Transformers 文档

LLaVA-NeXT

Hugging Face's logo
加入 Hugging Face 社区

并获得增强版文档体验

开始使用

LLaVA-NeXT

概述

LLaVA-NeXT 模型由刘昊天、李春元、李宇恒、李博、张元涵、沈胜、李永宰在LLaVA-NeXT: Improved reasoning, OCR, and world knowledge中提出。LLaVA-NeXT(也称为 LLaVa-1.6)在LLaVa的基础上,通过提高输入图像分辨率并在改进的视觉指令微调数据集上进行训练,来提升 OCR 和常识推理能力。

博客中的介绍如下:

*2023 年 10 月,我们发布了 LLaVA-1.5,它采用简洁高效的设计,并在 12 个数据集的基准测试套件中表现出色。此后,它成为许多关于大型多模态模型 (LMM) 的数据、模型和能力的综合研究的基础,并促成了各种新应用的出现。*

今天,我们很高兴地介绍 LLaVA-NeXT,它拥有改进的推理、OCR 和世界知识。LLaVA-NeXT 甚至在多个基准测试中超过 Gemini Pro。

与 LLaVA-1.5 相比,LLaVA-NeXT 有以下几个改进:

将输入图像分辨率提高到 4 倍像素。这使其能够捕捉更多视觉细节。它支持三种纵横比,最高分辨率为 672x672、336x1344、1344x336。利用改进的视觉指令微调数据混合,提高了视觉推理和 OCR 能力。更好的视觉对话,涵盖更多场景,包括不同的应用。更强的世界知识和逻辑推理能力。利用 SGLang 实现高效的部署和推理。除了性能提升外,LLaVA-NeXT 还保持了 LLaVA-1.5 的极简设计和数据效率。它重复使用 LLaVA-1.5 的预训练连接器,并且仍然使用不到 100 万个视觉指令微调样本。最大的 34B 变体在 32 个 A100 上完成训练大约需要 1 天。*

drawing LLaVa-NeXT 通过对输入图像的多个块进行编码来实现更高的输入分辨率。摘自原始论文

此模型由nielsr贡献。原始代码可以在这里找到。

使用技巧

  • 我们建议用户在计算批量生成时使用padding_side="left",因为它会产生更准确的结果。只需确保在生成之前调用processor.tokenizer.padding_side = "left"
  • Llava-Next 使用不同数量的图像块,因此除了在处理输入时进行的填充外,还必须在模型代码内部对输入进行填充。默认设置是,如果模型处于eval()模式,则为“左填充”,否则为“右填充”。
  • 请注意,每个检查点都使用特定的提示格式进行训练,具体取决于使用的是哪个大型语言模型 (LLM)。您可以使用处理器的apply_chat_template来正确格式化您的提示。为此,您必须构建一个对话历史记录,传递一个普通字符串将不会格式化您的提示。聊天模板中每个对话历史记录中的消息都是一个字典,包含键“role”和“content”。“content”应该是字典列表,用于“text”和“image”模态。下面是执行此操作的示例以及每个检查点接受的格式列表。

我们将使用llava-v1.6-mistral-7b-hf和文本和图像的对话历史记录。每个 content 字段必须是字典列表,如下所示:

from transformers import LlavaNextProcessor

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What’s shown in this image?"},
        ],
    },
    {
        "role": "assistant",
        "content": [{"type": "text", "text": "This image shows a red stop sign."},]
    },
    {

        "role": "user",
        "content": [
            {"type": "text", "text": "Describe the image in more details."},
        ],
    },
]

text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

# Note that the template simply formats your prompt, you still have to tokenize it and obtain pixel values for your images
print(text_prompt)
>>> "[INST] <image>\nWhat's shown in this image? [/INST] This image shows a red stop sign. [INST] Describe the image in more details. [/INST]"
"[INST] <image>\nWhat is shown in this image? [/INST]"

llava-v1.6-vicuna-7b-hfllava-v1.6-vicuna-13b-hf需要以下格式

"A chat between a curious human and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the human's questions. USER: <image>\nWhat is shown in this image? ASSISTANT:"

llava-v1.6-34b-hf需要以下格式

"<|im_start|>system\nAnswer the questions.<|im_end|><|im_start|>user\n<image>\nWhat is shown in this image?<|im_end|><|im_start|>assistant\n"

llama3-llava-next-8b-hf需要以下格式

"<|start_header_id|>system<|end_header_id|>\n\nYou are a helpful language and vision assistant. You are able to understand the visual content that the user provides, and assist the user with a variety of tasks using natural language.<|eot_id|><|start_header_id|><|start_header_id|>user<|end_header_id|>\n\n<image>\nWhat is shown in this image?<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n"

llava-next-72b-hfllava-next-110b-hf需要以下格式

"<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<image>\nWhat is shown in this image?<|im_end|>\n<|im_start|>assistant\n"

