参数

• image (np.ndarray) — 要调整大小的图像。
• pan_and_scan_min_crop_size (int, 可选) — pan and scan 中每个裁剪区域的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选) — pan and scan 中每个图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选) — 激活 pan and scan 的最小宽高比。
• data_format (str 或 ChannelDimension, 可选) — 图像的通道维度格式。如果未提供，则与输入图像相同。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未提供，则会进行推断。

参数

• images (ImageInput) — 要预处理的图像。 期望是像素值范围从 0 到 255 的单个或一批图像。如果传入像素值在 0 和 1 之间的图像，请设置 do_rescale=False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的尺寸。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。这可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否对图像进行重新缩放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 重新缩放因子，如果 do_rescale 设置为 True，则通过该因子重新缩放图像。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], optional, defaults to self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时才生效。
• image_std (float 或 List[float], optional, defaults to self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才生效。
• return_tensors (str 或 TensorType, optional) — 返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension 或 str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, optional) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：图像格式为 (height, width)。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• do_pan_and_scan (bool, optional, defaults to self.do_convert_rgb) — 是否对图像应用 pan_and_scan。
• pan_and_scan_min_crop_size (int, optional, defaults to self.pan_and_scan_min_crop_size) — pan and scan 中每个裁剪区域的最小尺寸。
• pan_and_scan_max_num_crops (int, optional, defaults to self.pan_and_scan_max_num_crops) — pan and scan 中每个图像的最大裁剪区域数量。
• pan_and_scan_min_ratio_to_activate (float, optional, defaults to self.pan_and_scan_min_ratio_to_activate) — 激活 pan and scan 的最小宽高比。

参数

• image (torch.Tensor) — 要调整大小的图像。
• pan_and_scan_min_crop_size (int, 可选) — 平移和扫描中每个裁剪的最小尺寸。
• pan_and_scan_max_num_crops (int, 可选) — 平移和扫描中每张图像的最大裁剪数量。
• pan_and_scan_min_ratio_to_activate (float, 可选) — 激活平移和扫描的最小宽高比。

参数

• images (ImageInput) — 要预处理的图像。 期望是像素值范围从 0 到 255 的单张或一批图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 描述模型的最大输入尺寸。
• resample (PILImageResampling 或 InterpolationMode, 可选, 默认为 self.resample) — 如果在调整图像大小时使用的重采样过滤器。 这可以是枚举 PILImageResampling 之一。 仅在 do_resize 设置为 True 时有效。
• do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否对图像进行中心裁剪。
• crop_size (Dict[str, int], 可选, 默认为 self.crop_size) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否重新缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则按此比例因子重新缩放图像。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于标准化的图像均值。 仅在 do_normalize 设置为 True 时有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于标准化的图像标准差。 仅在 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (ChannelDimension 或 str, 可选, 默认为 self.data_format) — 仅支持 ChannelDimension.FIRST。 为了与慢速处理器兼容而添加。
• input_data_format (ChannelDimension 或 str, 可选, 默认为 self.input_data_format) — 输入图像的通道维度格式。 如果未设置，则通道维度格式从输入图像推断。 可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：(num_channels, height, width) 格式的图像。
  • "channels_last" 或 ChannelDimension.LAST：(height, width, num_channels) 格式的图像。
  • "none" 或 ChannelDimension.NONE：(height, width) 格式的图像。
• device (torch.device, 可选, 默认为 self.device) — 处理图像的设备。如果未设置，则设备从输入图像推断。 do_pan_and_scan (bool, 可选): 是否对图像应用 pan_and_scan。 pan_and_scan_min_crop_size (int, 可选): 平移和扫描中每个裁剪的最小尺寸。 pan_and_scan_max_num_crops (int, 可选): 平移和扫描中每张图像的最大裁剪数量。 pan_and_scan_min_ratio_to_activate (float, 可选): 激活平移和扫描的最小宽高比。

参数

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

  索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详情。

  什么是 input IDs？

• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length), 可选) — 用于避免在 padding token 索引上执行注意力的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 token 未被 mask，
  • 0 表示 token 已被 mask。

  什么是 attention masks？

  索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 了解详情。

  如果使用 past_key_values，则可以选择仅输入最后一个 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，请参见 论文 中的图 1 。

  • 1 表示 head 未被 mask，
  • 0 表示 head 已被 mask。
• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length), 可选) — 位置嵌入中每个输入序列 token 的位置索引。 在范围 [0, config.n_positions - 1] 中选择。

  什么是 position IDs？

• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 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），可用于加速顺序解码。这通常包含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，其中每个元组包含 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，则将返回旧版缓存格式。

  如果使用 past_key_values，用户可以选择仅输入最后一次的 input_ids（那些没有将其过去键值状态提供给此模型的输入），形状为 (batch_size, 1)，而不是形状为 (batch_size, sequence_length) 的所有 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灵活地控制如何将 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，请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有图层的隐藏状态。 有关更多详细信息，请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (torch.LongTensor, 形状为 (sequence_length), 可选) — 索引，描述输入序列标记在序列中的位置。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。

