于根据图像块和文本进行因果语言建模。此模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法(如下载或保存、调整输入嵌入的大小、修剪头等)。
此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解所有与一般使用和行为相关的事项。
forward
< source > ( input_ids: LongTensor = None image_patches: Tensor = None image_patches_indices: Tensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None labels: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.CausalLMOutputWithPast or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。如果您提供填充,默认情况下将忽略填充。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) — 掩码,用于避免对填充标记索引执行注意力。掩码值选择在[0, 1]
中:- 1 表示未掩码的标记,
- 0 表示掩码的标记。
可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。
如果使用
past_key_values
,可以选择仅输入最后一个decoder_input_ids
(参见past_key_values
)。如果您想更改填充行为,您应该阅读
modeling_opt._prepare_decoder_attention_mask
并修改为您的需求。有关默认策略的更多信息,请参见 论文 中的图 1。- 1 表示头未被掩码,
- 0 表示头被掩码。
- 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块。这些块被展平,然后投影到模型的隐藏大小。 - 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) — 指示在input_embeds
中插入image_patches
的位置的索引。 - position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列标记位置的索引。 选择范围在[0, config.n_positions - 1]
之间。 - past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选,当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量,以及 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的额外张量。包含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),可以用于(参见
past_key_values
输入)加速顺序解码。如果使用
past_key_values
,用户可以选择仅输入形状为(batch_size, 1)
的最后一个decoder_input_ids
(那些没有提供给该模型的过去键值状态),而不是形状为(batch_size, sequence_length)
的所有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
。 这在您希望对如何将input_ids
索引转换为相关向量进行更多控制时非常有用,而不是模型的内部嵌入查找矩阵。 - use_cache (
bool
, 可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 参见返回张量中的attentions
了解详细信息。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 参见返回张量中的hidden_states
了解详细信息。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。 - 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。 索引应该在[0, ..., config.text_config.vocab_size]
或 -100 中(参见input_ids
文档字符串)。 索引设置为-100
的标记被忽略(掩码),仅对标签在[0, ..., config.text_config.vocab_size]
中的标记计算损失。
返回
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithPast 或 torch.FloatTensor
的元组(如果传递 return_dict=False
或 config.return_dict=False
),包含取决于配置 (FuyuConfig) 和输入的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选,当提供labels
时返回) — 语言建模损失(用于下一个标记预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(每个词汇标记在 SoftMax 之前的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选,当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
,每个元组包含 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(自注意力块中的键和值),可以用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。每个层的输出处的模型隐藏状态加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选,当传递output_attentions=True
或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。
The FuyuForCausalLM forward method, overrides the __call__
special method.
虽然前向传递的配方需要在此函数中定义,但之后应该调用 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 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
< 源代码 >( do_resize: bool = True size: Optional = 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: Union = 0.5 image_std: Union = 0.5 do_rescale: bool = True rescale_factor: float = 0.00392156862745098 patch_size: Optional = None **kwargs )
参数
- do_resize (
bool
, 可选, 默认值True
) — 是否将图像调整为size
。 - size (
Dict[str, int]
, 可选, 默认值{"height" -- 1080, "width": 1920}
): 指定输出图像大小的字典,格式为{"height": int, "width": int}
。 - resample (
PILImageResampling
, 可选, 默认值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, 默认值True
) — 是否将图像填充为size
。 - padding_value (
float
, 可选, 默认值 1.0) — 用于填充图像的值。 - padding_mode (
str
, 可选, 默认值"constant"
) — 填充图像时使用的填充模式。 - do_normalize (
bool
, 可选, 默认值True
) — 是否对图像进行归一化。 - do_rescale (
bool
, 可选, 默认为True
) — 是否对图像进行重新缩放。 - rescale_factor (
float
, 可选, 默认为1 / 255
) — 用于重新缩放图像的因子。 - patch_size (
Dict[str, int]
, 可选, 默认为{"height" -- 30, "width": 30}
): 指定补丁大小的字典,格式为{"height": int, "width": int}
。
此类应处理 FuyuForCausalLM 之前的主要图像处理部分。 具体来说,它应处理
处理图像:将一批图像作为输入。 如果图像大小不一致,则根据所需的补丁尺寸调整它们的大小。 图像输出始终为 img_h、img_w 为 (1080, 1920)
然后,它使用 patchify_image 函数将这些图像拼凑起来。
创建图像输入 ID:对于每个补丁,都会给出一个占位符 ID 来标识这些补丁在标记序列中的位置。 对于大小不一致的图像,每行补丁都以换行 ID 结尾。
图像补丁索引:对于每个图像补丁,代码都会维护一个索引,用于指定在标记流中插入这些补丁的位置。
预处理图像或一批图像。
FuyuProcessor
class transformers.FuyuProcessor
< 源代码 >( image_processor tokenizer **kwargs )
参数
- image_processor (FuyuImageProcessor) — 图像处理器是必需的输入。
- tokenizer (LlamaTokenizerFast) — 分词器是必需的输入。
构建一个 Fuyu 处理器,它将一个 Fuyu 图像处理器和一个 Llama 分词器包装到一个单独的处理器中。
FuyuProcessor 提供了 FuyuImageProcessor 和 LlamaTokenizerFast 的所有功能。 有关更多信息,请参阅 call() 和 decode()
。
__call__
< 源代码 > ( images: Union = None text: Union = None audio = None videos = None **kwargs: Unpack ) → FuyuBatchEncoding
参数
- images (
PIL.Image.Image
,List[PIL.Image.Image]
) — 要准备的图像或图像批次。每个图像可以是 PIL 图像、NumPy 数组或 PyTorch 张量。支持通道优先和通道最后格式。 - text (
str
,List[str]
) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表(预标记的字符串)。如果序列作为字符串列表(预标记)提供,则必须设置is_split_into_words=True
(以消除与序列批次的歧义)。
返回
FuyuBatchEncoding
具有以下字段的FuyuBatchEncoding
- input_ids — 要馈送到模型的标记 ID 张量。当
text
不为None
时返回。 - image_patches — 图像补丁的张量列表。当
images
不为None
时返回。 - image_patches_indices — 模型需要插入补丁嵌入的索引张量。
- attention_mask — 指示模型在
return_attention_mask=True
时应关注哪些标记的索引列表。
准备一个或多个序列和图像以供模型使用的主要方法。如果text
不为None
,此方法会将text
和kwargs
参数转发给LlamaTokenizerFast的call()来编码文本。为了准备图像,如果images
不为None
,此方法会将images
和kwargs
参数转发给FuyuImageProcessor的call()。有关更多信息,请参阅上述两种方法的文档字符串。