PaliGemma

PaliGemma 是一系列视觉-语言模型 (VLM)，结合了 SigLIP 和 Gemma 2B 模型。PaliGemma 提供 3B、10B 和 28B 参数版本。PaliGemma 的主要目的是提供一个可适应的基础 VLM，易于迁移到其他任务。SigLIP 视觉编码器是一个“形状优化”的对比预训练 ViT，它将图像转换为一系列 token，并可选择添加到可选的提示之前。Gemma 2B 模型用作解码器。PaliGemma 对所有图像和文本 token 使用全注意力机制，以最大化其容量。

PaliGemma 2 在第一个模型的基础上进行了改进，使用 Gemma 2（2B、9B 和 27B 参数变体）作为解码器。这些模型提供 pt 或 mix 变体。pt 检查点用于进一步微调，而 mix 检查点可直接使用。

您可以在 PaliGemma、PaliGemma 2 和 PaliGemma 2 Mix 系列中找到所有原始 PaliGemma 检查点。

点击右侧边栏中的 PaliGemma 模型，查看更多将 PaliGemma 应用于不同视觉和语言任务的示例。

下面的示例演示了如何使用 Pipeline 或 AutoModel 类根据图像生成文本。

流水线

自动模型

量化通过以较低精度表示权重来减少大型模型的内存负担。有关更多可用量化后端，请参阅量化概述。

以下示例使用torchao仅将权重量化为int4。

# pip install torchao
import torch
import requests
from PIL import Image
from transformers import TorchAoConfig, AutoProcessor, PaliGemmaForConditionalGeneration

quantization_config = TorchAoConfig("int4_weight_only", group_size=128)
model = PaliGemmaForConditionalGeneration.from_pretrained(
    "google/paligemma2-28b-mix-224",
    torch_dtype=torch.bfloat16,
    device_map="auto",
    quantization_config=quantization_config
)
processor = AutoProcessor.from_pretrained(
    "google/paligemma2-28b-mix-224",
)

prompt = "What is in this image?"
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(image, prompt, return_tensors="pt").to("cuda")

output = model.generate(**inputs, max_new_tokens=50, cache_implementation="static")
print(processor.decode(output[0], skip_special_tokens=True))

使用 AttentionMaskVisualizer 可以更好地理解模型能够或不能关注哪些 token。

from transformers.utils.attention_visualizer import AttentionMaskVisualizer

visualizer = AttentionMaskVisualizer("google/paligemma2-3b-mix-224")
visualizer("<img> What is in this image?")

注意事项

PaliGemma 不是一个对话模型，最适合用于微调特定下游任务，例如图像字幕、视觉问答 (VQA)、目标检测和文档理解。
PaliGemmaProcessor 可以为模型准备图像、文本和可选标签。在微调期间，将 suffix 参数传递给处理器，为模型创建标签。
```
prompt = "What is in this image?"
answer = "a pallas cat"
inputs = processor(images=image, text=prompt, suffix=answer, return_tensors="pt")
```

如果 PaliGemma 经过微调以接受多张图像，则可以支持多张输入图像。例如，NLVR2 检查点支持多张图像。将图像作为列表传递给处理器。

import torch
import requests
from PIL import Image
from transformers import TorchAoConfig, AutoProcessor, PaliGemmaForConditionalGeneration

model = PaliGemmaForConditionalGeneration.from_pretrained("google/paligemma-3b-ft-nlvr2-448")
processor = AutoProcessor.from_pretrained("google/paligemma-3b-ft-nlvr2-448")

prompt = "Are these two images the same?"
cat_image = Image.open(
    requests.get("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg", stream=True).raw
)
cow_image = Image.open(
    requests.get(
        "https://media.istockphoto.com/id/1192867753/photo/cow-in-berchida-beach-siniscola.jpg?s=612x612&w=0&k=20&c=v0hjjniwsMNfJSuKWZuIn8pssmD5h5bSN1peBd1CmH4=", stream=True
    ).raw
)

inputs = processor(images=[[cat_image, cow_image]], text=prompt, return_tensors="pt")

output = model.generate(**inputs, max_new_tokens=20, cache_implementation="static")
print(processor.decode(output[0], skip_special_tokens=True))

PaliGemmaConfig

class transformers.PaliGemmaConfig

< 来源 >

( vision_config = None text_config = None image_token_index = 256000 vocab_size = 257152 projection_dim = 2048 hidden_size = 2048 **kwargs )

参数

vision_config (PaliGemmaVisionConfig, 可选) — 自定义视觉配置或字典
text_config (Union[AutoConfig, dict], 可选) — 文本骨干的配置对象。可以是 LlamaConfig 或 MistralConfig 中的任何一个。
image_token_index (int, 可选, 默认为 256000) — 用于编码图像提示的图像 token 索引。
vocab_size (int, 可选, 默认为 257152) — PaliGemma 模型词汇表大小。定义了调用 ~PaliGemmaForConditionalGeneration 时可由 inputs_ids 表示的不同 token 数量。
projection_dim (int, 可选, 默认为 2048) — 多模态投影空间的维度。
hidden_size (int, 可选, 默认为 2048) — 语言模型隐藏层的维度。

