Hugging Face 的标志

Transformers 文档

ImageGPT

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验的访问权限

开始使用

ImageGPT

概述

ImageGPT 模型由 Mark Chen、Alec Radford、Rewon Child、Jeffrey Wu、Heewoo Jun、David Luan 和 Ilya Sutskever 在 Generative Pretraining from Pixels 中提出。 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。

论文中的摘要如下：

受自然语言无监督表示学习进展的启发，我们研究了类似模型是否可以学习对图像有用的表示。我们训练了一个序列 Transformer 来自回归地预测像素，而无需合并关于 2D 输入结构的知识。尽管在没有标签的低分辨率 ImageNet 上训练，我们发现 GPT-2 规模的模型学习到了强大的图像表示，这可以通过线性探测、微调和低数据分类来衡量。在 CIFAR-10 上，我们使用线性探测获得了 96.3% 的准确率，超过了监督的 Wide ResNet，并通过完全微调获得了 99.0% 的准确率，与最顶级的监督预训练模型相匹配。当用像素替换 VQVAE 编码时，我们也与 ImageNet 上的自监督基准相竞争，在我们的特征的线性探测中获得了 69.0% 的 top-1 准确率。

drawing 方法概述。摘自 [原始论文](https://cdn.openai.com/papers/Generative_Pretraining_from_Pixels_V2.pdf)。

该模型由 nielsr 贡献，基于 此问题。原始代码可以在 此处 找到。

使用技巧

  • ImageGPT 与 GPT-2 几乎完全相同，区别在于使用了不同的激活函数（即“快速 gelu”），并且层归一化层不意味着将输入居中。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随着序列长度的平方而增加，因此作者在较小的输入分辨率（例如 32x32 和 64x64）上预训练了 ImageGPT。然而，将 32x32x3=3072 个来自 0..255 的标记序列馈送到 Transformer 仍然过于庞大。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 长的序列，但现在是 0..511 范围内的整数。因此，我们以更大的嵌入矩阵为代价缩短了序列长度。换句话说，ImageGPT 的词汇量是 512，加上 1 个用于特殊“句子开始”(SOS) 标记，用于每个序列的开头。可以使用 ImageGPTImageProcessor 来准备模型的图像。
  • 尽管 ImageGPT 完全是无监督地预训练的（即没有使用任何标签），但它会生成相当有效的图像特征，这些特征可用于下游任务，例如图像分类。作者表明，网络中间的特征是性能最好的，可以直接用它们来训练线性模型（例如，sklearn 逻辑回归模型）。这也称为“线性探测”。特征可以通过首先将图像通过模型传递，然后指定 output_hidden_states=True，然后平均池化您喜欢的任何层的隐藏状态来轻松获得。
  • 或者，您可以类似于 BERT 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 有多种尺寸：ImageGPT-small、ImageGPT-medium 和 ImageGPT-large。作者还训练了一个 XL 变体，但没有发布。尺寸差异总结在下表中
模型变体 深度 隐藏大小 解码器隐藏大小 参数 (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

以下是一些官方 Hugging Face 和社区（以 🌎 表示）资源，可帮助您开始使用 ImageGPT。

图像分类

如果您有兴趣提交要包含在此处的资源，请随时打开一个拉取请求，我们将对其进行审核！理想情况下，该资源应展示一些新内容，而不是重复现有的资源。

ImageGPTConfig

class transformers.ImageGPTConfig

< >

( 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

  • 词汇量 (int, optional, defaults to 512) — GPT-2 模型的词汇量。定义了调用 ImageGPTModel 或 TFImageGPTModel 时可以由 inputs_ids 表示的不同标记的数量。
  • 最大位置数 (int, optional, defaults to 32*32) — 该模型可能使用的最大序列长度。通常将此值设置为一个较大的值，以防万一（例如，512 或 1024 或 2048）。
  • 嵌入维度 (int, optional, defaults to 512) — 嵌入和隐藏状态的维度。
  • 层数 (int, optional, defaults to 24) — Transformer 编码器中的隐藏层数。
  • 注意力头数 (int, optional, defaults to 8) — Transformer 编码器中每个注意力层的注意力头数。
  • 内部维度 (int, optional, defaults to None) — 内部前馈层的维度。None 将将其设置为 4 倍的 n_embd
  • 激活函数 (str, optional, defaults to "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”。
  • 残差丢弃率 (float, optional, defaults to 0.1) — 嵌入、编码器和池化器中所有全连接层的丢弃概率。
  • 嵌入丢弃率 (int, optional, defaults to 0.1) — 嵌入的丢弃率。
  • 注意力丢弃率 (float, optional, defaults to 0.1) — 注意力的丢弃率。
  • initializer_range (float, 可选, 默认值为 0.02) — 初始化所有权重矩阵的截断正态分布初始化器的标准差。
  • scale_attn_weights (bool, 可选, 默认值为 True) — 通过除以 sqrt(hidden_size) 来缩放注意力权重。
  • use_cache (bool, 可选, 默认值为 True) — 模型是否应该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, 默认值为 False) — 是否另外通过 1 / layer_idx + 1 来缩放注意力权重。
  • reorder_and_upcast_attn (bool, 可选, 默认值为 False) — 是否在计算注意力（点积）之前缩放键 (K)，并在使用混合精度训练时将注意力点积/softmax 上升到 float()。

