Transformers 文档
Fuyu
并获得增强的文档体验
开始使用
Fuyu
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。
作者们推出了 Fuyu-8B，这是一个基于经典 Transformer 架构的仅解码器多模态模型，带有查询和键归一化。模型增加了一个线性编码器，用于从图像输入创建多模态嵌入。
通过将图像词元（token）视为文本词元，并使用特殊的图像换行符，模型可以知道图像行的结束位置。图像位置嵌入被移除。这避免了针对不同图像分辨率需要不同训练阶段的问题。Fuyu-8B 拥有 80 亿参数，并采用 CC-BY-NC 许可证，其能够处理文本和图像、拥有 16K 的惊人上下文大小以及整体性能出色，因此备受瞩目。
Fuyu 模型使用 bfloat16进行训练，但原始推理使用 float16。Hub 上上传的检查点使用 torch_dtype = 'float16'，AutoModel API 将用其把检查点从 torch.float32 转换为 torch.float16。
在线权重的 `dtype` 基本上是无关紧要的，除非你在使用 `model = AutoModelForCausalLM.from_pretrained("path", torch_dtype = "auto")` 初始化模型时使用了 `torch_dtype="auto"`。原因是模型会首先被下载（使用在线检查点的 `dtype`），然后它会被转换为 `torch` 的默认 `dtype`（变为 `torch.float32`）。用户应该指定他们想要的 `torch_dtype`，如果他们不指定，则默认为 `torch.float32`。
不建议在 `float16` 模式下微调模型，已知这会产生 `nan`，因此模型应在 `bfloat16` 模式下进行微调。
技巧
- 要转换模型，你需要使用 `git clone https://github.com/persimmon-ai-labs/adept-inference` 克隆原始仓库，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，模型可以通过以下方式加载
from transformers import FuyuConfig, FuyuForCausalLM
model_config = FuyuConfig()
model = FuyuForCausalLM(model_config).from_pretrained('/output/path')输入需要通过一个特定的处理器进行处理，以获得正确的格式。处理器需要一个图像处理器和一个分词器。因此，输入可以通过以下方式加载
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)
Fuyu 使用基于 `sentencepiece` 的分词器，模型为 `Unigram`。它支持字节回退，这仅在 `tokenizers==0.14.0` 的快速分词器中可用。由于 `LlamaTokenizer` 是 sentencepiece 的标准包装器，因此被使用。
作者建议使用以下提示进行图像描述：`f"生成一个 coco 风格的描述。\\n"`
FuyuConfig
class transformers.FuyuConfig
< 来源 >( 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 image_token_id = 71011 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 时传入的 `inputs_ids` 可以表示的不同词元的数量。 - hidden_size (
int, 可选, 默认为 4096) — 隐藏表示的维度。 - 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 编码器中的隐藏层数量。 - 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量。 - hidden_act (
str或function, 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) — 该模型可能使用的最大序列长度。 - image_size (
int, 可选, 默认为 300) — 输入图像的大小。 - patch_size (
int, 可选, 默认为 30) — 输入视觉 Transformer 编码的补丁大小。 - 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截断正态分布初始化器的标准差。 - 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`) — 模型是否应返回最后一个键/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：线性和动态。它们的缩放因子必须是大于 1 的浮点数。预期格式为 `{"type": 策略名称, "factor": 缩放因子}`。使用此标志时，不要将 `max_position_embeddings` 更新为预期的新最大值。有关这些缩放策略行为的更多信息，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，可能会在未来版本中发生破坏性 API 更改。 - qk_layernorm (
bool, 可选, 默认为 `True`) — 是否在投影隐藏状态后对查询（Queries）和键（Keys）进行归一化 - hidden_dropout (
float, 可选, 默认为 0.0) — 在将 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 词元的 ID。 - bos_token_id (
int, 可选, 默认为 1) — 序列开始 词元的 ID。 - eos_token_id (
Union[int, list[int]], 可选, 默认为 2) — 序列结束 词元的 ID。可选地，可以使用一个列表来设置多个 序列结束 词元。 - image_token_id (
int, 可选, 默认为 71011) — 图像占位符词元的 ID。 - 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一个 Fuyu 模型，定义模型架构。使用默认值实例化一个配置将产生与 adept/fuyu-8b 类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
FuyuModel
class transformers.FuyuModel
< 来源 >( config: FuyuConfig )
参数
- config (FuyuConfig) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化不会加载与模型相关的权重，只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
Fuyu 模型由视觉主干和语言模型组成，不带语言模型头。
该模型继承自 PreTrainedModel。请查阅超类文档，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、修剪头部等）。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它，并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( input_ids: LongTensor = None image_patches: Tensor = None image_patches_indices: Tensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = 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 或 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。默认情况下，填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- 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。图像块被展平，然后投影到模型的隐藏大小。 - image_patches_indices (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — input_ids 张量中图像块的索引张量。 - attention_mask (
torch.Tensor，形状为(batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值选自[0, 1]：- 1 表示标记未被掩码，
