ImageGPT
概述
ImageGPT 模型在 Generative Pretraining from Pixels 中被 Mark Chen、Alec Radford、Rewon Child、Jeffrey Wu、Heewoo Jun、David Luan、Ilya Sutskever 提出。ImageGPT (iGPT) 是一个类似 GPT-2 的模型，经过训练可以预测下一个像素值，从而实现无条件和有条件的图像生成。
该论文的摘要如下
受到自然语言无监督表征学习进展的启发，我们研究了类似的模型是否可以学习图像的有用表征。我们训练了一个序列 Transformer 来自回归地预测像素，而没有结合 2D 输入结构的知识。尽管在没有标签的低分辨率 ImageNet 上进行训练，但我们发现 GPT-2 规模的模型学习到了强大的图像表征，这通过线性探测、微调和低数据分类来衡量。在 CIFAR-10 上，我们通过线性探测实现了 96.3% 的准确率，优于有监督的 Wide ResNet，并通过完全微调实现了 99.0% 的准确率，与顶级的有监督预训练模型相匹配。当用 VQVAE 编码替换像素时，我们在 ImageNet 上的自监督基准测试中也具有竞争力，在我们的特征的线性探测中实现了 69.0% 的 top-1 准确率。
方法总结。摘自 原始论文。此模型由 nielsr 贡献，基于 此 issue。 原始代码可以在 这里 找到。
使用技巧
- ImageGPT 几乎与 GPT-2 完全相同，唯一的区别是使用了不同的激活函数（即 “quick gelu”），并且层归一化层不对输入进行中心化处理。ImageGPT 也没有绑定输入和输出嵌入。
- 由于 Transformer 的注意力机制的时间和内存需求与序列长度成二次方比例增长，因此作者在较小的输入分辨率（如 32x32 和 64x64）上预训练了 ImageGPT。然而，将来自 0..255 的 32x32x3=3072 个 tokens 的序列输入到 Transformer 中仍然非常庞大。因此，作者对 (R,G,B) 像素值应用了 k 均值聚类，k=512。这样，我们只有一个 32*32 = 1024 长度的序列，但现在是范围为 0..511 的整数。因此，我们以更大的嵌入矩阵为代价缩小了序列长度。换句话说，ImageGPT 的词汇量大小为 512，外加 1 个特殊的 “句子开始” (SOS) token，用于每个序列的开头。可以使用 ImageGPTImageProcessor 来为模型准备图像。
- 尽管 ImageGPT 完全以无监督方式进行预训练（即不使用任何标签），但它产生了相当高性能的图像特征，可用于下游任务，例如图像分类。作者表明，网络中间层的特征性能最佳，可以直接用于训练线性模型（例如 sklearn 逻辑回归模型）。这也称为 “线性探测”。可以通过首先将图像通过模型前向传播，然后指定
output_hidden_states=True，然后在您喜欢的任何层对隐藏状态进行平均池化来轻松获得特征。 - 或者，可以像 BERT 一样，在下游数据集上进一步微调整个模型。为此，您可以使用 ImageGPTForImageClassification。
- ImageGPT 有不同的尺寸：ImageGPT-small、ImageGPT-medium 和 ImageGPT-large。作者还训练了一个 XL 变体，但他们没有发布。尺寸差异总结在下表中
| 模型变体 | 深度 | 隐藏层大小 | 解码器隐藏层大小 | 参数量 (M) | ImageNet-1k Top 1 |
|---|---|---|---|---|---|
| MiT-b0 | [2, 2, 2, 2] | [32, 64, 160, 256] | 256 | 3.7 | 70.5 |
| MiT-b1 | [2, 2, 2, 2] | [64, 128, 320, 512] | 256 | 14.0 | 78.7 |
| MiT-b2 | [3, 4, 6, 3] | [64, 128, 320, 512] | 768 | 25.4 | 81.6 |
| MiT-b3 | [3, 4, 18, 3] | [64, 128, 320, 512] | 768 | 45.2 | 83.1 |
| MiT-b4 | [3, 8, 27, 3] | [64, 128, 320, 512] | 768 | 62.6 | 83.6 |
| MiT-b5 | [3, 6, 40, 3] | [64, 128, 320, 512] | 768 | 82.0 | 83.8 |
资源
以下是官方 Hugging Face 和社区（用 🌎 表示）资源列表，可帮助您开始使用 ImageGPT。
- ImageGPT 的演示 notebook 可以在这里找到。
- ImageGPTForImageClassification 由这个示例脚本和notebook支持。
- 另请参阅：图像分类任务指南
如果您有兴趣提交资源以包含在此处，请随时打开 Pull Request，我们将对其进行审核！该资源最好能展示一些新的东西，而不是重复现有资源。
ImageGPTConfig
class transformers.ImageGPTConfig
< source >( vocab_size = 513 n_positions = 1024 n_embd = 512 n_layer = 24 n_head = 8 n_inner = None activation_function = 'quick_gelu' resid_pdrop = 0.1 embd_pdrop = 0.1 attn_pdrop = 0.1 layer_norm_epsilon = 1e-05 initializer_range = 0.02 scale_attn_weights = True use_cache = True tie_word_embeddings = False scale_attn_by_inverse_layer_idx = False reorder_and_upcast_attn = False **kwargs )
参数
- vocab_size (
int, 可选, 默认为 512) — GPT-2 模型的词汇表大小。定义了在调用 ImageGPTModel 或TFImageGPTModel时传递的inputs_ids可以表示的不同 tokens 的数量。 - n_positions (
int, 可选, 默认为 32*32) — 此模型可能使用的最大序列长度。通常将其设置为较大的值以防万一（例如，512 或 1024 或 2048）。 - n_embd (
int, 可选, 默认为 512) — 嵌入和隐藏状态的维度。 - n_layer (
int, 可选, 默认为 24) — Transformer 编码器中隐藏层的数量。 - n_head (
int, 可选, 默认为 8) — Transformer 编码器中每个注意力层的注意力头数。 - n_inner (
int, 可选, 默认为 None) — 内部前馈层的维度。None将其设置为 n_embd 的 4 倍 - activation_function (
str, 可选, 默认为"quick_gelu") — 激活函数（可以是 src/transformers/activations.py 中定义的激活函数之一）。默认为 “quick_gelu”。 - resid_pdrop (
float, 可选, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。 - embd_pdrop (
int, 可选, 默认为 0.1) — 嵌入的 dropout 比率。 - attn_pdrop (
float, 可选, 默认为 0.1) — 注意力的 dropout 比率。 - layer_norm_epsilon (
float, 可选, 默认为 1e-5) — 在层归一化层中使用的 epsilon 值。 - 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。 - scale_attn_weights (
bool, 可选, 默认为True) — 通过除以 sqrt(hidden_size) 缩放注意力权重。 - use_cache (