这是用于存储 ImageGPTModel 或 TFImageGPTModel 的配置的配置类。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与 ImageGPT openai/imagegpt-small 架构类似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。阅读 PretrainedConfig 的文档以了解更多信息。

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.config

ImageGPTFeatureExtractor

class transformers.ImageGPTFeatureExtractor

< >

( *args **kwargs )

__call__

< >

( images **kwargs )

预处理一张图像或一批图像。

ImageGPTImageProcessor

class transformers.ImageGPTImageProcessor

  • clusters (np.ndarray 或 List[List[int]], 可选) — 用于颜色量化的颜色簇，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}): 调整大小后图像的大小。 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，则使用重采样滤镜。 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，最后对其进行颜色量化以获得“像素值”序列（颜色簇）。

preprocess

< >

( 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。 预计单个或一批图像，像素值范围为 0 到 255。 如果传入像素值在 0 到 1 之间的图像，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) — 调整大小后图像的大小。
  • resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，要使用的重采样滤波器。这可以是枚举 PILImageResampling 中的一个。仅当 do_resize 设置为 True 时有效。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化
  • 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) — 用于量化图像的聚类，形状为 (n_clusters, 3)。仅当 do_color_quantize 设置为 True 时有效。
  • return_tensors (str 或 TensorType, 可选) — 要返回的张量类型。可以是以下之一：
    • 未设置：返回一个 np.ndarray 列表。
    • TensorType.TENSORFLOW 或 'tf'：返回一个类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH 或 'pt'：返回一个类型为 torch.Tensor 的批次。
    • TensorType.NUMPY 或 'np'：返回一个类型为 np.ndarray 的批次。
    • TensorType.JAX 或 'jax'：返回一个类型为 jax.numpy.ndarray 的批次。
  • 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：图像以 (num_channels, height, width) 格式。
    • ChannelDimension.LAST：图像以 (height, width, num_channels) 格式。仅当 do_color_quantize 设置为 False 时有效。
  • input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像推断通道维度格式。可以是以下之一：
    • "channels_first" 或 ChannelDimension.FIRST：图像以 (num_channels, height, width) 格式。
    • "channels_last" 或 ChannelDimension.LAST：图像以 (height, width, num_channels) 格式。
    • "none" 或 ChannelDimension.NONE：图像以 (height, width) 格式。

预处理图像或图像批次。

ImageGPTModel

class transformers.ImageGPTModel

< >

( 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，只会加载配置。 查看 from_pretrained() 方法来加载模型权重。

裸 ImageGPT 模型 Transformer，输出原始隐藏状态，没有在其顶端添加任何特定头部。

此模型继承自 PreTrainedModel。 检查超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与一般使用和行为相关的所有事项。

正向

< >

( 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)。 词汇表中输入序列令牌的索引。

    如果使用 past_key_values，则应仅将未计算其过去的 input_ids 传递为 input_ids。

    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) — 包含由模型计算的预先计算的隐藏状态（注意力块中的键和值）（见下面的 past_key_values 输出）。 可用于加速顺序解码。 应该将 past_key_values 传递给此模型的 input_ids 不应作为 input_ids 传递，因为它们已经计算过了。
  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)，可选) — 掩码以避免在填充令牌索引上执行注意力。 掩码值在 [0, 1] 中选择：

    • 1 代表未掩码的令牌，
    • 0 代表掩码的令牌。

    什么是注意力掩码？

  • token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 段令牌索引，用于指示输入的第一部分和第二部分。 索引在 [0, 1] 中选择：

    • 0 代表句子 A 令牌，
    • 1 代表句子 B 令牌。

    什么是令牌类型 ID？

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列中每个 token 在位置嵌入中的位置索引。在范围内选择 [0, config.max_position_embeddings - 1].