- 0 表示标记被掩码。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。选自范围[0, config.n_positions - 1]。 - past_key_values (
list[torch.FloatTensor], 可选) — 预计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括模型在先前解码阶段返回的past_key_values，当use_cache=True或config.use_cache=True时。允许两种格式：
- Cache 实例，请参阅我们的 kv 缓存指南；
- 长度为
config.n_layers的tuple(torch.FloatTensor)元组，每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果未传递
past_key_values，将返回旧版缓存格式。如果使用
past_key_values，用户可以选择只输入最后一个形状为(batch_size, 1)的input_ids（那些没有为其提供过去键值状态的标记），而不是所有形状为(batch_size, sequence_length)的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。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将input_ids索引转换为关联向量，这将非常有用。 - use_cache (
bool, 可选) — 如果设置为True，将返回past_key_values键值状态，可用于加速解码（请参阅past_key_values）。 - 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.modeling_outputs.CausalLMOutputWithPast 或 tuple(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），根据配置（FuyuConfig）和输入，包含各种元素。
-
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 token 预测）。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)的torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。 -
past_key_values (
Cache, 可选, 当传递use_cache=True或当config.use_cache=True时返回) — 这是一个 Cache 实例。有关更多详细信息，请参阅我们的 kv 缓存指南。包含预计算的隐藏状态（自注意力块中的键和值），可用于（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或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（如果模型有嵌入层，则一个是嵌入层的输出，加上每个层的输出），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。
FuyuModel 的前向方法，覆盖了 `__call__` 特殊方法。
尽管前向传递的配方需要在此函数内定义，但之后应调用 `Module` 实例而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会默默地忽略它们。
gather_continuous_embeddings
< source >( word_embeddings: Tensor continuous_embeddings: list image_patch_input_indices: Tensor )
参数
- word_embeddings (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)) — 词嵌入张量。 - continuous_embeddings (
torch.FloatTensor，形状为(batch_size, num_patches, hidden_size)) — 连续嵌入张量。列表的长度是批次大小。每个条目的形状为 [num_image_embeddings, hidden]，并且 num_image_embeddings 需要与该批次元素的 image_patch_input_indices 中的非负索引数匹配。 - image_patch_input_indices (
torch.LongTensor，形状为(batch_size, sequence_length)) — input_ids 张量中图像块的索引张量。
此函数将 continuous_embeddings 放置到 image_patch_input_indices 指示的位置的 word_embeddings 中。不同的批次元素可以有不同数量的连续嵌入。
get_image_features
< source >( pixel_values: FloatTensor **kwargs )
将图像编码为可以转发到语言模型的连续嵌入。
FuyuForCausalLM
class transformers.FuyuForCausalLM
< source >( 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关联的权重，只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
Fuyu 模型，顶部带有一个语言建模头，用于在图像块和文本上进行条件因果语言建模。
该模型继承自 PreTrainedModel。请查阅超类文档，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、修剪头部等）。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它，并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( input_ids: LongTensor = None image_patches: Tensor = None image_patches_indices: Tensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[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 logits_to_keep: typing.Optional[int] = 0 **kwargs ) → transformers.modeling_outputs.CausalLMOutputWithPast 或 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。默认情况下，填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- 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。图像块被展平，然后投影到模型的隐藏大小。 - image_patches_indices (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — input_ids 张量中图像块的索引张量。 - attention_mask (
torch.Tensor，形状为(batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值选自[0, 1]：- 1 表示标记未被掩码，
- 0 表示标记被掩码。
- position_ids (
torch.LongTensor，形状为(batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。选自范围[0, config.n_positions - 1]。 - past_key_values (
list[torch.FloatTensor], 可选) — 预计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括模型在先前解码阶段返回的past_key_values，当use_cache=True或config.use_cache=True时。允许两种格式：
- Cache 实例，请参阅我们的 kv 缓存指南；
- 长度为
config.n_layers的tuple(torch.FloatTensor)元组，每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果未传递
past_key_values，将返回旧版缓存格式。如果使用
