Transformers文档

IDEFICS

Hugging Face's logo
加入Hugging Face社区

并获取增强的文档体验

开始使用

IDEFICS

概述

IDFICS模型由Hugo Laurençon、Lucile Saulnier、Léo Tronchon、Stas Bekman、Amanpreet Singh、Anton Lozhkov、Thomas Wang、Siddharth Karamcheti、Alexander M. Rush、Douwe Kiela、Matthieu Cord、Victor Sanh在OBELICS:一个开放的多交织图像-文本文档的Web规模筛选数据集中提出

论文简介如下:

在自然文档上训练的、图像和文本交织的大型多模态模型,在各种需要推理一个或多个图像生成文本的多模态基准测试中,胜过仅以图像-文本对进行训练的模型。然而,用于训练这些模型的 dataset 尚未发布,且数据收集过程也未完全具体说明。我们引入了 OBELICS dataset,这是一个开放的 web 级别筛选后的浸润式图像-文本文档 dataset,包含从 Common Crawl 中抽取的1.41亿个网页、3.53亿个相关图像以及1150亿个文本标记。我们描述了数据集的创建过程,展示了全面的筛选规则,并分析了数据集的内容。为了展示 OBELICS 的可用性,我们在数据集上训练了一个80亿参数的视觉和语言模型,并在多个多模态基准测试中获得了具有竞争力的性能。我们发布了复现数据集所需的代码和数据集本身。

此模型由 HuggingFaceM4 提供。原始代码可以在 这里 找到。(注意:尚未有公开链接)。

IDEFICS 的建模代码在 Transformers 中用于微调和推理预训练的 IDEFICS 模型。

要从头训练一个新的 IDEFICS 模型,请使用 m4 代码库(一且公开将提供链接)。

IdeficsConfig

transformers.IdeficsConfig

< >

( vocab_size = 32000 additional_vocab_size = 0 hidden_size = 4096 intermediate_size = 11008 num_hidden_layers = 32 num_attention_heads = 32 dropout = 0.0 hidden_act = 'silu' initializer_range = 0.02 alpha_initializer = 'zeros' alphas_initializer_range = 0.0 alpha_type = 'float' rms_norm_eps = 1e-06 use_cache = True pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 tie_word_embeddings = False cross_layer_interval = 1 qk_layer_norms = False freeze_text_layers = True freeze_text_module_exceptions = [] freeze_lm_head = False freeze_vision_layers = True freeze_vision_module_exceptions = [] use_resampler = False vision_config = None perceiver_config = None **kwargs )

参数

  • additional_vocab_sizeint可选,默认为0)—— 模型的额外词汇量,通常用于特殊的“”标记。额外的词汇标记始终可训练,而常规的词汇标记可以是冻结的或不冻结的。
  • vocab_sizeint可选,默认为32000)—— Idefics模型的词汇量。定义了可以通过调用~IdeficsModel时传入的inputs_ids表示的不同标记的数量。
  • hidden_sizeint可选,默认为4096)—— 隐藏表示的维度。
  • intermediate_sizeint可选,默认为11008)—— MLP表示的维度。
  • num_hidden_layers (int, 可选, 默认为 32) — Transformer 编码器中隐藏层的数量。
  • num_attention_heads (int, 可选, 默认为 32) — Transformer 编码器中每个注意力层中的注意力头数量。
  • dropout (float, 可选, 默认为 0.0) — embeddings、编码器和pooler中所有全连接层的dropout概率。
  • hidden_act (strfunction, 可选, 默认为 "silu") — 解码器中使用的非线性激活函数(函数或字符串)。
  • initializer_rangefloat,可选,默认为 0.02)—— 用于初始化所有权重矩阵的截断正态初始化器的标准差。
  • alpha_initializerstr,可选,默认为 "zeros")—— alphas 的初始化类型。
  • alphas_initializer_rangefloat,可选,默认为 0.0)—— 在门控交叉注意力中初始化 alphas 的截断正态初始化器的标准差。
  • alpha_typestr,可选,默认为 "float")—— 是否将门控 alphas 表示为向量或单个浮点数。
  • rms_norm_eps (float, 可选,默认为 1e-6) — RMS 归一化层的 epsilon 值。
  • use_cache (bool, 可选,默认为 True) — 模型是否应返回最后的关键值注意力(不是所有模型都会使用)。仅在 config.is_decoder=True 时相关。
  • pad_token_id (int, 可选,默认为 0) — 填充标记的 ID。
  • bos_token_id (int, 可选,默认为 1) — 流开始标记的 ID。
  • eos_token_id (int, 可选, 默认为2) — 流结束令牌 ID。
  • tie_word_embeddings(bool, 可选, 默认为 False) — 是否要绑定词嵌入权重
  • cross_layer_interval (int, 可选, 默认为 1) — 跨注意力层(从文本到图像)的间隔。
  • qk_layer_norms (bool, 可选, 默认为 False) — 是否在 q 和 k 后添加层归一化
  • freeze_text_layersbool可选,默认为 True) — 是否冻结文本层
  • freeze_text_module_exceptionsbool可选,默认为 []) — 当 freeze_text_layersTrue 时,冻结文本层的例外
  • freeze_lm_headbool可选,默认为 False) — 是否冻结lm头
  • freeze_vision_layersbool可选,默认为 True) — 是否冻结视觉层
  • freeze_vision_layersTrue时,冻结视觉层的例外情况
  • 是否使用Resampler
  • 自定义视觉配置或字典
  • 自定义感知器配置或字典