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，如果您提供填充，则会忽略填充。

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

  什么是输入 ID？

• attention_mask (torch.Tensor, 形状为 (batch_size, sequence_length), 可选) — 掩码，以避免对填充令牌索引执行注意力机制。 在 [0, 1] 中选择的掩码值：
  • 1 表示未掩码的令牌，
  • 0 表示已掩码的令牌。

  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() 和 PreTrainedTokenizer.call()。

  如果使用 past_key_values，则可以选择仅输入最后一次的 input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，则应阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需求进行修改。 有关默认策略的更多信息，请参见 本文 中的图 1。

  • 1 表示头未被掩码，
  • 0 表示头已被掩码。
• 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的位置索引。 在范围 [0, config.n_positions - 1] 中选择。

  什么是位置 ID？

• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 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），可用于加速顺序解码。这通常包含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，其中每个元组包含 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，则将返回旧版缓存格式。

  如果使用 past_key_values，用户可以选择仅输入最后一次的 input_ids（那些没有将其过去键值状态提供给此模型的输入），形状为 (batch_size, 1)，而不是形状为 (batch_size, sequence_length) 的所有 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灵活地控制如何将 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，请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有图层的隐藏状态。 有关更多详细信息，请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (torch.LongTensor, 形状为 (sequence_length), 可选) — 索引，描述输入序列标记在序列中的位置。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
• 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.vocab_size] 或 -100（请参阅 input_ids 文档字符串）。 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.vocab_size] 中的标记计算。
• logits_to_keep (int 或 torch.Tensor, 可选) — 如果是 int 类型，则计算最后 logits_to_keep 个 token 的 logits。 如果是 0，则计算所有 input_ids 的 logits (特殊情况)。 生成时只需要最后一个 token 的 logits，并且仅为该 token 计算 logits 可以节省内存，这对于长序列或大词汇表大小来说非常重要。 如果是 torch.Tensor 类型，则必须是对应于序列长度维度中要保留的索引的 1D 张量。 当使用 packed tensor 格式（批次和序列长度的单个维度）时，这非常有用。

一个 transformers.modeling_outputs.CausalLMOutputWithPast 或一个 torch.FloatTensor 的元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (Gemma3Config) 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) — tuple(torch.FloatTensor) 的元组，长度为 config.n_layers，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（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（如果模型具有嵌入层，则为嵌入输出；每个层的输出各一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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

参数

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

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

  什么是输入 IDs？

• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 用于避免在 padding token 索引上执行 attention 的掩码。 掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。

  什么是注意力掩码？

  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一个 input_ids（请参阅 past_key_values）。

  如果您想更改 padding 行为，则应阅读 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，请参见 论文 中的图 1。

  • 1 表示 head 未被掩盖，
  • 0 表示 head 被掩盖。
• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 位置嵌入中每个输入序列 token 的位置索引。 在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 IDs？

• past_key_values (Cache 或 tuple(tuple(torch.FloatTensor)), 可选) — 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。 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；
  • tuple(torch.FloatTensor) 的元组，长度为 config.n_layers，每个元组有 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。

  模型将输出与作为输入馈送的缓存格式相同的格式。 如果未传递 past_key_values，则将返回旧版缓存格式。

  如果使用 past_key_values，则用户可以选择仅输入最后一个 input_ids（那些没有将其 past key value 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 input_ids。

• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 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精细地控制如何将 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) — 是否返回所有注意力层的 attention 张量。 有关更多详细信息，请参见返回张量下的 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，请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 描述输入序列 token 在序列中位置的索引。 与 position_ids 相反，此张量不受 padding 的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。
• labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 用于计算 masked language modeling loss 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 token 将被忽略（掩盖），loss 仅针对标签在 [0, ..., config.text_config.vocab_size] 中的 token 计算。
• logits_to_keep (int 或 torch.Tensor, 可选) — 如果是 int 类型，则计算最后 logits_to_keep 个 token 的 logits。 如果是 0，则计算所有 input_ids 的 logits (特殊情况)。 生成时只需要最后一个 token 的 logits，并且仅为该 token 计算 logits 可以节省内存，这对于长序列或大词汇表大小来说非常重要。 如果是 torch.Tensor 类型，则必须是对应于序列长度维度中要保留的索引的 1D 张量。 当使用 packed tensor 格式（批次和序列长度的单个维度）时，这非常有用。

一个 transformers.models.gemma3.modeling_gemma3.Gemma3CausalLMOutputWithPast 或一个 torch.FloatTensor 的元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (Gemma3Config) 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.text_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) — tuple(torch.FloatTensor) 的元组，长度为 config.n_layers，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（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（如果模型具有嵌入层，则为嵌入输出；每个层的输出各一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组（每一层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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

• image_hidden_states (torch.FloatTensor, 可选) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor。 由视觉编码器在投影最后一个隐藏状态后生成的模型的 image_hidden_states。