    什么是位置 ID？

  • head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads), 可选) — 用于使自注意力模块中选定 head 无效的掩码。掩码值在 [0, 1] 中选择：

    • 1 表示头部未被屏蔽
    • 0 表示头部被屏蔽
  • 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。如果您希望对如何将 input_ids 索引转换为相关向量有更多控制权，而不是模型内部的嵌入查找矩阵，这将很有用。

    如果使用 past_key_values，则可以选择仅输入最后一个 inputs_embeds（参见 past_key_values）。

  • use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，可用于加速解码（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。有关更多详细信息，请参见返回张量中的 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，请参见返回张量中的 hidden_states。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是简单元组。
  • labels (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 用于语言建模的标签。请注意，标签在模型内部是移位的，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 的标签都被忽略（屏蔽），损失仅针对 [0, ..., config.vocab_size] 中的标签计算。

返回

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

一个 transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (ImageGPTConfig) 和输入的不同元素。

  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层的输出处的隐藏状态序列。

    如果使用 past_key_values，则仅输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选，在传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组具有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量，并且如果 config.is_encoder_decoder=True，则可以选择另外 2 个形状为 (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（自注意力块中的键和值，以及如果 config.is_encoder_decoder=True，则在交叉注意力块中）。这些隐藏状态可用于（参见 past_key_values 输入）加速顺序解码。

  • hidden_states (tuple(torch.FloatTensor), 可选，在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型具有嵌入层，外加一个用于每层的输出），形状为 (batch_size, sequence_length, hidden_size)。

    模型在每层输出处的隐藏状态，以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选，在传递 output_attentions=True 或 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)。

    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。

  • cross_attentions (tuple(torch.FloatTensor), 可选，在传递 output_attentions=True 和 config.add_cross_attention=True 或 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)。

    解码器交叉注意力层的注意力权重，注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。

The ImageGPTModel 前向方法，覆盖了 __call__ 特殊方法。

虽然前向传播的配方需要在此函数中定义，但之后应该调用Module实例而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会静默地忽略它们。

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_state

ImageGPTForCausalImageModeling

class transformers.ImageGPTForCausalImageModeling

< >

( config: ImageGPTConfig )

参数

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

带语言建模头的ImageGPT模型转换器（线性层，权重与输入嵌入绑定）。

此模型继承自 PreTrainedModel。 检查超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与一般使用和行为相关的所有事项。

正向

< >

( 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 or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — input_ids_length = sequence_length if past_key_values is None else past_key_values[0][0].shape[-2] (sequence_length of input past key value states). 输入序列标记在词汇表中的索引。

    如果使用past_key_values，则只有尚未计算过去值的input_ids应该作为input_ids传递。

    可以使用AutoImageProcessor获取索引。有关详细信息，请参见ImageGPTImageProcessor.call()。

  • past_key_values (Tuple[Tuple[torch.Tensor]] of length config.n_layers) — 包含模型计算的预先计算的隐藏状态（注意力块中的键和值）（请参见下面的past_key_values输出）。可用于加快顺序解码。传递到此模型的input_ids，其过去值已提供，不应作为input_ids传递，因为它们已计算完毕。
  • attention_mask (torch.FloatTensor 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。在[0, 1]中选择的掩码值：

    • 1 表示未掩码的标记，
    • 0 表示已掩码的标记。

    什么是注意力掩码？

  • token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 用于指示输入的第一个和第二个部分的段 token 索引。索引在 [0, 1] 中选择：

    • 0 对应于句子 A token，
    • 1 对应于句子 B token。

    什么是 token 类型 ID？

  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 输入序列 token 在位置嵌入中的位置索引。在 [0, config.max_position_embeddings - 1] 范围内选择。

    什么是位置 ID？

  • head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于使自注意力模块的选定头部无效的掩码。在 [0, 1] 中选择掩码值：

    • 1 表示头部未被掩码，
    • 0 表示头部被掩码。
  • 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对如何将 input_ids 索引转换为相关向量有更多控制，这将很有用。

    如果使用了 past_key_values，则可以选择仅输入最后一个 inputs_embeds（参见 past_key_values）。

  • use_cache (bool，可选) — 如果设置为 True，则会返回 past_key_values 键值状态，可用于加速解码（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。有关更多详细信息，请参见返回张量中的 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，请参见返回张量中的 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位，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 的标签都被忽略（掩码），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 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (ImageGPTConfig) 和输入而变化的各种元素。

  • loss (torch.FloatTensor 形状为 (1,)，可选，在提供 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（在 SoftMax 之前的每个词汇表 token 的分数）。

  • hidden_states (tuple(torch.FloatTensor), 可选，在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型具有嵌入层，外加一个用于每层的输出），形状为 (batch_size, sequence_length, hidden_size)。