这是用于存储IdeficsModel配置的配置类。用于根据指定的参数实例化一个Idefics模型,定义模型架构。使用默认值创建配置将产生与Idefics-9B类似的配置。

例如:[HuggingFaceM4/idefics-9b](https://huggingface.co/HuggingFaceM4/idefics-9b)

配置对象继承自PretrainedConfig,可用于控制模型输出。更多信息请参阅PretrainedConfig文档。

示例

>>> from transformers import IdeficsModel, IdeficsConfig

>>> # Initializing a Idefics idefics-9b style configuration
>>> configuration = IdeficsConfig()

>>> # Initializing a model from the idefics-9b style configuration
>>> model = IdeficsModel(configuration)

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

IdeficsModel

class transformers.IdeficsModel

< >

( config: IdeficsConfig )

参数

  • config (IdeficsConfig) — 包含模型所有参数的模型配置类。用配置文件初始化时不会加载与模型关联的权重,只有配置。查看from_pretrained() 方法来加载模型权重。config — IdeficsConfig

该LLaMA模型以输出原始隐藏状态而无需任何特定头部的形式出现。这个模型继承自PreTrainedModel。请查看超类文档,了解库为所有模型实现的一般方法(例如下载或保存、调整输入嵌入层大小、剪枝头部等)。

此外,该模型还是PyTorch torch.nn.Module的子类。将其用作常规PyTorch模块,并参阅PyTorch文档了解所有有关通用使用和行为的问题。

Transformer解码器由config.num_hidden_layers个层组成。每一层都是IdeficsDecoderLayer

forward

< >

)

参数

  • input_idstorch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列标记的词汇中的索引。如果提供了填充,默认会忽略它。
  • attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — 用于避免在填充标记索引上执行注意力的掩码。选择的掩码值在 [0, 1] 范围内:

    • 1 表示 非掩码 的标记,
    • 0 表示 掩码 的标记。

    注意掩码是什么?

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

    如果使用 past_key_values,则可选项仅将最后 decoder_input_ids 输入(请参阅 past_key_values)。

    如果您想更改填充行为,应阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要修改。有关默认策略的更多信息,请参阅 论文 中的图 1。

    • 1 表示头没有掩码,
    • 0 表示头有掩码。
  • position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]位置 ID 是什么?
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 包含长度为 config.n_layerstuple(torch.FloatTensor) 的元组,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。

    其中包含预计算的隐藏状态(自我注意力块和交叉注意力块中的键和值),可用于(参见 past_key_values 输入)加快按顺序解码。

    如果使用 past_key_values,用户可以选择只输入形状为 (batch_size, 1) 的最后 decoder_input_ids(那些没有将其过去键值状态提供给此模型的)而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,您可以直接传递嵌入表示而不是传递 input_ids,这样您就可以有更多控制权,以便将 input_ids 索引转换为相关向量,而不仅仅是模型内部嵌入查找矩阵。
  • use_cache (bool, 可选) — 如果设置为 True,将返回 past_key_values 键值状态,可用来提高解码速度(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。关于返回的张量中的 attentions 的更多详细信息,请参阅。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。关于返回的张量中的 hidden_states 的更多详细信息,请参阅。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个纯元组。

IdeficsModel 的前进方法,覆盖了 __call__ 特殊方法。

尽管需要在函数内部定义前向传播的配方,但应该调用 Module 实例之后,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

