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
< 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 (
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) — 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。
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
< 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[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() 和 PreTrainedTokenizer.call()。
- 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。
索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 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。 - 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))
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)
的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.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),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_layers
的tuple(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
< source >( 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。
预处理图像或一批图像。
FuyuProcessor
class transformers.FuyuProcessor
< source >( 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。 有关更多信息,请参阅 call() 和 decode()
。
__call__
< source >( 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 text
和 kwargs
参数转发到 LlamaTokenizerFast 的 call()。要准备图像,如果 images
不为 None
,此方法将 images
和 kwargs
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。