参数

• images (ImageInput) — 待预处理的图像。需要单个或一批像素值范围在 0 到 255 之间的图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_pad (bool，可选，默认为 self.do_pad) — 是否根据最长边将图像填充成正方形。填充值由 image_mean 参数确定。
• 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) — 调整大小后的图像尺寸。图像的最短边将调整为 size["shortest_edge"]，最长边将相应调整以保持输入图像的宽高比。
• resample (int，可选，默认为 self.resample) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举中的一个。仅在 do_resize 设置为 True 时生效。
• 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) — 中心裁剪的尺寸。仅在 do_center_crop 设置为 True 时生效。
• do_rescale (bool，可选，默认为 self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float，可选，默认为 self.rescale_factor) — 当 do_rescale 设置为 True 时，用于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。仅在 do_normalize 设置为 True 时生效。
• 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。仅在 do_normalize 设置为 True 时生效。
• do_convert_rgb (bool，可选，默认为 self.do_convert_rgb) — 是否将图像转换为 RGB。
• return_tensors (str 或 TensorType，可选) — 返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回一个 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt'：返回一个 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np'：返回一个 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax'：返回一个 jax.numpy.ndarray 类型的批次。
• 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：
  • "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)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str，可选) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。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)。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 待预处理的图像。需要单个或一批像素值范围在 0 到 255 之间的图像。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) — 是否调整图像大小。
• size (dict[str, int]，可选) — 描述模型的最大输入尺寸。
• default_to_square (bool，可选) — 当 size 是整数时，调整大小时是否默认为正方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 调整图像大小时使用的重采样滤波器。可以是 PILImageResampling 枚举中的一个。仅在 do_resize 设置为 True 时生效。
• do_center_crop (bool，可选) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int]，可选) — 应用 center_crop 后输出图像的尺寸。
• do_rescale (bool，可选) — 是否对图像进行缩放。
• rescale_factor (Union[int, float, NoneType]) — 当 do_rescale 设置为 True 时，用于缩放图像的缩放因子。
• do_normalize (bool，可选) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像均值。仅在 do_normalize 设置为 True 时生效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅在 do_normalize 设置为 True 时生效。
• do_convert_rgb (bool，可选) — 是否将图像转换为 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension，可选) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。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)。
• device (torch.device，可选) — 处理图像的设备。如果未设置，则从输入图像中推断设备。
• disable_grouping (bool，可选) — 是否禁用按尺寸分组图像以单独处理而不是批量处理。如果为 None，则当图像在 CPU 上时将设置为 True，否则为 False。此选择基于经验观察，详情请见：https://github.com/huggingface/transformers/pull/38157
• do_pad (bool，可选) — 是否根据最长边将图像填充成正方形。

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

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

  什么是 input ID？

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。可以使用 {image_processor_class} 获取像素值。有关详细信息，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值选自 [0, 1]：
  • 1 表示标记未被遮盖，
  • 0 表示标记被遮盖。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 每个输入序列标记在位置嵌入中的位置索引。选值范围为 [0, config.n_positions - 1]。

  什么是 position ID？

• past_key_values (list[torch.FloatTensor]，可选) — 预计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括模型在解码的先前阶段返回的 past_key_values，此时 use_cache=True 或 config.use_cache=True。

  允许两种格式：

  • Cache 实例，请参阅我们的 kv cache 指南；
  • 长度为 config.n_layers 的 tuple(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。这也被称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果未传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后的 input_ids（那些没有为其提供过去键值状态的标记），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，你可以不传递 input_ids，而是直接传递嵌入表示。如果你想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联向量，这会很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 用于选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接以形成视觉特征。
• vision_feature_select_strategy (str，可选) — 用于从视觉主干网络中选择视觉特征的特征选择策略。可以是 "default" 或 "full"。
• use_cache (bool，可选) — 如果设置为 True，将返回 past_key_values 键值状态，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。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列标记在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
• image_sizes (torch.Tensor，形状为 (batch_size, 2)) — 批次中图像的大小，每个图像为（高度，宽度）。