IdeficsForVisionText2Text

transformers.IdeficsForVisionText2Text

< >

( config vision_model = None )

forward

< >

( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None pixel_values: Optional = None image_encoder_embeddings: Optional = None perceiver_embeddings: Optional = None image_attention_mask: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None interpolate_pos_encoding: Optional = False return_dict: Optional = None ) transformers.models.idefics.modeling_idefics.IdeficsCausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 的形状为 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。如果提供了它,默认会忽略填充待输入。

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

    有关 输入 ID 是什么,请参阅定义。

  • attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — 用于避免在填充标记索引上执行注意力的掩码。掩码值选在[0, 1]

    • 1表示未掩码的标记,
    • 0表示掩码的标记。

    注意掩码是什么?

    可以通过AutoTokenizer获取索引。有关详细说明,请参阅PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    当使用past_key_values时,可以选择性地仅输入最后decoder_input_ids(参见past_key_values)。

    如果您想更改填充行为,请阅读modeling_opt._prepare_decoder_attention_mask并修改以满足您的需求。有关默认策略的更多信息,请参阅论文中的图1。

    • 1表示头部未掩码,
    • 0表示头部掩码。
  • position_ids (torch.LongTensor of shape (batch_size, sequence_length), optional) — 每个输入序列标记在位置嵌入中的位置索引。选择在范围[0, config.n_positions - 1]内。位置ID是什么?
  • 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(torch.FloatTensor)的元组,每个子元组包含2个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的张量,以及2个额外的形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的张量。

    包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(参见past_key_values输入)加速序列解码。

    如果使用past_key_values,用户可以选择只输入形状为(batch_size, 1)的最后decoder_input_ids(那些未将过去键值状态提供给此模型的)而不是所有形状为(batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (torch.FloatTensor,形状为(batch_size, sequence_length, hidden_size)可选) — 可选择不传递input_ids,而直接传递嵌入表示。这在您想要比模型的内部嵌入查找矩阵更多控制转换input_ids索引到相关向量时非常有用。
  • use_cache (bool可选) — 如果设置为True,则返回past_key_values键值状态,并可用来加速解码(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。有关详细信息,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 而不是一个平凡的元组。

返回

transformers.models.idefics.modeling_idefics.IdeficsCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.idefics.modeling_idefics.IdeficsCausalLMOutputWithPast 或一个由 torch.FloatTensor 组成的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包括根据配置(IdeficsConfig)和输入设置的各个元素。

  • losstorch.FloatTensor 形状为 (1,) 可选,当提供 labels 时返回)— 语言建模损失(用于下一个标记的预测)。

  • logitstorch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size))— 语言建模头的预测分数(SoftMax之前的每个词汇的分数)。

  • past_key_valuestuple(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_layerstuple(torch.FloatTensor) 的元组,每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量

    包含预计算的隐藏状态(self-attention 块中的密钥和值),可以用于(见 past_key_values 输入)以加快序列解码。

  • hidden_statestuple(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(如果有嵌入层,则是嵌入输出的一个,加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    每个层的模型输出隐藏状态以及可选的初始嵌入输出。

  • attentionstuple(torch.FloatTensor)可选,当传递 output_attentions=True 或当 config.output_attentions=True 时返回)— 每个层的 torch.FloatTensor 的元组,形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的注意力权重,用于在 self-attention 头中计算加权平均。

  • image_hidden_statestuple(torch.FloatTensor)可选)— torch.FloatTensor 的元组(对于图像嵌入输出的一个,形状为 (batch_size, num_images, sequence_length, hidden_size))。

    由视觉编码器生成的模型 image_hidden_states,以及选项中通过感知器生成的。

重写了IdeficsForVisionText2Text 前向方法的方法。

尽管需要在函数内部定义前向传播的配方,但应该调用 Module 实例之后,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

示例

>>> from transformers import AutoProcessor, IdeficsForVisionText2Text

>>> model = IdeficsForVisionText2Text.from_pretrained("HuggingFaceM4/idefics-9b")
>>> processor = AutoProcessor.from_pretrained("HuggingFaceM4/idefics-9b")

>>> dogs_image_url_1 = "https://huggingface.co/datasets/hf-internal-testing/fixtures_nlvr2/raw/main/image1.jpeg"
>>> dogs_image_url_2 = "https://huggingface.co/datasets/hf-internal-testing/fixtures_nlvr2/raw/main/image2.jpeg"