bool, 可选, 默认为True) — 模型是否应返回最后的键/值注意力（并非所有模型都使用）。 - scale_attn_by_inverse_layer_idx (
bool, 可选, 默认为False) — 是否额外地按1 / layer_idx + 1缩放注意力权重。 - reorder_and_upcast_attn (
bool, 可选, 默认为False) — 在使用混合精度训练时，是否在计算注意力（点积）之前缩放键 (K) 并将注意力点积/softmax 向上转换为 float()。
这是用于存储 ImageGPTModel 或 TFImageGPTModel 配置的配置类。它用于根据指定的参数实例化 GPT-2 模型，定义模型架构。使用默认值实例化配置将产生类似于 ImageGPT openai/imagegpt-small 架构的配置。
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 ImageGPTConfig, ImageGPTModel
>>> # Initializing a ImageGPT configuration
>>> configuration = ImageGPTConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = ImageGPTModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configImageGPTFeatureExtractor
预处理图像或一批图像。
ImageGPTImageProcessor
class transformers.ImageGPTImageProcessor
< source >( clusters: Union = None do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BILINEAR: 2> do_normalize: bool = True do_color_quantize: bool = True **kwargs )
参数
- clusters (
np.ndarray或List[List[int]], 可选) — 要使用的颜色簇，当进行颜色量化时，形状为(n_clusters, 3)。可以被preprocess中的clusters覆盖。 - do_resize (
bool, 可选, 默认为True) — 是否将图像尺寸调整为(size["height"], size["width"])。可以被preprocess中的do_resize覆盖。 - size (
Dict[str, int]可选, 默认为{"height" -- 256, "width": 256}): 调整大小后图像的尺寸。可以被preprocess中的size覆盖。 - resample (
PILImageResampling, 可选, 默认为Resampling.BILINEAR) — 如果调整图像大小，则使用的重采样滤波器。可以被preprocess中的resample覆盖。 - do_normalize (
bool, 可选, 默认为True) — 是否将图像像素值归一化到 [-1, 1] 之间。可以被preprocess中的do_normalize覆盖。 - do_color_quantize (
bool, 可选, 默认为True) — 是否对图像进行颜色量化。可以被preprocess中的do_color_quantize覆盖。
构建 ImageGPT 图像处理器。此图像处理器可用于将图像调整为较小的分辨率（例如 32x32 或 64x64），对其进行归一化，最后进行颜色量化，以获得“像素值”（颜色簇）序列。
preprocess
< source >( images: Union do_resize: bool = None size: Dict = None resample: Resampling = None do_normalize: bool = None do_color_quantize: Optional = None clusters: Union = None return_tensors: Union = None data_format: Union = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )
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_normalize=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。仅当do_resize设置为True时才有效。 - do_normalize (
bool, 可选, 默认为self.do_normalize) — 是否归一化图像 - do_color_quantize (
bool, 可选, 默认为self.do_color_quantize) — 是否对图像进行颜色量化。 - clusters (
np.ndarray或List[List[int]], 可选, 默认为self.clusters) — 用于量化形状为(n_clusters, 3)的图像的簇。仅当do_color_quantize设置为True时才有效。 - return_tensors (
str或TensorType, 可选) — 要返回的张量类型。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。
- Unset: 返回
- data_format (
ChannelDimension或str, 可选, 默认为ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。 仅当do_color_quantize设置为False时才有效。
- input_data_format (
ChannelDimension或str, 可选) — 输入图像的通道维度格式。 如果未设置，则通道维度格式将从输入图像推断。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)。
预处理单张或一批图像。
ImageGPTModel
class transformers.ImageGPTModel
< source >( config: ImageGPTConfig )
参数
- config (ImageGPTConfig) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法加载模型权重。
裸机 ImageGPT 模型 Transformer 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。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、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: Optional = None past_key_values: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs: Any ) → transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) —input_ids_length=sequence_length如果past_key_values为None，否则为past_key_values[0][0].shape[-2](输入过去键值状态的sequence_length)。词汇表中输入序列 tokens 的索引。如果使用
past_key_values，则只有尚未计算过去的input_ids应作为input_ids传递。索引可以使用 AutoImageProcessor 获取。 有关详细信息，请参阅 ImageGPTImageProcessor.call()。
- past_key_values (长度为
config.n_layers的Tuple[Tuple[torch.Tensor]]) — 包含模型计算的预计算隐藏状态（注意力模块中的键和值）（请参阅下面的past_key_values输出）。 可用于加速顺序解码。 已将其过去状态提供给此模型的input_ids不应作为input_ids传递，因为它们已被计算。 - attention_mask (