使用示例

单图像推理

以下是加载模型并以半精度 (torch.float16) 执行推理的方法:

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
from PIL import Image
import requests

processor = LlavaNextProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")

model = LlavaNextForConditionalGeneration.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf", torch_dtype=torch.float16, low_cpu_mem_usage=True)
model.to("cuda:0")

# prepare image and text prompt, using the appropriate prompt template
url = "https://github.com/haotian-liu/LLaVA/blob/1a91fc274d7c35a9b50b3cb29c4247ae5837ce39/images/llava_v1_5_radar.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
        ],
    },
]
prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
inputs = processor(image, prompt, return_tensors="pt").to("cuda:0")

# autoregressively complete prompt
output = model.generate(**inputs, max_new_tokens=100)

print(processor.decode(output[0], skip_special_tokens=True))

多图像推理

LLaVa-Next 可以使用多个图像作为输入执行推理,这些图像可以属于同一个提示或不同的提示(在批量推理中)。以下是执行此操作的方法:

import requests
from PIL import Image
import torch
from transformers import AutoProcessor, LlavaNextForConditionalGeneration

# Load the model in half-precision
model = LlavaNextForConditionalGeneration.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf", torch_dtype=torch.float16, device_map="auto")
processor = AutoProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")

# Get three different images
url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image_stop = Image.open(requests.get(url, stream=True).raw)

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

url = "https://huggingface.co/microsoft/kosmos-2-patch14-224/resolve/main/snowman.jpg"
image_snowman = Image.open(requests.get(url, stream=True).raw)

# Prepare a batch of two prompts, where the first one is a multi-turn conversation and the second is not
conversation_1 = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
            ],
    },
    {
        "role": "assistant",
        "content": [
            {"type": "text", "text": "There is a red stop sign in the image."},
            ],
    },
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What about this image? How many cats do you see?"},
            ],
    },
]

conversation_2 = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
            ],
    },
]

prompt_1 = processor.apply_chat_template(conversation_1, add_generation_prompt=True)
prompt_2 = processor.apply_chat_template(conversation_2, add_generation_prompt=True)
prompts = [prompt_1, prompt_2]

# We can simply feed images in the order they have to be used in the text prompt
# Each "<image>" token uses one image leaving the next for the subsequent "<image>" tokens
inputs = processor(images=[image_stop, image_cats, image_snowman], text=prompts, padding=True, return_tensors="pt").to(model.device)

# Generate
generate_ids = model.generate(**inputs, max_new_tokens=30)
processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)

模型优化

使用 Bitsandbytes 进行量化

该模型可以以 8 位或 4 位加载,从而极大地降低内存需求,同时保持原始模型的性能。首先确保安装 bitsandbytes,pip install bitsandbytes,并访问 bitsandbytes 库支持的 GPU/加速器。

bitsandbytes 正在重构以支持除 CUDA 之外的多个后端。目前,ROCm(AMD GPU)和 Intel CPU 实现已经成熟,Intel XPU 正在开发中,预计苹果硅支持将在第四季度/第一季度推出。有关安装说明和最新后端更新,请访问此链接

我们重视您的反馈,以便在正式发布之前帮助识别错误!有关更多详细信息和反馈链接,请查看这些文档

只需将上面的代码段更改为:

from transformers import LlavaNextForConditionalGeneration, BitsAndBytesConfig

# specify how to quantize the model
quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
)

model = LlavaNextForConditionalGeneration.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf", quantization_config=quantization_config, device_map="auto")

使用 Flash-Attention 2 进一步加速生成

首先确保安装了 flash-attn。关于该软件包的安装,请参考 Flash Attention 的原始仓库。只需将上面的代码段更改为

from transformers import LlavaNextForConditionalGeneration

model = LlavaNextForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    low_cpu_mem_usage=True,
    use_flash_attention_2=True
).to(0)

LlavaNextConfig

class transformers.LlavaNextConfig

< >

( vision_config = None text_config = None ignore_index = -100 image_token_index = 32000 projector_hidden_act = 'gelu' vision_feature_select_strategy = 'default' vision_feature_layer = -2 image_grid_pinpoints = None tie_word_embeddings = False image_seq_length = 576 **kwargs )