past_key_values，用户可以选择只输入最后一个形状为(batch_size, 1)的input_ids（那些没有为其提供过去键值状态的标记），而不是所有形状为(batch_size, sequence_length)的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。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将input_ids索引转换为关联向量，这将非常有用。 - use_cache (
bool, 可选) — 如果设置为True，将返回past_key_values键值状态，可用于加速解码（请参阅past_key_values）。 - 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。索引应在[0, ..., config.text_config.vocab_size]或 -100 之间（请参阅input_ids文档）。索引设置为-100的标记将被忽略（掩码），损失仅针对标签在[0, ..., config.text_config.vocab_size]中的标记计算。 - 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。 - logits_to_keep (
int, 可选, 默认为0) — 如果是int，则计算最后logits_to_keep个标记的 logits。如果为0，则计算所有input_ids的 logits（特殊情况）。生成时只需要最后一个标记的 logits，仅为该标记计算它们可以节省内存，这对于长序列或大词汇量来说非常重要。如果是torch.Tensor，则必须是一维的，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次和序列长度使用单一维度）时非常有用。
返回
transformers.modeling_outputs.CausalLMOutputWithPast 或 tuple(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），根据配置（FuyuConfig）和输入，包含各种元素。
-
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 token 预测）。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)的torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。 -
past_key_values (
Cache, 可选, 当传递use_cache=True或当config.use_cache=True时返回) — 这是一个 Cache 实例。有关更多详细信息，请参阅我们的 kv 缓存指南。包含预计算的隐藏状态（自注意力块中的键和值），可用于（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或当config.output_hidden_states=True时返回) —torch.FloatTensor的元组（如果模型有嵌入层，则一个是嵌入层的输出，加上每个层的输出），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。
FuyuForCausalLM 的前向方法，覆盖了 `__call__` 特殊方法。
尽管前向传递的配方需要在此函数内定义，但之后应调用 `Module` 实例而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会默默地忽略它们。
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
< source >( do_resize: bool = True size: typing.Optional[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, list[float]] = 0.5 image_std: typing.Union[float, list[float]] = 0.5 do_rescale: bool = True rescale_factor: float = 0.00392156862745098 patch_size: typing.Optional[dict[str, int]] = None **kwargs )
参数
- do_resize (
bool, 可选, 默认为True) — 是否将图像大小调整为size。 - size (
dict[str, int], 可选, 默认为{"height" -- 1080, "width": 1920}): 格式为{"height": int, "width": int}的字典，用于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滤波器，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, optional, defaults toTrue) — 是否对图像进行归一化。 - image_mean (
float, optional, defaults to 0.5) — 归一化图像时使用的均值。 - image_std (
float, optional, defaults to 0.5) — 归一化图像时使用的标准差。 - do_rescale (
bool, optional, defaults toTrue) — 是否对图像进行缩放。 - rescale_factor (
float, optional, defaults to1 / 255) — 缩放图像时使用的因子。 - patch_size (
dict[str, int], optional, defaults to{"height" -- 30, "width": 30}): 格式为{"height": int, "width": int}的字典，用于指定图像块的大小。
此类应处理 FuyuForCausalLM 主模型之前的图像处理部分。具体来说，它应处理：
处理图像：以一批图像作为输入。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。图像输出的 img_h 和 img_w 始终为 (1080, 1920)。
然后，它使用 patchify_image 函数将这些图像分块。
创建图像输入 ID：为每个图像块分配一个占位符 ID，以标识这些图像块在词元序列中的位置。对于可变大小的图像，每行图像块都以一个换行符 ID 结尾。
图像块索引：对于每个图像块，代码会维护一个索引，指示这些图像块应插入到词元流中的位置。
预处理单张或批量图像。
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 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 FuyuImageProcessor 和 LlamaTokenizerFast 的所有功能。更多信息请参阅 call() 和 decode() 方法。
__call__
< 源代码 >( 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, 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。支持通道优先（channels-first）和通道置后（channels-last）格式。 - text (
str,list[str]) — 要编码的序列或一批序列。每个序列可以是一个字符串或一个字符串列表（预分词的字符串）。如果序列以字符串列表的形式提供（预分词），则必须设置is_split_into_words=True（以消除与一批序列的歧义）。
返回
FuyuBatchEncoding
一个具有以下字段的 `FuyuBatchEncoding`：
- input_ids — 要馈送给模型的词元 ID 张量。当 `text` 不为 `None` 时返回。
- image_patches — 图像块张量的列表。当 `images` 不为 `None` 时返回。
- image_patches_indices — 模型需要插入图像块嵌入位置的索引张量。
- attention_mask — 当 `return_attention_mask=True` 时，指定模型应关注哪些词元的索引列表。
为模型准备一个或多个序列和图像的主要方法。如果 `text` 不为 `None`，此方法会将 `text` 和 `kwargs` 参数转发给 LlamaTokenizerFast 的 call() 方法以编码文本。如果 `images` 不为 `None`，此方法会为准备图像将 `images` 和 `kwargs` 参数转发给 FuyuImageProcessor 的 call() 方法。请参阅上述两个方法的文档字符串以获取更多信息。