Hiera

概述

Hiera 由 Chaitanya Ryali, Yuan-Ting Hu, Daniel Bolya, Chen Wei, Haoqi Fan, Po-Yao Huang, Vaibhav Aggarwal, Arkabandhu Chowdhury, Omid Poursaeed, Judy Hoffman, Jitendra Malik, Yanghao Li, Christoph Feichtenhofer 在论文 Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles 中提出。

该论文介绍了一种名为“Hiera”的分层视觉 Transformer，它通过移除不必要的组件，简化了现代分层视觉 Transformer 的架构，同时又不影响其准确性或效率。与传统 Transformer 为了提高监督分类性能而添加复杂的视觉特定组件不同，Hiera 证明了这些通常被称为“花里胡哨”的附加组件对于实现高准确性并非必需。通过利用强大的视觉预训练任务（MAE）进行预训练，Hiera 保持了简洁性，并在各种图像和视频识别任务中，无论是在推理还是训练方面，都实现了卓越的准确性和速度。该方法表明，视觉任务所需的空间偏差可以通过适当的预训练有效学习，从而无需增加架构复杂性。

论文摘要如下：

现代的分层视觉 Transformer 为了追求监督分类性能，添加了若干视觉特定组件。尽管这些组件带来了有效的准确率和吸引人的 FLOPs 计数，但增加的复杂性实际上使得这些 Transformer 比其普通的 ViT 对应物更慢。在本文中，我们认为这种额外的累赘是不必要的。通过使用强大的视觉预训练任务（MAE）进行预训练，我们可以从一个先进的多阶段视觉 Transformer 中剥离所有“花里胡哨”的组件而不损失准确性。在这个过程中，我们创造了 Hiera，一个极其简单的分层视觉 Transformer，它比以前的模型更准确，同时在推理和训练期间都显著更快。我们在各种图像和视频识别任务上评估了 Hiera。我们的代码和模型可在 https://github.com/facebookresearch/hiera 上获取。

Hiera 架构。图片取自原始论文。

该模型由 EduardoPacheco 和 namangarg110 共同贡献。原始代码可在[此处]找到。

资源

Hugging Face 官方及社区（由 🌎 标识）提供了一系列资源，帮助您开始使用 Hiera。如果您有兴趣提交资源以包含在此处，请随时发起 Pull Request，我们将进行审核！理想情况下，资源应展示新内容，而不是重复现有资源。

图像分类

HieraForImageClassification 受此示例脚本和笔记本支持。
另请参阅：图像分类任务指南

HieraConfig

class transformers.HieraConfig

< 源 >

( embed_dim = 96 image_size = [224, 224] patch_size = [7, 7] patch_stride = [4, 4] patch_padding = [3, 3] mlp_ratio = 4.0 depths = [2, 3, 16, 3] num_heads = [1, 2, 4, 8] embed_dim_multiplier = 2.0 num_query_pool = 3 query_stride = [2, 2] masked_unit_size = [8, 8] masked_unit_attention = [True, True, False, False] drop_path_rate = 0.0 num_channels = 3 hidden_act = 'gelu' initializer_range = 0.02 layer_norm_init = 1.0 layer_norm_eps = 1e-06 decoder_hidden_size = None decoder_depth = None decoder_num_heads = None normalize_pixel_loss = True mask_ratio = 0.6 out_features = None out_indices = None **kwargs )