    模型在每层输出处的隐藏状态，以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选，在传递 output_attentions=True 或 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)。

    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。

  • cross_attentions (tuple(torch.FloatTensor)，可选，在传递 output_attentions=True 或 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)。

    注意力 SoftMax 后的交叉注意力权重，用于计算交叉注意力头中的加权平均值。

  • past_key_values (tuple(tuple(torch.FloatTensor))，可选，在传递 use_cache=True 或 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的缓存键、值状态以及如果模型在编码器-解码器设置中使用，则包含交叉注意力层的缓存键、值状态。仅在 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（参见 past_key_values 输入）加速顺序解码。

ImageGPTForCausalImageModeling 的前向方法覆盖了 __call__ 特殊方法。

虽然前向传播的配方需要在此函数中定义，但之后应该调用Module实例而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会静默地忽略它们。

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

< >

( 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，只会加载配置。查看 from_pretrained() 方法来加载模型权重。

ImageGPT 模型变换器，在其顶部有一个图像分类头（线性层）。 ImageGPTForImageClassification 对隐藏状态进行平均池化，以进行分类。

此模型继承自 PreTrainedModel。 检查超类文档以了解库为其所有模型实现的通用方法（例如下载或保存、调整输入嵌入的大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块，并参考 PyTorch 文档以了解与一般使用和行为相关的所有事项。

正向

< >

( 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)) — 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）。词汇表中输入序列标记的索引。

    如果使用 past_key_values，则应仅将没有计算其过去的 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) — 包含由模型计算的预先计算的隐藏状态（注意力块中的键和值）（见下面的 past_key_values 输出）。可用于加快顺序解码。应将其过去传递给此模型的 input_ids 不应作为 input_ids 传递，因为它们已经计算过了。
  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length)，可选) — 掩码以避免对填充标记索引执行注意力。在 [0, 1] 中选择的掩码值：

    • 1 表示未掩码的标记，
    • 0 表示已掩码的标记。

    什么是注意力掩码？

  • token_type_ids (torch.LongTensor 形状为 (batch_size, sequence_length)，可选) — 段标记索引，用于指示输入的第一部分和第二部分。在 [0, 1] 中选择的索引：

    • 0 表示句子 A 标记，
    • 1 表示句子 B 标记。

    什么是标记类型 ID？

  • 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。从范围 [0, config.max_position_embeddings - 1] 中选择。

    什么是位置 ID？

  • head_mask (torch.FloatTensor 形状为 (num_heads,) 或 (num_layers, num_heads), *可选*) — 用于使自注意力模块的选定头部失效的掩码。掩码值从 [0, 1] 中选择：

    • 1 表示头部 **未被掩码**，
    • 0 表示头部 **被掩码**。
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), *可选*) — 可选地，您可选择直接传入嵌入式表示，而不是传入 input_ids。这在您想要更多地控制如何将 input_ids 索引转换为关联的向量时很有用，而不是模型的内部嵌入查找矩阵。

    如果使用 past_key_values，可选地只需要传入最后一个 inputs_embeds（参见 past_key_values）。

  • use_cache (bool, *可选*) — 如果设置为 True，则返回 past_key_values 键值状态，可用于加速解码（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。有关更多详细信息，请参阅返回的张量中的 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，请参阅返回的张量中的 hidden_states。
  • return_dict (bool, *可选*) — 是否返回 ModelOutput 而不是简单元组。
  • 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）。

返回

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

一个 transformers.modeling_outputs.SequenceClassifierOutputWithPast 或 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含取决于配置 (ImageGPTConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,), *可选*, 当提供 labels 时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。

  • logits (torch.FloatTensor 形状为 (batch_size, config.num_labels)) — 分类（或如果 config.num_labels==1 则为回归）得分（在 SoftMax 之前）。

  • past_key_values (tuple(tuple(torch.FloatTensor)), *可选*, 当传入 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(torch.FloatTensor) 元组，每个元组都有 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（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速顺序解码。

  • hidden_states (tuple(torch.FloatTensor), 可选，在传递 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层的输出，如果模型具有嵌入层，外加一个用于每层的输出），形状为 (batch_size, sequence_length, hidden_size)。

    模型在每层输出处的隐藏状态，以及可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选，在传递 output_attentions=True 或 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)。

    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。

该 ImageGPTForImageClassification 正向方法覆盖了 __call__ 特殊方法。

虽然前向传播的配方需要在此函数中定义，但之后应该调用Module实例而不是此函数，因为前者负责运行前处理和后处理步骤，而后者会静默地忽略它们。

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
< > 在 GitHub 上更新

←Hiera LeViT→