>>> prompts = [
...     [
...         "User:",
...         dogs_image_url_1,
...         "Describe this image.\nAssistant: An image of two dogs.\n",
...         "User:",
...         dogs_image_url_2,
...         "Describe this image.\nAssistant:",
...     ]
... ]
>>> inputs = processor(prompts, return_tensors="pt")
>>> generate_ids = model.generate(**inputs, max_new_tokens=6)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True)

TFIdeficsModel

class transformers.TFIdeficsModel

< >

( config: IdeficsConfig *inputs **kwargs )

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: Optional[tf.Tensor] = None position_ids: Optional[tf.Tensor] = None past_key_values: Optional[List[tf.Tensor]] = None inputs_embeds: Optional[tf.Tensor] = None pixel_values: Optional[tf.Tensor] = None image_encoder_embeddings: Optional[tf.Tensor] = None perceiver_embeddings: Optional[tf.Tensor] = None image_attention_mask: Optional[tf.Tensor] = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None interpolate_pos_encoding: Optional[bool] = False return_dict: Optional[bool] = None training: Optional[bool] = None )

TFIdeficsForVisionText2Text

transformers.TFIdeficsForVisionText2Text

< >

( config vision_model = None **kwargs )

调用

< >

( input_ids: TFModelInputType | None = None attention_mask: Optional[tf.Tensor] = None position_ids: Optional[tf.Tensor] = None past_key_values: Optional[List[tf.Tensor]] = None inputs_embeds: Optional[tf.Tensor] = None pixel_values: Optional[tf.Tensor] = None image_encoder_embeddings: Optional[tf.Tensor] = None perceiver_embeddings: Optional[tf.Tensor] = None image_attention_mask: Optional[tf.Tensor] = None labels: Optional[tf.Tensor] = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None interpolate_pos_encoding: Optional[bool] = False return_dict: Optional[bool] = None training = False ) transformers.models.idefics.modeling_tf_idefics.TFIdeficsCausalLMOutputWithPast or tuple(tf.Tensor)

参数

  • input_ids (tf.Tensor of shape (batch_size, sequence_length)) — 输入序列令牌在词汇表中的索引。如果提供,默认情况下将忽略填充。

    索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (tf.Tensor形状为(batch_size, sequence_length)可选)—避免在填充token索引上执行注意力的掩码。掩码值在[0, 1]范围内选择:

    • 1表示未掩码的token;
    • 0表示掩码的token。

    什么是注意力掩码?

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

    如果使用past_key_values,则可选地只需要输入最后一个decoder_input_ids(请参阅past_key_values)。

    如果您要更改填充行为,应阅读modeling_opt._prepare_decoder_attention_mask并根据您的需求进行修改。详情请参见论文中的图1[论文链接],其中包含默认策略的更多信息。

    • 1表示head未掩码;
    • 0表示head掩码。
  • position_ids (tf.Tensor形状为(batch_size, sequence_length)可选)—每个输入序列token在位置嵌入中的位置索引。选择范围在[0, config.n_positions - 1]内。什么是位置ID?
  • past_key_values (tuple(tuple(tf.Tensor)), 可选,当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tf.Tensor) 的元组,每个元组包含形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的 2 个张量以及形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的 2 个额外张量。

    包含预计算的隐藏状态(自我关注块和交叉关注块中的键和值),可用于(见 past_key_values 输入)以加快顺序解码速度。

    如果使用 past_key_values,则用户可选择只输入最后一个 decoder_input_ids(那些没有为模型提供过去键值状态的)形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)decoder_input_ids

  • inputs_embeds (tf.Tensor,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 input_ids。当您想要在内部嵌入查找矩阵之外对将 input_ids 索引转换为相关向量有更多控制时,这很有用。
  • use_cachebool可选)— 如果设置为 True,则返回 past_key_values 的 key value states,可以用于加速解码(参见 past_key_values)。
  • output_attentionsbool可选)— 是否返回所有注意力层的注意力张量。更多详细信息,请参阅返回张量中的 attentions
  • output_hidden_statesbool可选)— 是否返回所有层的隐藏状态。更多详细信息,请参阅返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回ModelOutput 而不是简单的元组。

返回

transformers.models.idefics.modeling_tf_idefics.TFIdeficsCausalLMOutputWithPasttuple(tf.Tensor)

transformers.models.idefics.modeling_tf_idefics.TFIdeficsCausalLMOutputWithPast 或一个 tf.Tensor 的元组(如果传递了 return_dict=False 或者当 config.return_dict=False 时),根据配置(IdeficsConfig)和输入包括各种元素。

