参数

• images (ImageInput) — 要预处理的图像。需要单张或批量图像，像素值范围为 0 到 255。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, 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。图像的最短边将调整为 size[“shortest_edge”]，最长边将调整为保持输入宽高比。
• image_grid_pinpoints (List 可选, 默认为 self.image_grid_pinpoints) — 用于处理高分辨率图像的可能分辨率列表。根据图像的原始尺寸选择最佳分辨率。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样过滤器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时才生效。
• 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。仅当 do_center_crop 设置为 True 时才生效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否对图像进行重新缩放。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则按此重新缩放因子对图像进行重新缩放。
• 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) — 用于归一化的图像平均值。仅当 do_normalize 设置为 True 时才生效。
• 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。仅当 do_normalize 设置为 True 时才生效。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果设置为 True，将把批次中图像的补丁维度填充到批次中最大的补丁数量。填充将应用于底部和右侧，填充值为零。
• 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) — 要返回的张量类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 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。
• 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：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (height, width, num_channels) 格式。
  • 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，则从输入图像推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：图像为 (height, width) 格式。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。需要单张或批量图像，像素值范围为 0 到 255。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) — 模型的最大输入尺寸。
• default_to_square (bool, 可选) — 如果尺寸为整数，调整大小时是否默认使用方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，则使用的重采样过滤器。可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时才生效。
• 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) — 是否重新缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，则按此重新缩放因子对图像进行重新缩放。
• do_normalize (bool, 可选) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像平均值。仅当 do_normalize 设置为 True 时才生效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才生效。
• 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 (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：图像为 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：图像为 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：图像为 (height, width) 格式。
• device (torch.device, 可选) — 处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, 可选) — 是否禁用按尺寸分组图像以单独而非批量处理它们。如果为 None，则如果图像在 CPU 上，将设置为 True，否则设置为 False。此选择基于经验观察，详情见此：https://github.com/huggingface/transformers/pull/38157
• image_grid_pinpoints (list[list[int]], 可选) — 用于处理高分辨率图像的可能分辨率列表。根据图像的原始尺寸选择最佳分辨率。可以通过 preprocess 方法中的 image_grid_pinpoints 覆盖。
• do_pad (bool, 可选) — 是否填充图像。如果设置为 True，将把批次中图像的补丁维度填充到批次中最大的补丁数量。填充将应用于底部和右侧，填充值为零。

• 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 (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列 token 的索引。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，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是 input IDs？

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 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，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• image_sizes (形状为 (batch_size, 2) 的 torch.LongTensor, 可选) — 批处理中图像的大小，每个图像为 (height, width)。
• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 避免对填充 token 索引执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

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

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括模型在解码上一阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • Cache 实例，请参见我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，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。如果没有传入 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后 input_ids（那些没有将其过去的键值状态提供给此模型的 token），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 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 input_ids 索引如何转换为相关向量有更多的控制权，而不是模型的内部嵌入查找矩阵，这将很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 选择视觉特征的层索引。如果提供了多个索引，则相应索引的视觉特征将连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选, 默认为 "default") — 用于从视觉骨干选择视觉特征的特征选择策略。可以是 "default" 或 "full"。如果为 "default"，则从视觉特征中移除 CLS token。如果为 "full"，则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 (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 表示输入序列 token 在序列中的位置的索引。与 position_ids 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。

一个 transformers.models.llava_next.modeling_llava_next.LlavaNextModelOutputWithPast 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含各种元素，具体取决于配置 (LlavaNextConfig) 和输入。

• 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 use_cache=True 传入或当 config.use_cache=True 时返回) — 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)

  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 output_hidden_states=True 传入或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则一个用于嵌入输出，加上一个用于每个层的输出）。

  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 output_attentions=True 传入或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。

  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) — 形状为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并经过最后隐藏状态投影后的模型图像隐藏状态。

参数

• pixel_values (形状为 (batch_size, num_patches, channels, height, width) 的 torch.FloatTensor]) — 对应于输入图像的张量。
• image_sizes (形状为 (num_images, 2) 的 torch.Tensor) — 每张图像的实际图像大小 (H, W)。
• vision_feature_layer (Union[int, list[int]], 可选) — 选择视觉特征的层索引。如果提供了多个索引，则相应索引的视觉特征将连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选) — 用于从视觉骨干选择视觉特征的特征选择策略。可以是 "default" 或 "full"

图像特征张量列表，每个张量包含所有补丁的所有视觉特征，形状为 (num_patches, image_length, embed_dim)。

参数

• image_features (长度为 num_images 的 list[torch.Tensor]，每个形状为 (num_patches, image_length, embed_dim)) — 图像特征张量列表，每个张量包含所有补丁的所有视觉特征。
• image_sizes (形状为 (num_images, 2) 的 torch.Tensor) — 每张图像的实际图像大小 (H, W)。
• vision_feature_select_strategy (str) — 用于从视觉骨干选择视觉特征的特征选择策略。
• image_newline (形状为 (embed_dim) 的 torch.Tensor) — 换行嵌入向量。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列 token 的索引。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，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是 input IDs？

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 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，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• image_sizes (形状为 (batch_size, 2) 的 torch.LongTensor, 可选) — 批处理中图像的大小，每个图像为 (height, width)。
• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 避免对填充 token 索引执行注意力操作的掩码。掩码值选择在 [0, 1] 之间：
  • 1 表示**未被掩码**的 token，
  • 0 表示**被掩码**的 token。

  什么是注意力掩码？

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

  什么是位置 ID？

• past_key_values (list[torch.FloatTensor], 可选) — 预计算的隐藏状态（自注意力块和交叉注意力块中的键和值），可用于加速顺序解码。这通常包括模型在解码上一阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

  允许两种格式：

  • Cache 实例，请参见我们的 kv 缓存指南；
  • 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor))，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。如果没有传入 past_key_values，则将返回传统缓存格式。

  如果使用 past_key_values，用户可以选择仅输入形状为 (batch_size, 1) 的最后 input_ids（那些没有将其过去的键值状态提供给此模型的 token），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。

• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 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 input_ids 索引如何转换为相关向量有更多的控制权，而不是模型的内部嵌入查找矩阵，这将很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 选择视觉特征的层索引。如果提供了多个索引，则相应索引的视觉特征将连接起来形成视觉特征。
• vision_feature_select_strategy (str, 可选, 默认为 "default") — 用于从视觉骨干选择视觉特征的特征选择策略。可以是 "default" 或 "full"。如果为 "default"，则从视觉特征中移除 CLS token。如果为 "full"，则使用完整的视觉特征。
• labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 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 token 将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的 token 计算。
• 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。更多详细信息请参阅返回张量中的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详细信息请参阅返回张量中的 hidden_states。
• cache_position (torch.LongTensor，形状为 (sequence_length)，可选) — 表示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，则计算最后 logits_to_keep 个标记的 logits。如果是 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个标记的 logits，仅计算该标记的 logits 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 1D，对应于在序列长度维度中要保留的索引。这在使用 packed tensor 格式（批次和序列长度的单维度）时非常有用。

一个 transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），根据配置（LlavaNextConfig）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 use_cache=True 传入或当 config.use_cache=True 时返回) — 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)

  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 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型有嵌入层，则一个用于嵌入层的输出，+ 一个用于每一层的输出），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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个），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) — 一个形状为 (batch_size * num_patches, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由视觉编码器生成并投影最后一个隐藏状态后的模型图像隐藏状态。