torch.FloatTensor，形状为(batch_size, sequence_length)，可选) — 用于避免对 padding token 索引执行 attention 的 Mask。 Mask 值在[0, 1]中选择：- 1 表示 未被 masked 的 tokens，
- 0 表示 被 masked 的 tokens。
- token_type_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 分段 token 索引，用于指示输入的第一个和第二个部分。 索引在[0, 1]中选择：- 0 对应于 sentence A token，
- 1 对应于 sentence B token。
- 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.max_position_embeddings - 1]中选择。 - head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于使 self-attention 模块的选定 head 无效的 Mask。 Mask 值在[0, 1]中选择：- 1 表示 head 未被 masked，
- 0 表示 head 被 masked。
- 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。 如果您想要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。如果使用
past_key_values，则可以选择仅输入最后一个inputs_embeds（请参阅past_key_values）。 - 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 attention tensors。 有关更多详细信息，请参阅返回 tensors 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 tensors 下的hidden_states。 - 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) — 用于语言建模的 Labels。 请注意，labels 在模型内部是 shifted 的，即您可以设置labels = input_ids。 索引在[-100, 0, ..., config.vocab_size]中选择。 所有设置为-100的 labels 都将被忽略（masked），损失仅针对[0, ..., config.vocab_size]中的 labels 计算。
返回
transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或一个 torch.FloatTensor 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 (ImageGPTConfig) 和输入。
-
last_hidden_state (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层的输出端的 hidden-states 序列。如果使用
past_key_values，则仅输出形状为(batch_size, 1, hidden_size)的序列的最后一个 hidden-state。 -
past_key_values (
tuple(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_layers的tuple(tuple(torch.FloatTensor))元组，其中每个元组具有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)的 tensors，并且可选地，如果config.is_encoder_decoder=True，则具有 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)的额外 tensors。包含预先计算的 hidden-states（self-attention 模块中的键和值，以及可选地，如果
config.is_encoder_decoder=True，则在 cross-attention 模块中），这些 hidden-states 可以用于（请参阅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元组（如果模型具有嵌入层，则一个用于嵌入的输出；+ 每个层的输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出端的 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或当config.output_attentions=True时返回) —torch.FloatTensor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 heads 中的加权平均值。
-
cross_attentions (
tuple(torch.FloatTensor)，可选，当传递output_attentions=True和config.add_cross_attention=True或当config.output_attentions=True时返回) —torch.FloatTensor元组（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。decoder 的 cross-attention 层的 Attentions 权重，在 attention softmax 之后，用于计算 cross-attention heads 中的加权平均值。
The ImageGPTModel forward 方法，覆盖了 __call__ 特殊方法。
虽然 forward pass 的配方需要在该函数内定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, ImageGPTModel
>>> 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("openai/imagegpt-small")
>>> model = ImageGPTModel.from_pretrained("openai/imagegpt-small")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_stateImageGPTForCausalImageModeling
class transformers.ImageGPTForCausalImageModeling
< source >( config: ImageGPTConfig )
参数
- config (ImageGPTConfig) — 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关联的权重，仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
ImageGPT 模型 transformer，顶部带有语言建模 head（线性层，其权重与输入嵌入相关联）。
此模型继承自 PreTrainedModel。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、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: Optional = None past_key_values: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs: Any ) → transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) —input_ids_length=sequence_length如果past_key_values为None，否则为past_key_values[0][0].shape[-2](输入过去键值状态的sequence_length)。词汇表中输入序列 tokens 的索引。如果使用
