参数

• images (np.ndarray) — 要裁剪的图像。
• min_patches (int) — 从图像中提取的最小图像块数量。
• max_patches (int) — 从图像中提取的最大图像块数量。
• use_thumbnail (bool, 可选, 默认为 True) — 是否将缩略图添加到裁剪后的图像块列表中。
• patch_size (int, Tuple[int, int], dict, 可选) — 输出图像块的大小。
• data_format (ChannelDimension, 可选) — 图像数据的格式。如果为 None，则格式从输入图像中推断。

裁剪后的图像列表。

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) — 控制 resize 之后图像的大小。 图像的最短边将被调整为 size["shortest_edge"]，同时保持纵横比。 如果此调整大小后的图像的最长边 > int(size["shortest_edge"] * (1333 / 800))，则图像将被再次调整大小，使最长边等于 int(size["shortest_edge"] * (1333 / 800))。
• crop_to_patches (bool, 可选, 默认为 self.crop_to_patches) — 是否将图像裁剪为图像块。
• min_patches (int, optional, defaults to self.min_patches) — 从图像中提取的最小图块数。仅当 crop_to_patches 设置为 True 时有效。
• max_patches (int, optional, defaults to self.max_patches) — 从图像中提取的最大图块数。仅当 crop_to_patches 设置为 True 时有效。
• resample (PILImageResampling, optional, defaults to self.resample) — 如果调整图像大小，则使用的重采样过滤器。仅当 do_resize 设置为 True 时有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否将图像值重新缩放到 [0 - 1] 之间。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则通过此比例因子重新缩放图像。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float or List[float], optional, defaults to self.image_mean) — 如果 do_normalize 设置为 True，则用于归一化图像的图像均值。
• image_std (float or List[float], optional, defaults to self.image_std) — 如果 do_normalize 设置为 True，则用于归一化图像的图像标准差。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str or TensorType, optional) — 返回张量的类型。可以是以下之一：
  • Unset: 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 or 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)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or 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)。

参数

• image (np.ndarray) — 要调整大小的图像。
• size (Dict[str, int]) — 字典，格式为 {"height": int, "width": int}，指定输出图像的大小。
• resample (PILImageResampling, optional, defaults to PILImageResampling.BICUBIC) — 调整图像大小时使用的 PILImageResampling 过滤器，例如 PILImageResampling.BICUBIC。
• data_format (ChannelDimension or str, optional) — 输出图像的通道维度格式。如果未设置，则使用输入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)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。
• input_data_format (ChannelDimension or 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)。

调整大小后的图像。

参数

• images (torch.Tensor) — 要裁剪的图像。
• min_patches (int) — 从图像中提取的最小 patches 数量。
• max_patches (int) — 从图像中提取的最大 patches 数量。
• use_thumbnail (bool, optional, defaults to True) — 是否向裁剪的 patches 列表添加缩略图图像。
• patch_size (int, Tuple[int, int], dict, optional) — 输出 patches 的大小。图像数据的格式。如果为 None，则格式从输入图像推断。

裁剪后的图像列表。

参数

• images (ImageInput) — 要预处理的图像。 期望输入像素值范围在 0 到 255 之间的单张或批量图像。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, optional, defaults to self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], optional, defaults to self.size) — 描述模型的最大输入尺寸。
• resample (PILImageResampling 或 InterpolationMode, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。 可以是枚举类型 PILImageResampling 之一。 仅当 do_resize 设置为 True 时才有效。
• 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 后输出图像的尺寸。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否对图像进行重新缩放。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重新缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。 仅当 do_normalize 设置为 True 时才有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。 仅当 do_normalize 设置为 True 时才有效。
• 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。 添加此项是为了与慢速处理器兼容。
• 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：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)。
• device (torch.device, 可选, 默认为 self.device) — 用于处理图像的设备。 如果未设置，则设备从输入图像推断。 crop_to_patches (bool, 可选, 默认为 False): 是否将图像裁剪为 patches。 可以被 preprocess 方法中的 crop_to_patches 参数覆盖。 min_patches (int, 可选, 默认为 1): 从图像中提取的最小 patch 数量。 仅当 crop_to_patches 设置为 True 时才有效。 可以被 preprocess 方法中的 min_patches 参数覆盖。 max_patches (int, 可选, 默认为 12): 从图像中提取的最大 patch 数量。 仅当 crop_to_patches 设置为 True 时才有效。 可以被 preprocess 方法中的 max_patches 参数覆盖。

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。 默认情况下，如果您提供 padding，则 padding 将被忽略。

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

  什么是输入 IDs？

• pixel_values (torch.FloatTensor，形状为 (seq_length, num_channels * image_size * image_size)) — 对应于输入图像的张量。像素值可以使用 AutoImageProcessor 获得。 详情请参阅 GotOcr2ImageProcessor.call()。 GotOcr2Processor 使用 GotOcr2ImageProcessor 处理图像。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充 token 索引执行 attention 的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩码，
  • 0 表示 token 已被掩码。

  什么是 attention masks？

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

  如果使用 past_key_values，则可以选择仅输入最后一个 decoder_input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需求进行修改。 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。
• 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 (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))，其中每个 tuple 有 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 hidden-states（self-attention 块和 cross-attention 块中的 key 和 values），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最后一个 decoder_input_ids（那些没有将其 past key value states 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 而不是普通元组。
• cache_position (torch.LongTensor，形状为 (sequence_length)，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 masked language modeling loss 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 token 将被忽略（掩码），loss 仅针对标签在 [0, ..., config.vocab_size] 中的 token 计算。
• logits_to_keep (int 或 torch.Tensor，可选) — 如果为 int，则计算最后 logits_to_keep 个 token 的 logits。 如果为 0，则计算所有 input_ids 的 logits（特殊情况）。 仅生成最后一个 token logits 是必需的，并且仅针对该 token 计算它们可以节省内存，这对于长序列或大词汇量而言变得非常重要。 如果为 torch.Tensor，则必须是 1D，对应于在序列长度维度中要保留的索引。 这在使用 packed tensor 格式（批次和序列长度的单个维度）时非常有用。

一个 transformers.models.got_ocr2.modeling_got_ocr2.GotOcr2CausalLMOutputWithPast 或 torch.FloatTensor 的元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (GotOcr2Config) 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 head 的预测分数（SoftMax 之前每个词汇 token 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))，其中每个 tuple 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 hidden-states（self-attention 块中的 key 和 values），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（如果模型具有嵌入层，则为嵌入输出一个，+ 每个层的输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出的 hidden-states 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 self-attention head 中的加权平均值。

• image_hidden_states (torch.FloatTensor，可选) — 大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。 由 vision encoder 生成并在投影最后一个 hidden state 之后，模型的 image_hidden_states。