Transformers 文档

Fuyu

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

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

< >

( 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 (strfunction, 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。
  • rope_scaling (Dict, 可选) — 包含 RoPE 嵌入缩放配置的字典。 当前支持两种缩放策略:线性缩放和动态缩放。 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,请不要将 max_position_embeddings 更新为预期的新的最大值。 有关这些缩放策略行为方式的更多信息,请参阅以下线程: https://www.reddit.com/r/LocalFuyu/comments/14mrgpr/dynamically_scaled_rope_further_increases/。 这是一个实验性功能,将来版本可能会出现 API 更改。
  • 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。

>>> from transformers import FuyuConfig

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

FuyuForCausalLM

class transformers.FuyuForCausalLM

  • config (FuyuConfig) — 模型配置类,包含模型的所有参数。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。查看 from_pretrained() 方法加载模型权重。

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

< >

( 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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。

    什么是注意力掩码?

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode()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。

    什么是位置 ID?

  • 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)),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.CausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutputWithPasttorch.FloatTensor 的元组(如果传递 return_dict=Falseconfig.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=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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=Trueconfig.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=Trueconfig.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

< >

( 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。
  • image_std (float, 可选, 默认为 0.5) — 用于归一化图像的标准差。
  • 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。

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

__call__

< >

( 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textkwargs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imageskwargs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。

< > 在 GitHub 上更新