past_key_values，则只有尚未计算过去的input_ids应作为input_ids传递。索引可以使用 AutoImageProcessor 获取。 有关详细信息，请参阅 ImageGPTImageProcessor.call()。
- past_key_values (长度为
config.n_layers的Tuple[Tuple[torch.Tensor]]) — 包含模型计算的预计算隐藏状态（注意力模块中的键和值）（请参阅下面的past_key_values输出）。 可用于加速顺序解码。 已将其过去状态提供给此模型的input_ids不应作为input_ids传递，因为它们已被计算。 - attention_mask (
torch.FloatTensor，形状为(batch_size, sequence_length)，可选) — 用于避免对 padding token 索引执行 attention 的 Mask。 Mask 值在[0, 1]中选择：- 1 表示 未被 masked 的 tokens，
- 0 表示 被 masked 的 tokens。
- token_type_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 分段 token 索引，用于指示输入的第一个和第二个部分。 索引在[0, 1]中选择：- 0 对应于 sentence A token，
- 1 对应于 sentence B token。
- position_ids (
torch.LongTensor，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。在范围[0, config.max_position_embeddings - 1]中选择。 - head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于置空自注意力模块中选定 head 的掩码。掩码值在[0, 1]中选择：- 1 表示 head 未被掩蔽，
- 0 表示 head 被掩蔽。
- inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — （可选）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索引转换为关联向量，这将非常有用。如果使用了
past_key_values，则可以选择仅输入最后的inputs_embeds（请参阅past_key_values）。 - 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。 - 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) — 用于语言建模的标签。请注意，标签在模型内部被移动，即您可以设置labels = input_ids。索引在[-100, 0, ..., config.vocab_size]中选择。所有设置为-100的标签都将被忽略（掩蔽），损失仅针对[0, ..., config.vocab_size]中的标签计算
返回
transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 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 (ImageGPTConfig) 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）。 -
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元组（如果模型具有嵌入层，则一个用于嵌入的输出；+ 每个层的输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出端的 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或当config.output_attentions=True时返回) —torch.FloatTensor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 heads 中的加权平均值。
-
cross_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（每层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 之后的交叉注意力权重，用于计算交叉注意力 head 中的加权平均值。
-
past_key_values (
tuple(tuple(torch.FloatTensor))，可选，当传递use_cache=True或当config.use_cache=True时返回) —torch.FloatTensor元组的元组，长度为config.n_layers，每个元组包含自注意力层的缓存键、值状态，以及交叉注意力层（如果模型用于编码器-解码器设置）。仅当config.is_decoder = True时相关。包含预先计算的隐藏状态（注意力块中的键和值），可用于（请参阅
past_key_values输入）加速顺序解码。
ImageGPTForCausalImageModeling forward 方法覆盖了 __call__ 特殊方法。
虽然 forward pass 的配方需要在该函数内定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, ImageGPTForCausalImageModeling
>>> import torch
>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> image_processor = AutoImageProcessor.from_pretrained("openai/imagegpt-small")
>>> model = ImageGPTForCausalImageModeling.from_pretrained("openai/imagegpt-small")
>>> device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
>>> model.to(device)
>>> # unconditional generation of 8 images
>>> batch_size = 4
>>> context = torch.full((batch_size, 1), model.config.vocab_size - 1) # initialize with SOS token
>>> context = context.to(device)
>>> output = model.generate(
... input_ids=context, max_length=model.config.n_positions + 1, temperature=1.0, do_sample=True, top_k=40
... )
>>> clusters = image_processor.clusters
>>> height = image_processor.size["height"]
>>> width = image_processor.size["width"]
>>> samples = output[:, 1:].cpu().detach().numpy()
>>> samples_img = [
... np.reshape(np.rint(127.5 * (clusters[s] + 1.0)), [height, width, 3]).astype(np.uint8) for s in samples
... ] # convert color cluster tokens back to pixels