参数

  • vision_config (Union[AutoConfig, dict], 可选, 默认值 CLIPVisionConfig) — 视觉主干的配置对象或字典。
  • text_config (Union[AutoConfig, dict], 可选, 默认值 LlamaConfig) — 文本主干的配置对象或字典。
  • ignore_index (int, 可选, 默认值 -100) — 损失函数的忽略索引。
  • image_token_index (int, 可选, 默认值 32000) — 用于编码图像提示的图像标记索引。
  • projector_hidden_act (str, 可选, 默认值 "gelu") — 多模态投影仪使用的激活函数。
  • vision_feature_select_strategy (str, 可选, 默认值 "default") — 用于从视觉主干中选择视觉特征的特征选择策略。可以是 "default""full" 之一。如果为 "default",则从视觉特征中删除 CLS 标记。如果为 "full",则使用完整的视觉特征。
  • image_grid_pinpoints (List, 可选, 默认值为 [[336, 672], [672, 336], [672, 672], [1008, 336], [336, 1008]]) — 用于处理高分辨率图像的可能分辨率列表。列表中的每个项目应为 (height, width) 格式的元组或列表。
  • tie_word_embeddings (bool, 可选, 默认值为 False) — 模型的输入和输出词嵌入是否应该绑定。
  • image_seq_length (int, 可选, 默认值为 576) — 单个图像嵌入的序列长度。

这是一个配置类,用于存储 LlavaNextForConditionalGeneration 的配置。它用于根据指定参数实例化 Llava-NeXT 模型,定义模型架构。使用默认值实例化配置将产生与 llava-hf/llava-v1.6-mistral-7b-hf 模型类似的配置。

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 LlavaNextForConditionalGeneration, LlavaNextConfig, CLIPVisionConfig, LlamaConfig

>>> # Initializing a CLIP-vision config
>>> vision_config = CLIPVisionConfig()

>>> # Initializing a Llama config
>>> text_config = LlamaConfig()

>>> # Initializing a Llava-Next llava-hf/llava-v1.6-mistral-7b-hf style configuration
>>> configuration = LlavaNextConfig(vision_config, text_config)

>>> # Initializing a model from the llava-hf/llava-v1.6-mistral-7b-hf style configuration
>>> model = LlavaNextForConditionalGeneration(configuration)

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

LlavaNextImageProcessor

class transformers.LlavaNextImageProcessor

< >

( do_resize: bool = True size: Dict = None image_grid_pinpoints: List = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_pad: Optional = True do_convert_rgb: bool = True **kwargs )

参数

  • do_resize (bool, 可选, 默认值为 True) — 是否将图像的 (height, width) 尺寸调整为指定的 size。可以在 preprocess 方法中被 do_resize 覆盖。
  • size (Dict[str, int] 可选, 默认值为 {"shortest_edge" -- 224}): 调整大小后图像的尺寸。图像的最短边将调整为 size[“shortest_edge”],最长边将调整为保持输入纵横比。可以在 preprocess 方法中被 size 覆盖。
  • image_grid_pinpoints (List 可选, 默认值为 [[672, 336], [336, 672], [672, 672], [336, 1008], [1008, 336]]) — 用于处理高分辨率图像的可能分辨率列表。根据图像的原始大小选择最佳分辨率。可以在 preprocess 方法中被 image_grid_pinpoints 覆盖。
  • resample (PILImageResampling, 可选, 默认值:Resampling.BICUBIC) — 如果调整图像大小,要使用的重采样过滤器。可以在 preprocess 方法中被 resample 覆盖。
  • do_center_crop (bool, 可选, 默认值:True) — 是否将图像居中裁剪到指定的 crop_size。可以在 preprocess 方法中被 do_center_crop 覆盖。
  • crop_size (Dict[str, int] 可选, 默认值:224) — 应用 center_crop 后输出图像的大小。可以在 preprocess 方法中被 crop_size 覆盖。
  • do_rescale (bool, 可选, 默认值:True) — 是否按指定的 rescale_factor 比例缩放图像。可以在 preprocess 方法中被 do_rescale 覆盖。
  • rescale_factor (intfloat, 可选, 默认值:1/255) — 如果调整图像大小,要使用的缩放比例。可以在 preprocess 方法中被 rescale_factor 覆盖。
  • do_normalize (bool, 可选, 默认值:True) — 是否标准化图像。可以在 preprocess 方法中被 do_normalize 覆盖。
  • image_mean (floatList[float], 可选, 默认值:[0.48145466, 0.4578275, 0.40821073]) — 如果标准化图像,要使用的均值。这是一个浮点数或一个长度等于图像通道数的浮点数列表。可以在 preprocess 方法中被 image_mean 参数覆盖。
  • image_std (floatList[float], 可选, 默认值:[0.26862954, 0.26130258, 0.27577711]) — 如果标准化图像,要使用的标准差。这是一个浮点数或一个长度等于图像通道数的浮点数列表。可以在 preprocess 方法中被 image_std 参数覆盖。可以在 preprocess 方法中被 image_std 参数覆盖。
  • do_pad (bool, 可选, 默认值:True) — 是否填充图像。如果为 True,将填充批次中图像的补丁维度到批次中最大补丁数。填充将使用零应用于底部和右侧。
  • do_convert_rgb (bool, 可选, 默认值:True) — 是否将图像转换为 RGB。