一个 transformers.models.llava.modeling_llava.LlavaModelOutputWithPast 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或 config.return_dict=False），根据配置（LlavaConfig）和输入，包含各种元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 模型最后一层输出的隐藏状态序列。

• 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(torch.FloatTensor) 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。

  包含预计算的隐藏状态（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，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（如果模型有嵌入层），+ 一个用于每层输出），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。

• image_hidden_states (torch.FloatTensor，可选) — 一个大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。模型由视觉编码器生成并投影最后一个隐藏状态后的 image_hidden_states。

参数

• pixel_values (torch.FloatTensor]，形状为 (batch_size, channels, height, width)) — 对应于输入图像的张量。
• vision_feature_layer (Union[int, list[int]]，可选) — 用于选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接以形成视觉特征。
• vision_feature_select_strategy (str，可选) — 用于从视觉主干网络中选择视觉特征的特征选择策略。可以是 "default" 或 "full"。

形状为 (num_images, image_length, embed_dim) 的图像特征张量。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

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

  什么是 input ID？

• pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 对应于输入图像的张量。可以使用 {image_processor_class} 获取像素值。有关详细信息，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免对填充标记索引执行注意力计算的掩码。掩码值选自 [0, 1]：
  • 1 表示标记未被遮盖，
  • 0 表示标记被遮盖。

  什么是注意力掩码？

• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 每个输入序列标记在位置嵌入中的位置索引。选值范围为 [0, config.n_positions - 1]。

  什么是 position ID？

• past_key_values (list[torch.FloatTensor]，可选) — 预计算的隐藏状态（自注意力和交叉注意力块中的键和值），可用于加速序列解码。这通常包括模型在解码的先前阶段返回的 past_key_values，此时 use_cache=True 或 config.use_cache=True。

  允许两种格式：

  • Cache 实例，请参阅我们的 kv cache 指南；
  • 长度为 config.n_layers 的 tuple(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。这也被称为传统缓存格式。

  模型将输出与输入相同的缓存格式。如果未传递 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择只输入最后的 input_ids（那些没有为其提供过去键值状态的标记），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选地，你可以不传递 input_ids，而是直接传递嵌入表示。如果你想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联向量，这会很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 用于选择视觉特征的层索引。如果提供多个索引，则相应索引的视觉特征将被连接以形成视觉特征。
• vision_feature_select_strategy (str，可选) — 用于从视觉主干网络中选择视觉特征的特征选择策略。可以是 "default" 或 "full"。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 用于计算掩码语言建模损失的标签。索引应在 [0, ..., config.vocab_size] 或 -100 之间（请参阅 input_ids 文档字符串）。索引设置为 -100 的标记将被忽略（被遮盖），损失仅对标签在 [0, ..., config.vocab_size] 之间的标记进行计算。
• use_cache (bool，可选) — 如果设置为 True，将返回 past_key_values 键值状态，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。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 描述输入序列标记在序列中位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
• logits_to_keep (Union[int, torch.Tensor]，默认为 0) — 如果是 int，则为最后的 logits_to_keep 个标记计算 logits。如果是 0，则为所有 input_ids 计算 logits（特殊情况）。生成时只需要最后一个标记的 logits，只为该标记计算可以节省内存，这对于长序列或大词汇量来说非常重要。如果是 torch.Tensor，则必须是一维的，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次和序列长度使用单一维度）时很有用。
• image_sizes (torch.Tensor，形状为 (batch_size, 2)，可选) — 批次中图像的大小，每个图像为（高度，宽度）。

一个 transformers.models.llava.modeling_llava.LlavaCausalLMOutputWithPast 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或 config.return_dict=False），根据配置（LlavaConfig）和输入，包含各种元素。

• 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 (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。

• 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(torch.FloatTensor) 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。

  包含预计算的隐藏状态（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，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（如果模型有嵌入层），+ 一个用于每层输出），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。

• image_hidden_states (torch.FloatTensor，可选) — 一个大小为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。模型由视觉编码器生成并投影最后一个隐藏状态后的 image_hidden_states。