这是用于存储 PaliGemmaForConditionalGeneration 配置的配置类。它用于根据指定参数实例化 PaliGemma 模型，定义模型架构。使用默认值实例化配置将产生与 PaliGemma-2B 相似的配置。

例如 paligemma-hf/paligemma-2b

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PretrainedConfig 的文档。

示例

>>> from transformers import PaliGemmaForConditionalGeneration, PaliGemmaConfig, SiglipVisionConfig, GemmaConfig

>>> # Initializing a Siglip-like vision config
>>> vision_config = SiglipVisionConfig()

>>> # Initializing a PaliGemma config
>>> text_config = GemmaConfig()

>>> # Initializing a PaliGemma paligemma-3b-224 style configuration
>>> configuration = PaliGemmaConfig(vision_config, text_config)

>>> # Initializing a model from the paligemma-3b-224 style configuration
>>> model = PaliGemmaForConditionalGeneration(configuration)

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

PaliGemmaProcessor

class transformers.PaliGemmaProcessor

< 来源 >

( image_processor = None tokenizer = None chat_template = None **kwargs )

参数

image_processor (SiglipImageProcessor, 可选) — 图像处理器是必需输入。
tokenizer (GemmaTokenizerFast, 可选) — 分词器是必需输入。
chat_template (str, 可选) — 一个 Jinja 模板，用于将聊天中的消息列表转换为可 token 化的字符串。

构建一个 PaliGemma 处理器，它将 PaliGemma 图像处理器和 PaliGemma 分词器封装成一个单一的处理器。

PaliGemmaProcessor 提供了 SiglipImageProcessor 和 GemmaTokenizerFast 的所有功能。有关更多信息，请参阅 __call__() 和 decode()。

批量解码

< 来源 >

( *args **kwargs )

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

解码

< 来源 >

( *args **kwargs )

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

PaliGemmaModel

class transformers.PaliGemmaModel

< 来源 >

( config: PaliGemmaConfig )

参数

config (PaliGemmaConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化并不会加载与模型相关的权重，只加载配置。请查阅 from_pretrained() 方法以加载模型权重。

基础 PaliGemma 模型，包含视觉骨干和不带语言建模头部的语言模型。

该模型继承自 PreTrainedModel。请查阅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、调整输入嵌入大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档以了解所有与一般使用和行为相关的事宜。

正向传播

< 来源 >

( input_ids: LongTensor = None pixel_values: FloatTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[list[torch.FloatTensor], transformers.cache_utils.Cache, NoneType] = None token_type_ids: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.models.paligemma.modeling_paligemma.PaligemmaModelOutputWithPast 或 tuple(torch.FloatTensor)

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。默认情况下会忽略填充。

索引可以使用 AutoTokenizer 获取。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 ID？
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。像素值可以使用 {image_processor_class} 获取。详情请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 进行图像处理）。
attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 遮罩，用于避免在填充 token 索引上执行注意力。遮罩值在 [0, 1] 中选择：
- 1 表示 未被遮罩 的 token，
- 0 表示 被遮罩 的 token。
什么是注意力遮罩？
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。在 [0, config.n_positions - 1] 范围内选择。

什么是位置 ID？
past_key_values (Union[list[torch.FloatTensor], ~cache_utils.Cache, NoneType]) — 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，请参阅我们的 kv 缓存指南；
- 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。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形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的输入），而不是形状为 (batch_size, sequence_length) 的所有 input_ids。
token_type_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 段落 token 索引，用于指示输入的第一个和第二个部分。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？
cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 描述输入序列 token 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。
inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 可选地，您可以直接传递嵌入表示，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具有比模型内部嵌入查找矩阵更多的控制，则此功能很有用。
labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 用于计算遮罩语言建模损失的标签。索引应在 [0, ..., config.text_config.vocab_size] 或 -100 之间（请参阅 input_ids 文档字符串）。索引设置为 -100 的 token 将被忽略（遮罩），损失仅针对标签在 [0, ..., config.text_config.vocab_size] 中的 token 计算。
use_cache (bool, 可选) — 如果设置为 True，将返回 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) — 是否返回所有注意力层的注意力张量。有关更多详情，请参阅返回张量下的 attentions。
output_hidden_states (bool, optional) — 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。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是纯元组。

transformers.models.paligemma.modeling_paligemma.PaligemmaModelOutputWithPast 或 tuple(torch.FloatTensor)

一个 transformers.models.paligemma.modeling_paligemma.PaligemmaModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (PaliGemmaConfig) 和输入而定的各种元素。

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, 当传入 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, 当传入 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，如果模型有嵌入层，+ 每个层的输出一个）的形状为 (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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个）的形状为 (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) — 形状为 (batch_size, 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的 image_hidden_states。