构建 LLaVa-NeXT 图像处理器。基于 CLIPImageProcessor,并结合了在 LLaVa 论文 中解释的用于处理高分辨率图像的额外技术。

preprocess

  • images (ImageInput) — 需要预处理的图像。预期单个或批次图像,像素值范围为 0 到 255。如果传递像素值在 0 到 1 之间的图像,请设置 do_rescale=False
  • do_resize (bool, 可选, 默认值为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int], 可选, 默认值为 self.size) — 调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。
  • image_grid_pinpoints (List 可选, 默认值为 self.image_grid_pinpoints) — 用于处理高分辨率图像的可能分辨率列表。根据图像的原始大小选择最佳分辨率。
  • resample (int, 可选, 默认值为 self.resample) — 如果调整图像大小,要使用的重采样过滤器。这可以是枚举 PILImageResampling 中的一个。只有在 do_resize 设置为 True 时才有效。
  • do_center_crop (bool, 可选, 默认值为 self.do_center_crop) — 是否将图像居中裁剪。
  • crop_size (Dict[str, int], 可选, 默认值为 self.crop_size) — 居中裁剪的大小。只有在 do_center_crop 设置为 True 时才有效。
  • do_rescale (bool, 可选, 默认值为 self.do_rescale) — 是否调整图像大小。
  • rescale_factor (float, 可选, 默认值为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于调整图像大小的缩放因子。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
  • image_mean (floatList[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。 仅当 do_normalize 设置为 True 时才生效。
  • image_std (floatList[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。 仅当 do_normalize 设置为 True 时才生效。
  • do_pad (bool, 可选, 默认为 self.do_pad) — 是否对图像进行填充。 如果为 True,则将批次中图像的补丁维度填充到批次中最大的补丁数量。 填充将在底部和右侧使用零进行。
  • do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB。
  • return_tensors (strTensorType, 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'tf':返回一个类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH'pt':返回一个类型为 torch.Tensor 的批次。
    • TensorType.NUMPY'np':返回一个类型为 np.ndarray 的批次。
    • TensorType.JAX'jax':返回一个类型为 jax.numpy.ndarray 的批次。
  • data_format (ChannelDimensionstr, 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"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"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 (ChannelDimensionstr, 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"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

LlavaNextProcessor

class transformers.LlavaNextProcessor

< >

( image_processor = None tokenizer = None patch_size = None vision_feature_select_strategy = None chat_template = None image_token = '<image>' **kwargs )

参数

  • image_processor (LlavaNextImageProcessor, 可选) — 图像处理器是必需的输入。
  • tokenizer (LlamaTokenizerFast, 可选) — 分词器是必需的输入。
  • patch_size (int, 可选) — 来自视觉塔的补丁大小。
  • vision_feature_select_strategy (str, 可选) — 用于从视觉主干中选择视觉特征的特征选择策略。应与模型配置中的相同
  • chat_template (str, 可选) — 用于将聊天中的消息列表转换为可分词字符串的 Jinja 模板。
  • image_token (str, 可选,默认为 "<image>") — 用于表示图像位置的特殊标记。

构造一个 LLaVa-NeXT 处理器,它将 LLaVa-NeXT 图像处理器和 LLaMa 分词器封装到单个处理器中。

LlavaNextProcessor 提供了 LlavaNextImageProcessorLlamaTokenizerFast 的所有功能。查看 __call__()decode() 以获取更多信息。

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发给 LlamaTokenizerFast 的 batch_decode()。有关更多信息,请参考此方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发给 LlamaTokenizerFast 的 decode()。有关更多信息,请参考此方法的文档字符串。

LlavaNextForConditionalGeneration

class transformers.LlavaNextForConditionalGeneration

< >

( config: LlavaNextConfig )