  • loss (tf.Tensor 形状为 (1,)可选,如果有提供 labels) — 语言建模损失(用于下一个标记预测)。

  • logits (tf.Tensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头部的预测分数(SoftMax之前的每个词汇单元的分数)。

  • past_key_values (tuple(tuple(tf.Tensor))可选,如果传递了 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layerstuple(tf.Tensor) 的元组,其中每个元组包含形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的2个张量。

    包含预计算的隐藏状态(self-attention 块中的密钥和值),可以用于(见 past_key_values 输入)以加快序列解码。

  • hidden_states (tuple(tf.Tensor)可选,如果传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)tf.Tensor 的元组(对于带有嵌入层的模型,如果有的话,每个层的输出为一个)。

    每个层的模型输出隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple(tf.Tensor)可选,如果传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 的元组(每个层一个)。

    注意力 softmax 之后的注意力权重,用于在 self-attention 头中计算加权平均。

  • image_hidden_states (tuple(tf.Tensor)可选) — 形状为 (batch_size, num_images, sequence_length, hidden_size)tf.Tensor 的元组(图像嵌入层的输出)。

    由视觉编码器生成的模型 image_hidden_states,以及选项中通过感知器生成的。

TFIdeficsForVisionText2Text 的前向方法,覆盖了特殊方法 __call__

尽管需要在函数内部定义前向传播的配方,但应该调用 Module 实例之后,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则默默地忽略它们。

示例

>> from transformers import AutoTokenizer, TFIdeficsForVisionText2Text

>> model = TFIdeficsForVisionText2Text.from_pretrained("HuggingFaceM4/idefics-9b")
>> tokenizer = AutoTokenizer.from_pretrained("HuggingFaceM4/idefics-9b")

>> prompt = "Hey, are you consciours? Can you talk to me?"
>> inputs = tokenizer(prompt, return_tensors="tf")

>> # Generate
>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you consciours? Can you talk to me?\nI'm not consciours, but I can talk to you."

IdeficsImageProcessor

transformers.IdeficsImageProcessor

< >

( image_size: int = 224 image_mean: Union = None image_std: Union = None image_num_channels: Optional = 3 **kwargs )

参数

  • image_size (int, 可选, 默认值 224) — 调整到图像大小
  • image_mean (floatList[float],可选项,默认为 IDEFICS_STANDARD_MEAN) — 使用图像归一化时的均值。这是一个浮点数或与图像通道数同长度的浮点数列表。可以通过 preprocess 方法中的 image_mean 参数进行覆盖。也可以通过 preprocess 方法中的 image_mean 参数进行覆盖。
  • image_std (floatList[float],可选项,默认为 IDEFICS_STANDARD_STD) — 使用图像归一化时的标准差。这是一个浮点数或与图像通道数同长度的浮点数列表。可以通过 preprocess 方法中的 image_std 参数进行覆盖。也可以通过 preprocess 方法中的 image_std 参数进行覆盖。
  • image_num_channels (int,可选项,默认为 3) — 图像通道数。

构建 Idefics 图像处理器。

preprocess

< >

( images: 联合 image_num_channels: 可选 = 3 image_size: 可选 = 无 image_mean: 联合 = 无 image_std: 联合 = 无 transform: 可调用 = 无 return_tensors: 联合 = <TensorType.PYTORCH: 'pt'> **kwargs )

参数

  • images (ImageInput) — 预处理图像的列表。
  • image_size (int, optional, defaults to self.image_size) — 调整为图像大小
  • image_num_channels (int, optional, defaults to self.image_num_channels) — 图像通道数。
  • image_mean (floatList[float], optional, defaults to IDEFICS_STANDARD_MEAN) — 如果对图像进行归一化时使用的平均值。这是一个浮点数或浮点数列表,长度与图像通道数量相同。可由 preprocess 方法中的 image_mean 参数覆盖。
  • image_stdfloatList[float]可选,默认为 IDEFICS_STANDARD_STD)—— 校准图像时使用的标准差。这是一个与图像通道数长度相同的浮点数或浮点数列表。可以由 preprocess 方法中的 image_std 参数覆盖。
  • transformCallable可选,默认为 None)—— 可传入用于训练的接受单个图像的自定义变换函数。例如,可以使用 torchvision.Compose 来组合多个变换。如果设置为 None,则假定是推理模式,并将应用预设的推理特定变换。