参数

embed_dim (int, 可选, 默认为 96) — 图像块嵌入的维度。
image_size (list(int), 可选, 默认为 [224, 224]) — 输入的大小（分辨率），对于图像格式为 (height, width)，对于视频格式为 (frames, height, width)。
patch_size (list(int), 可选, 默认为 [7, 7]) — 每个图像块的大小（分辨率）。
patch_stride (list(int), 可选, 默认为 [4, 4]) — 图像块的步幅。
patch_padding (list(int), 可选, 默认为 [3, 3]) — 图像块的填充。
mlp_ratio (float, 可选, 默认为 4.0) — MLP 隐藏维度与嵌入维度的比率。
depths (list(int), 可选, 默认为 [2, 3, 16, 3]) — Transformer 编码器中每一层的深度。
num_heads (list(int), 可选, 默认为 [1, 2, 4, 8]) — Transformer 编码器中每一层的注意力头数量。
embed_dim_multiplier (float, 可选, 默认为 2.0) — Transformer 编码器中每一层图像块嵌入维度的乘数。
num_query_pool (int, 可选, 默认为 3) — 查询池化阶段的数量。
query_stride (list(int), 可选, 默认为 [2, 2]) — 查询池化的步幅。
masked_unit_size (list(int), 可选, 默认为 [8, 8]) — 掩码单元的大小。
masked_unit_attention (list(bool), 可选, 默认为 [True, True, False, False]) — 是否在 Transformer 编码器的每一层中使用掩码单元注意力。
drop_path_rate (float, 可选, 默认为 0.0) — Drop path 概率。
num_channels (int, 可选, 默认为 3) — 输入通道数。
hidden_act (str, 可选, 默认为 "gelu") — 编码器中的非线性激活函数（函数或字符串）。如果是字符串，支持 "gelu"、"relu"、"selu" 和 "gelu_new"。
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，以及用于初始化所有偏置向量的 zero_initializer。
layer_norm_init (float, 可选, 默认为 1.0) — 层归一化层的初始权重值。
layer_norm_eps (float, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon 值。
decoder_hidden_size (int, 可选) — 用于 MAE 预训练的解码器嵌入维度。
decoder_depth (int, 可选) — 用于 MAE 预训练的解码器深度。
decoder_num_heads (int, 可选) — 用于 MAE 预训练的解码器中每一层的注意力头数量。
normalize_pixel_loss (bool, 可选, 默认为 True) — 是否通过像素数量对像素损失进行归一化。
mask_ratio (float, 可选, 默认为 0.6) — 输入中被掩码的标记的比例。
out_features (list[str], 可选) — 如果用作骨干网络，指定输出的特征列表。可以是 "stem"、"stage1"、"stage2" 等任何值（取决于模型有多少个阶段）。如果未设置而 out_indices 已设置，则将默认为相应的阶段。如果未设置且 out_indices 也未设置，则将默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。
out_indices (list[int], 可选) — 如果用作骨干网络，指定输出特征的索引列表。可以是 0、1、2 等任何值（取决于模型有多少个阶段）。如果未设置而 out_features 已设置，则将默认为相应的阶段。如果未设置且 out_features 也未设置，则将默认为最后一个阶段。必须与 stage_names 属性中定义的顺序相同。

这是用于存储 HieraModel 配置的配置类。它用于根据指定的参数实例化一个 Hiera 模型，定义模型架构。使用默认值实例化配置将产生与 Hiera facebook/hiera-base-224 架构类似的配置。

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。

示例

>>> from transformers import HieraConfig, HieraModel

>>> # Initializing a Hiera hiera-base-patch16-224 style configuration
>>> configuration = HieraConfig()

>>> # Initializing a model (with random weights) from the hiera-base-patch16-224 style configuration
>>> model = HieraModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

HieraModel

class transformers.HieraModel

< 源 >

( config: HieraConfig add_pooling_layer: bool = True is_mae: bool = False )

参数

config (HieraConfig) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
add_pooling_layer (bool, 可选, 默认为 True) — 是否应用池化层。
is_mae (bool, 可选, 默认为 False) — 是否以 MAE 模式运行模型。

裸的 Hiera 模型，输出原始隐藏状态，顶部没有任何特定的头部。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其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 的 torch.nn.Module 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 >

( pixel_values: typing.Optional[torch.Tensor] = None noise: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None interpolate_pos_encoding: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)