参数

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

LLAVA-NeXT 模型,包含一个视觉骨干和一个语言模型。该模型继承自 PreTrainedModel。查看超类文档以了解库为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)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般使用和行为有关的所有内容。

forward

< >

( input_ids: LongTensor = None pixel_values: FloatTensor = None image_sizes: Optional = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None vision_feature_layer: Optional = None vision_feature_select_strategy: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None num_logits_to_keep: int = 0 ) transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列词元的词汇表索引。如果您提供填充,默认情况下将忽略填充。

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

    什么是输入 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 AutoImageProcessor 获取像素值。有关详细信息,请参阅 LlavaNextImageProcessor.call()LlavaProcessor 使用 LlavaNextImageProcessor 处理图像。
  • image_sizes (torch.LongTensor 形状为 (batch_size, 2), 可选) — 批量中图像的大小,每个图像的 (高度, 宽度)。
  • 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的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示未屏蔽的标记,
    • 0 表示屏蔽的标记。

    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,可以选择仅输入最后一个 decoder_input_ids(参见 past_key_values)。

    如果要更改填充行为,请阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。有关默认策略的更多信息,请参见论文 中的图 1。

    • 1 表示头部未屏蔽
    • 0 表示头部屏蔽
  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length)可选) — 位置嵌入中每个输入序列标记位置的索引。在 [0, config.n_positions - 1] 范围内选择。 什么是位置 ID?
  • past_key_values (tuple(tuple(torch.FloatTensor))可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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,以及 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

    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)加速顺序解码。

    如果使用 past_key_values,用户可以选择仅输入最后一个 decoder_input_ids(这些标记没有提供给此模型的过去键值状态)形状为 (batch_size, 1),而不是所有 decoder_input_ids 形状为 (batch_size, sequence_length)

  • 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。如果您希望比模型的内部嵌入查找矩阵更精确地控制如何将 input_ids 索引转换为关联的向量,这将非常有用。
  • vision_feature_layer (int可选,默认值为 -2) — 用于选择视觉特征的层索引。
  • vision_feature_select_strategy (str可选,默认值为 "default") — 用于从视觉主干中选择视觉特征的特征选择策略。可以是 "default""full" 之一。如果为 "default",则 CLS 标记将从视觉特征中删除。如果为 "full",则将使用完整的视觉特征。
  • 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,请参见返回张量下的 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) — 指示输入序列令牌在序列中的位置的索引。 与 position_ids 相反,此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整的序列长度。

    参数 — 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。 索引应为 [0, ..., config.vocab_size] 或 -100 (参见 input_ids 文档字符串)。 索引设置为 -100 的令牌将被忽略 (掩码),损失仅针对标签在 [0, ..., config.vocab_size] 中的令牌计算。

    num_logits_to_keep (int, 可选): 计算最后 num_logits_to_keep 个令牌的 logits。 如果为 0,则计算所有 input_ids 的 logits (特殊情况)。 生成只需要最后一个令牌的 logits,并且仅针对该令牌计算它们可以节省内存,对于长序列或大型词汇量来说,这将变得非常重要。

返回

transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPasttorch.FloatTensor 的元组 (如果传递了 return_dict=Falseconfig.return_dict=False),包含取决于配置 (LlavaNextConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,), 可选, 在提供 labels 时返回) — 语言建模损失 (用于下一个令牌预测)。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数 (每个词汇令牌在 SoftMax 之前的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 在传递 use_cache=Trueconfig.use_cache=True 时返回) — tuple(torch.FloatTensor) 的元组,长度为 config.n_layers,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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (一个用于嵌入的输出,如果模型具有嵌入层,加一个用于每一层的输出) 形状为 (batch_size, sequence_length, hidden_size)

    模型在每一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=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每一层一个) 形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。

  • image_hidden_states (torch.FloatTensor, 可选) — 大小为 (batch_size * num_patches, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。 由视觉编码器产生的模型的 image_hidden_states,以及在投影最后一个隐藏状态之后。

The LlavaNextForConditionalGeneration 正向方法,覆盖 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该之后调用 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 PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, LlavaNextForConditionalGeneration

>>> model = LlavaNextForConditionalGeneration.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")
>>> processor = AutoProcessor.from_pretrained("llava-hf/llava-v1.6-mistral-7b-hf")

>>> prompt = "[INST] <image>\nWhat is shown in this image? [/INST]"
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> inputs = processor(images=image, text=prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(**inputs, max_length=30)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"[INST]  \nWhat is shown in this image? [/INST] The image appears to be a radar chart, which is a type of multi-dimensional plot (...)"
< > 更新 on GitHub