>>> f, axes = plt.subplots(1, batch_size, dpi=300)
>>> for img, ax in zip(samples_img, axes):
... ax.axis("off")
... ax.imshow(img)ImageGPTForImageClassification
class transformers.ImageGPTForImageClassification
< source >( config: ImageGPTConfig )
参数
- config (ImageGPTConfig) — 带有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
带有图像分类 head（线性层）的 ImageGPT 模型 transformer。ImageGPTForImageClassification 平均池化隐藏状态以进行分类。
此模型继承自 PreTrainedModel。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、剪枝头部等）。
此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
forward
< source >( input_ids: Optional = None past_key_values: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs: Any ) → transformers.modeling_outputs.SequenceClassifierOutputWithPast 或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor，形状为(batch_size, sequence_length)) — 如果past_key_values为None，则input_ids_length=sequence_length，否则input_ids_length=past_key_values[0][0].shape[-2](输入过去键值状态的sequence_length)。词汇表中输入序列 token 的索引。如果使用
past_key_values，则仅应将尚未计算过去的input_ids作为input_ids传递。可以使用 AutoImageProcessor 获取索引。有关详细信息，请参阅 ImageGPTImageProcessor.call()。
- past_key_values (
Tuple[Tuple[torch.Tensor]]，长度为config.n_layers) — 包含模型计算的预计算隐藏状态（注意力块中的键和值）（请参阅下面的past_key_values输出）。可用于加速顺序解码。已将其过去状态提供给此模型的input_ids不应作为input_ids传递，因为它们已被计算出来。 - attention_mask (
torch.FloatTensor，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掩码。掩码值在[0, 1]中选择：- 1 表示 token 未被掩蔽，
- 0 表示 token 被掩蔽。
- token_type_ids (
torch.LongTensor，形状为(batch_size, sequence_length)，可选) — 分段 token 索引，用于指示输入的第一个和第二个部分。索引在[0, 1]中选择：- 0 对应于 句子 A token，
- 1 对应于 句子 B token。
- position_ids (
torch.LongTensor，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。在范围[0, config.max_position_embeddings - 1]中选择。 - head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于置空自注意力模块中选定 head 的掩码。掩码值在[0, 1]中选择：- 1 表示 head 未被掩蔽，
- 0 表示 head 被掩蔽。
- inputs_embeds (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)，可选) — （可选）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索引转换为关联向量，这将非常有用。如果使用了
past_key_values，则可以选择仅输入最后的inputs_embeds（请参阅past_key_values）。 - 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。 - 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,)，可选) — 用于计算序列分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。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（交叉熵损失）。
返回
transformers.modeling_outputs.SequenceClassifierOutputWithPast 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutputWithPast 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 (ImageGPTConfig) 和输入。
-
loss (
torch.FloatTensor，形状为(1,)，可选，当提供labels时返回) — 分类（或回归，如果 config.num_labels==1）损失。 -
logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）得分（在 SoftMax 之前）。 -
past_key_values (
tuple(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_layers的tuple(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)包含预先计算的隐藏状态（自注意力模块中的键和值），这些状态可以用于（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元组（如果模型具有嵌入层，则一个用于嵌入的输出；+ 每个层的输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出端的 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或当config.output_attentions=True时返回) —torch.FloatTensor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 heads 中的加权平均值。
ImageGPTForImageClassification 的 forward 方法覆盖了 __call__ 特殊方法。
虽然 forward pass 的配方需要在该函数内定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, ImageGPTForImageClassification
>>> 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("openai/imagegpt-small")
>>> model = ImageGPTForImageClassification.from_pretrained("openai/imagegpt-small")
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> outputs = model(**inputs)
>>> logits = outputs.logits