参数

pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
noise (torch.FloatTensor，形状为 (batch_size, num_mask_units)，可选) — 主要用于测试目的，以控制随机性并保持可复现性。
head_mask (torch.Tensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于使自注意力模块中选定的头无效的掩码。掩码值选自 [0, 1]：
- 1 表示头未被掩码，
- 0 表示头被掩码。
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`。
interpolate_pos_encoding (bool，可选) — 是否对预训练的位置编码进行插值。
return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。

transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置（HieraConfig）和输入，包含各种元素。

last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。
pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)) — 序列的第一个标记（分类标记）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理。例如，对于 BERT 族模型，这返回分类标记经过线性层和 tanh 激活函数处理后的结果。线性层权重在预训练期间通过下一句预测（分类）目标进行训练。
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（如果模型有嵌入层，则一个用于嵌入层的输出，+ 每个层一个输出），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 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)。

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。

HieraModel 的 forward 方法，重写了 `__call__` 特殊方法。

尽管前向传播的流程需要在此函数内定义，但之后应该调用 `Module` 实例而不是此函数，因为前者会处理前处理和后处理步骤，而后者会静默地忽略它们。

示例

HieraForPreTraining

class transformers.HieraForPreTraining

< source >

( config: HieraConfig )

参数

config (HieraConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法来加载模型权重。

带有解码器的 Hiera 模型 Transformer，用于自监督预训练。

请注意，我们在 examples directory 中提供了一个脚本，用于在自定义数据上预训练此模型。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其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 的 torch.nn.Module 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 >

( pixel_values: typing.Optional[torch.Tensor] = None noise: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None interpolate_pos_encoding: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.hiera.modeling_hiera.HieraForPreTrainingOutput 或 tuple(torch.FloatTensor)

参数

pixel_values (torch.Tensor，形状为 (batch_size, num_channels, image_size, image_size)，可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参阅 {image_processor_class}.__call__ ({processor_class} 使用 {image_processor_class} 处理图像)。
noise (torch.FloatTensor，形状为 (batch_size, num_mask_units)，可选) — 主要用于测试目的，以控制随机性并保持可复现性。
head_mask (torch.Tensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于使自注意力模块中选定的头无效的掩码。掩码值选自 [0, 1]：
- 1 表示头未被掩码，
- 0 表示头被掩码。
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`。
interpolate_pos_encoding (bool，可选) — 是否对预训练的位置编码进行插值。
return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。

transformers.models.hiera.modeling_hiera.HieraForPreTrainingOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.hiera.modeling_hiera.HieraForPreTrainingOutput 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置（HieraConfig）和输入，包含各种元素。

loss (torch.FloatTensor，形状为 (1,)) — 像素重建损失。
logits (torch.FloatTensor，形状为 (batch_size, sequence_length, patch_size ** 2 * num_channels)) — 像素重建的 logits。
bool_masked_pos (torch.BoolTensor，形状为 (batch_size, sequence_length)) — 指示哪些图像块被掩码（0）以及哪些未被掩码（1）的张量。
ids_restore (torch.LongTensor，形状为 (batch_size, sequence_length)) — 包含（打乱的）被掩码图像块原始索引的张量。
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（如果模型有嵌入层，则一个用于嵌入层的输出，+ 每个层一个输出），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 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)。

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。
reshaped_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（一个用于嵌入层的输出 + 每个层一个输出），形状为 (batch_size, height, width, hidden_size)。模型在每层输出以及初始嵌入输出的隐藏状态，重塑以包含空间维度。

HieraForPreTraining 的 forward 方法，重写了 `__call__` 特殊方法。

示例

>>> from transformers import AutoImageProcessor, HieraForPreTraining
>>> import torch
>>> from PIL import Image
>>> import requests

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-tiny-224-mae-hf")
>>> model = HieraForPreTraining.from_pretrained("facebook/hiera-tiny-224-mae-hf")

>>> inputs = image_processor(images=image, return_tensors="pt")

>>> outputs = model(**inputs)
>>> logits = outputs.logits
>>> loss = outputs.loss
>>> print(list(logits.shape))
[1, 196, 768]

HieraForImageClassification

class transformers.HieraForImageClassification

< source >

( config: HieraConfig )