PaliGemmaModel forward 方法覆盖了 __call__ 特殊方法。

虽然前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, PaliGemmaForConditionalGeneration

>>> model = PaliGemmaForConditionalGeneration.from_pretrained("google/paligemma2-3b-mix-224")
>>> processor = AutoProcessor.from_pretrained("google/paligemma2-3b-mix-224")

>>> prompt = "Where is the cat standing?"
>>> url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
>>> image = Image.open(requests.get(url, stream=True).raw)

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

>>> # Generate
>>> generate_ids = model.generate(**inputs,)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Where is the cat standing?\nsnow"

get_image_features

< source >

( pixel_values: FloatTensor ) → image_features (torch.Tensor)

参数

pixel_values (形状为 (batch_size, channels, height, width) 的 torch.FloatTensor]) — 对应输入图像的张量。

image_features (torch.Tensor)

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

从视觉塔获取图像最后隐藏状态并应用多模态投影。

PaliGemmaForConditionalGeneration

class transformers.PaliGemmaForConditionalGeneration

< source >

( config: PaliGemmaConfig )

参数

config (PaliGemmaConfig) — 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，只加载配置。请查看 from_pretrained() 方法以加载模型权重。

基础 PaliGemma 模型，由视觉骨干网络和无语言建模头的语言模型组成。

该模型继承自 PreTrainedModel。请查阅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、调整输入嵌入大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档以了解所有与一般使用和行为相关的事宜。

正向传播

< source >

( input_ids: LongTensor = None pixel_values: FloatTensor = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Union[list[torch.FloatTensor], transformers.cache_utils.Cache, NoneType] = None token_type_ids: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.paligemma.modeling_paligemma.KwargsForCausalLM] ) → transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPast 或 tuple(torch.FloatTensor)

参数

input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 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()。

什么是输入 ID？
pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 对应输入图像的张量。像素值可以使用 {image_processor_class} 获取。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 (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 遮罩，用于避免在填充标记索引上执行注意力。遮罩值在 [0, 1] 中选择：
- 1 表示**未被遮罩**的标记，
- 0 表示**被遮罩**的标记。
什么是注意力遮罩？
position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列标记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 (Union[list[torch.FloatTensor], ~cache_utils.Cache, NoneType]) — 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：
- 一个 Cache 实例，请参阅我们的 kv 缓存指南；
- 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）。这也被称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入 past_key_values，将返回旧版缓存格式。

如果使用 past_key_values，用户可以选择只输入最后 input_ids（那些没有将其过去的键值状态提供给此模型的）的形状为 (batch_size, 1)，而不是所有 input_ids 的形状为 (batch_size, sequence_length)。
token_type_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 分段标记索引，用于指示输入的第一个和第二个部分。索引在 [0, 1] 中选择：
- 0 对应于 *句子 A* 标记，
- 1 对应于 *句子 B* 标记。
什么是标记类型 ID？
cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 描绘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。
inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — （可选）您可以选择直接传入嵌入表示，而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为关联向量拥有比模型内部嵌入查找矩阵更多的控制权，这将非常有用。
labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 用于计算遮罩语言建模损失的标签。索引应为 [0, ..., config.text_config.vocab_size] 或 -100（参阅 input_ids 文档字符串）。索引设置为 -100 的标记将被忽略（遮罩），损失仅针对标签在 [0, ..., config.text_config.vocab_size] 中的标记计算。
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（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。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。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。
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，只计算该标记可以节省内存，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维度）时非常有用。

transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPast 或 tuple(torch.FloatTensor)

一个 transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (PaliGemmaConfig) 和输入而定的各种元素。

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.text_config.vocab_size) 的 torch.FloatTensor) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。
past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传入 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, 当传入 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，如果模型有嵌入层，+ 每个层的输出一个）的形状为 (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, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个）的形状为 (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) — 形状为 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。视觉编码器在投影最后一个隐藏状态后生成的模型的 image_hidden_states。

PaliGemmaForConditionalGeneration forward 方法覆盖了 __call__ 特殊方法。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, PaliGemmaForConditionalGeneration

>>> model = PaliGemmaForConditionalGeneration.from_pretrained("google/paligemma2-3b-mix-224")
>>> processor = AutoProcessor.from_pretrained("google/paligemma2-3b-mix-224")

>>> prompt = "Where is the cat standing?"
>>> url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
>>> image = Image.open(requests.get(url, stream=True).raw)

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

>>> # Generate
>>> generate_ids = model.generate(**inputs,)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Where is the cat standing?\nsnow"

< > 在 GitHub 上更新

Transformers

PaliGemma

注意事项

PaliGemmaConfig

class transformers.PaliGemmaConfig

PaliGemmaProcessor

class transformers.PaliGemmaProcessor

批量解码

解码

PaliGemmaModel

class transformers.PaliGemmaModel

正向传播

get_image_features

PaliGemmaForConditionalGeneration

class transformers.PaliGemmaForConditionalGeneration

正向传播