Transformers 文档

PaliGemma

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

PaliGemma

概述

PaliGemma 模型由 Google 在 PaliGemma – Google’s Cutting-Edge Open Vision Language Model 中提出。它是一个 30 亿参数的视觉语言模型,由 SigLIP 视觉编码器和 Gemma 语言解码器组成,并通过多模态线性投影连接。它将图像切割成固定数量的 VIT token,并将这些 token 附加到可选的提示中。模型的一个特点是它对所有图像 token 和输入文本 token 使用全块注意力。它有 3 种分辨率,分别为 224x224、448x448 和 896x896,3 种基础模型,55 个针对不同任务的微调版本,以及 2 个混合模型。

drawing PaliGemma 架构。取自 博客文章

该模型由 Molbap 贡献。

使用技巧

使用 PaliGemma 进行推理可以按照以下步骤操作

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration

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

prompt = "What is on the flower?"
image_file = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg?download=true"
raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(raw_image, prompt, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=20)

print(processor.decode(output[0], skip_special_tokens=True)[len(prompt):])
  • PaliGemma 不适用于对话式使用,并且在微调到特定用例时效果最佳。PaliGemma 可以微调的一些下游任务包括图像字幕、视觉问答(VQA)、目标检测、指代表达式分割和文档理解。
  • 可以使用 PaliGemmaProcessor 为模型准备图像、文本和可选标签。在微调 PaliGemma 模型时,可以将 suffix 参数传递给处理器,该处理器会为模型创建 labels
prompt = "What is on the flower?"
answer = "a bee"
inputs = processor(images=raw_image, text=prompt, suffix=answer, return_tensors="pt")

资源

以下是一些官方 Hugging Face 和社区(🌎 表示)资源,可帮助您开始使用 PaliGemma。如果您想提交资源以供在此处包含,请随时打开拉取请求,我们将进行审查!资源最好能展示一些新东西,而不是重复现有资源。

  • 一篇介绍 PaliGemma 所有功能的博客文章可以在这里找到 here.
  • 使用 Trainer API 对 PaliGemma 进行 VQA 微调以及推理的演示笔记本可以在这里找到 here.
  • 使用自定义数据集(收据图像 -> JSON)对 PaliGemma 进行微调以及推理的演示笔记本可以在这里找到 here. 🌎

PaliGemmaConfig

class transformers.PaliGemmaConfig

< >

( vision_config = None text_config = None ignore_index = -100 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) — 文本主干的配置对象。可以是 LlamaConfigMistralConfig 中的任何一个。
  • ignore_index (int, 可选, 默认值为 -100) — 损失函数的忽略索引。
  • image_token_index (int, 可选, 默认值为 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 模型的词汇量大小。定义了在调用 ~PaliGemmaForConditionalGeneration 时可以由 inputs_ids 表示的不同标记数量。
  • 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。它用于根据指定的参数实例化 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 类似的配置。

例如 paligemma-hf/paligemma-2b

配置对象继承自 PretrainedConfig 并且可以用来控制模型输出。阅读 PretrainedConfig 的文档以了解更多信息。

例子

>>> 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

< >

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

参数

  • image_processor (SiglipImageProcessor, 可选) — 图片处理器是必需的输入。
  • tokenizer (LlamaTokenizerFast, 可选) — 分词器是必需的输入。
  • chat_template (str, 可选) — 将聊天中的消息列表转换为可分词字符串的 Jinja 模板。

构建 PaliGemma 处理器,它将 PaliGemma 图片处理器和 PaliGemma 分词器包装成一个单一的处理器。

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

batch_decode

< >

( *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。

decode

< >

( *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。

PaliGemmaForConditionalGeneration

class transformers.PaliGemmaForConditionalGeneration

< >

( config: PaliGemmaConfig )

参数

  • config (PaliGemmaConfig or PaliGemmaVisionConfig) — 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。

PALIGEMMA 模型,包含视觉骨干网络和语言模型。此模型继承自 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、调整输入嵌入的大小、修剪头等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有事项。

forward

< >

( input_ids: LongTensor = None pixel_values: FloatTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Union = None token_type_ids: Optional = None cache_position: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None num_logits_to_keep: int = 0 ) transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPast or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • pixel_values (torch.FloatTensor of shape (batch_size, num_channels, image_size, image_size)) -- 与输入图像对应的张量。可以使用 [AutoImageProcessor](/docs/transformers/v4.45.2/en/model_doc/auto#transformers.AutoImageProcessor) 获取像素值。有关详细信息,请参阅 [SiglipImageProcessor.__call__()](/docs/transformers/v4.45.2/en/model_doc/videomae#transformers.VideoMAEFeatureExtractor.__call__) ([]`PaliGemmaProcessor`] 使用 SiglipImageProcessor 处理图像)。
  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length)可选) — 用于避免对填充令牌索引进行注意力的掩码。 掩码值选择在 [0, 1] 中:

    • 1 表示 未被掩码 的令牌,
    • 0 表示 被掩码 的令牌。

    什么是注意力掩码?

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

    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。 请参阅 论文 中的图 1,了解有关默认策略的更多信息。

    • 1 表示头部 未被掩码
    • 0 表示头部 被掩码
  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length)可选) — 输入序列令牌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 (tuple(tuple(torch.FloatTensor))可选,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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,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),可以用来(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(那些没有向此模型提供其过去键值状态的令牌)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对如何将 input_ids 索引转换为关联向量有更多控制,这将很有用。
  • 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,请参见返回张量中的 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,请参见返回张量中的 hidden_states
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是简单元组。
  • cache_position (torch.LongTensor 形状为 (sequence_length)可选) — 表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.text_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.text_config.vocab_size] 中的令牌计算。

    num_logits_to_keep (int可选):为最后 num_logits_to_keep 个令牌计算 logits。 如果为 0,则为所有 input_ids 计算 logits(特殊情况)。 仅生成需要最后一个令牌 logits,并且仅为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,这会变得非常显著。

返回

transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.paligemma.modeling_paligemma.PaliGemmaCausalLMOutputWithPasttorch.FloatTensor 的元组(如果传递 return_dict=Falseconfig.return_dict=False),包含根据配置 (PaliGemmaConfig) 和输入的不同元素。

  • 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 token 预测)。

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

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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。

    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,当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出)形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出处的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.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) — 大小为 (batch_size, num_images, sequence_length, hidden_size)torch.FloatTensor。由视觉编码器在投影最后一个隐藏状态后产生的模型的 image_hidden_states

PaliGemmaForConditionalGeneration 前向方法覆盖了 __call__ 特殊方法。

虽然前向传递的配方需要在此函数中定义,但应该在之后调用 Module 实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则会静默地忽略它们。

例子

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

>>> model = PaliGemmaForConditionalGeneration.from_pretrained("google/PaliGemma-test-224px-hf")
>>> processor = AutoProcessor.from_pretrained("google/PaliGemma-test-224px-hf")

>>> prompt = "answer en Where is the cow standing?"
>>> url = "https://huggingface.co/gv-hf/PaliGemma-test-224px-hf/resolve/main/cow_beach_1.png"
>>> 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]
"answer en Where is the cow standing?\nbeach"
< > 在 GitHub 上更新