参数

config (HieraConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法来加载模型权重。

Hiera 模型 Transformer，顶部带有一个图像分类头（在最终隐藏状态上进行平均池化后再接一个线性层），例如用于 ImageNet。

请注意，通过在模型的前向传播中将 `interpolate_pos_encoding` 设置为 `True`，可以在比训练时分辨率更高的图像上微调 Hiera。这将把预训练的位置嵌入插值到更高的分辨率。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其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 的 torch.nn.Module 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 >

( pixel_values head_mask: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None interpolate_pos_encoding: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.hiera.modeling_hiera.HieraForImageClassificationOutput 或 tuple(torch.FloatTensor)

参数

pixel_values (`形状为(batch_size, num_channels, image_size, image_size)`) -- 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参阅 {image_processor_class}.__call__ (`{processor_class}` 使用 `{image_processor_class}` 处理图像)。
head_mask (torch.Tensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于使自注意力模块中选定的头无效的掩码。掩码值选自 [0, 1]：
- 1 表示头未被掩码，
- 0 表示头被掩码。
labels (torch.LongTensor，形状为 (batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1，则计算回归损失（均方误差损失）；如果 config.num_labels > 1，则计算分类损失（交叉熵）。
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`。
interpolate_pos_encoding (bool，可选) — 是否对预训练的位置编码进行插值。
return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。

transformers.models.hiera.modeling_hiera.HieraForImageClassificationOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.hiera.modeling_hiera.HieraForImageClassificationOutput 或一个 `torch.FloatTensor` 元组（如果传递了 `return_dict=False` 或 `config.return_dict=False`），根据配置（HieraConfig）和输入，包含各种元素。

loss (torch.FloatTensor，形状为 (1,)，`可选`) — 训练任务的损失值。
logits (torch.FloatTensor，形状为 (batch_size, num_labels)) — 分类头的预测分数（输出层的 logits）。
hidden_states (tuple(torch.FloatTensor)，`可选`) — `torch.FloatTensor` 的元组（一个用于嵌入层的输出 + 每个阶段一个输出），形状为 `(batch_size, sequence_length, hidden_size)`。这些是模型的展开隐藏状态。

模型在每个层输出的隐藏状态加上初始嵌入输出。
attentions (tuple(torch.FloatTensor)，`可选`) — `torch.FloatTensor` 的元组（每个阶段一个），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。
loss (torch.FloatTensor，形状为 (1,)，`可选`) — 训练任务的损失值。
logits (torch.FloatTensor，形状为 (batch_size, num_labels)) — 分类头的预测分数（输出层的 logits）。
hidden_states (tuple(torch.FloatTensor)，`可选`) — `torch.FloatTensor` 的元组（一个用于嵌入层的输出 + 每个阶段一个输出），形状为 `(batch_size, sequence_length, hidden_size)`。这些是模型的展开隐藏状态。

模型在每个层输出的隐藏状态加上初始嵌入输出。
attentions (tuple(torch.FloatTensor)，`可选`) — `torch.FloatTensor` 的元组（每个阶段一个），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。
reshaped_hidden_states (tuple(torch.FloatTensor)，`可选`) — `torch.FloatTensor` 的元组（一个用于嵌入层的输出 + 每个阶段一个输出），形状为 `(batch_size, height, width, hidden_size)`。这些是模型的重塑和重新卷叠的隐藏状态。

模型在每层输出处的隐藏状态，以及重新调整以包含空间维度的初始嵌入输出。

HieraForImageClassification 的 forward 方法，重写了 `__call__` 特殊方法。

示例

>>> from transformers import AutoImageProcessor, HieraForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]

>>> image_processor = AutoImageProcessor.from_pretrained("facebook/hiera-base-224")
>>> model = HieraForImageClassification.from_pretrained("facebook/hiera-base-224")

>>> inputs = image_processor(image, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
...

< > 在 GitHub 上更新

Transformers

Hiera

概述

资源

HieraConfig

class transformers.HieraConfig

HieraModel

class transformers.HieraModel

forward

HieraForPreTraining

class transformers.HieraForPreTraining

forward

HieraForImageClassification

class transformers.HieraForImageClassification

forward