参数

• images (ImageInput) — 要预处理的图像。 接受单个或一批像素值范围为 0 到 255 的图像。 如果传入像素值在 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。最佳分辨率会根据图像的原始大小进行选择。
• 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。这可以是枚举类型 PILImageResampling 之一。仅当 do_resize 设置为 True 时才有效。
• 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 时才有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否重新缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于重新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。仅当 do_normalize 设置为 True 时才有效。
• 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 时才有效。
• do_pad (bool, 可选, 默认为 self.do_pad) — 是否填充图像。如果为 True，则会将批次中图像的 patch 维度填充到批次中最大的 patch 数量。填充将应用于底部和右侧，使用零值。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• 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。
• 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)。
  • Unset: 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，则通道维度格式将从输入图像中推断。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)。

参数

• images (ImageInput) — 要预处理的图像。 接受单张或批量图像，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_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) — 描述模型的最大输入尺寸。
• resample (PILImageResampling 或 InterpolationMode, 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。可以是枚举类型 PILImageResampling 中的一个值。仅当 do_resize 设置为 True 时才有效。
• 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) — 应用 center_crop 后输出图像的尺寸。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则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。仅当 do_normalize 设置为 True 时才有效。
• 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 时有效。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str 或 TensorType, 可选, 默认为 self.return_tensors) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (ChannelDimension 或 str, 可选, 默认为 self.data_format) — 仅支持 ChannelDimension.FIRST。为了与慢速处理器兼容而添加。
• input_data_format (ChannelDimension 或 str, 可选, 默认为 self.input_data_format) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。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)。
• device (torch.device, 可选, 默认为 self.device) — 用于处理图像的设备。如果未设置，则设备从输入图像推断。 image_grid_pinpoints (List, 可选): 用于处理高分辨率图像的可能分辨率列表。列表中的每个项目都应为 (height, width) 形式的元组或列表。 do_pad (bool, 可选): 是否填充图像。如果为 True，则将批次中图像的 patch 维度填充到批次中最大 patch 数量。填充将使用零应用于底部和右侧。

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。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() 和 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。像素值可以使用 AutoImageProcessor 获得。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*) — 批次中图像的尺寸，每张图像为 (高度, 宽度)。
• attention_mask (torch.Tensor, 形状为 (batch_size, sequence_length), *可选*) — 用于避免在填充 token 索引上执行 attention 的掩码。在 [0, 1] 中选择的掩码值：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。

  什么是 attention 掩码？

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

  如果使用 past_key_values，则可以选择仅输入最后的 decoder_input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，您应该阅读 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，请参阅 论文 中的图 1。

  • 1 表示 head 未被掩盖，
  • 0 表示 head 被掩盖。
• 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.n_positions - 1] 中选择。 什么是位置 ID？
• 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，每个元组有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 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（自注意力模块和交叉注意力模块中的键和值），可以用于（请参阅 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的 decoder_input_ids（那些没有将其过去的键值状态提供给此模型的），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 decoder_input_ids。

• 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更精细地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• vision_feature_layer (Union[int, List[int]], *可选*, 默认为 -2) — 用于选择视觉特征的层索引。如果提供多个索引，则会将相应索引的视觉特征连接起来以形成视觉特征。
• vision_feature_select_strategy (str, *可选*, 默认为 "default") — 用于从视觉 backbone 中选择视觉特征的特征选择策略。可以是 "default" 或 "full" 之一。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，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 attention 层的 attentions 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 token 在序列中位置的索引。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。
• 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（请参阅 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。
• logits_to_keep (int 或 torch.Tensor, *可选*) — 如果是 int，则计算最后 logits_to_keep 个 token 的 logits。 如果是 0，则计算所有 input_ids 的 logits（特殊情况）。 只需要最后一个 token logits 用于生成，并且仅为该 token 计算它们可以节省内存，这对于长序列或大词汇量大小而言变得非常重要。 如果是 torch.Tensor，则必须是与序列长度维度中要保留的索引相对应的 1D 张量。 这在使用打包张量格式（批次和序列长度的单个维度）时很有用。

一个 transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPast 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 (LlavaNextConfig) 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 之前每个词汇表 token 的分数）。

• 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，每个元组有 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（自注意力模块中的键和值），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 的元组（如果模型具有嵌入层，则为嵌入输出一个，+ 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隐藏状态，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 的元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  attention softmax 之后的 Attention 权重，用于计算自注意力 head 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。视觉编码器生成并在投影最后一个隐藏状态之后的模型的 image_hidden_states。