校准一批图像。

IdeficsProcessor

transformers.IdeficsProcessor

< >

( image_processor tokenizer = None image_size = 224 add_end_of_utterance_token = None **kwargs )

参数

  • image_processor (<code>IdeficsImageProcessor</code>) — <code>IdeficsImageProcessor</code>. 图像处理器是必需的输入。
  • tokenizer (<code>LlamaTokenizerFast</code>) — <code>LlamaTokenizerFast</code>. 分词器是必需的输入。
  • image_size (int, 可选, 默认值为224) — 图像尺寸(假设为方形图像)

构造一个IDEFICS处理器,它将LLama分词器和IDEFICS图像处理器包装成一个单处理器。

IDEFICSProcessor提供了IDEFICSImageProcessorLlamaTokenizerFast的所有功能。请参阅call()decode()的文档字符串以获取更多信息。

__call__

< >

( prompts: 联合类型 padding: 联合类型 = 'longest' truncation: 联合类型 = None max_length: 可选类型 = None transform: 可调用类型 = None add_eos_token = False add_end_of_utterance_token = None debug = False return_tensors = 'pt' ) 一个包含条目的字典

参数

  • prompts (Union[List[TextInput], [List[List[TextInput]]]]) — 可以是一个单个提示或按批次的提示列表 - 详见 arguments.doc 部分。
  • transform (Callable, 可选) — 为训练可以传递一个接受单个图像的自定义转换函数。例如,可以使用 torchvision.Compose 来组合多个函数。如果为 None,将应用预设置的特定于推理的转换集到图像上。
  • add_eos_token (bool, 可选, 默认为 False) — 如果为 `True`,则在最终提示语后添加 eos_token
  • add_end_of_utterance_token (bool, 可选) — 是否自动在每个提示文本输入后添加 ``(除非其后有图像)。如果为 None,则将检查分词器,如果此标记在 additional_special_tokens 中找到,则值将为 True
  • debug (bool, 可选,默认为 False) — True 值将帮助通过输出有用信息来调试提示生成
  • return_tensors (strTensorType, 可选,默认为 TensorType.PYTORCH) — 返回张量的类型。可以是以下之一:
    • TensorType.PYTORCH'pt':返回一个类型为 torch.Tensor 的批次。

返回

包含条目的字典

input_ids, attention_mask, pixel_values, image_attention_mask 这可以通过传递给 model.generate

此方法接受批量或非批量由文本和图像组成的提示,并将它们转换为模型训练时所用的提示,并为模型处理准备图像像素值。

详细说明

prompts 中的每个条目要么是要直接传递的文本,要么是要处理的图像。

图像可以是图像对象(PIL.Image)或从中检索图像的 URL。

当处理器遇到图像时,它将在提示中注入 <fake_token_around_image><image><fake_token_around_image> 条目。

示例

checkpoint = "HuggingFaceM4/idefics-9b"
processor = AutoProcessor.from_pretrained(checkpoint)
url = "https://hips.hearstapps.com/hmg-prod/images/cute-photos-of-cats-in-grass-1593184777.jpg"
img = processor.image_processor.fetch_images([url])[0]

prompts = [
    "User:",
    img,
    "Describe this image.
t: An image of two kittens in grass.

    "User:",
    "https://hips.hearstapps.com/hmg-prod/images/dog-puns-1581708208.jpg",
    "Describe this image.
t:",
]

inputs = processor(prompts, return_tensors="pt")
generated_ids = model.generate(**inputs, max_length=100)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

在此示例中,prompts 将转换为

<s>User:<fake_token_around_image><image><fake_token_around_image>Describe this image.
Assistant: An image of two kittens in grass.
User:<fake_token_around_image><image><fake_token_around_image>Describe this image.
Assistant:'

并且这两张图像将使用 IdeficsImageProcessor.call() 方法进行处理,并放置在返回值的 pixel_values 字典条目中。

此示例还说明图像可以作为对象或作为文本 URL 来传递。可以看出,第一张图像作为对象传递,第二张图像作为 URL 传递。

要进行训练做

image_transform = transforms.Compose(
    [
        transforms.RandomResizedCrop(
            (w, h), scale=(0.9, 1.0), interpolation=transforms.InterpolationMode.BICUBIC
        ),
        transforms.ToTensor(),
        transforms.Normalize(mean=self.image_mean, std=self.image_std),
    ]
)
inputs = processor(prompts, transform=image_transform, return_tensors="pt")

为了帮助调试提示生成,启用 debug=True,它将显示正在发生的事情。

< > 在 GitHub 上更新