Transformers 文档
Perceiver
并获得增强的文档体验
开始使用
Perceiver
概述
Perceiver IO 模型在 Perceiver IO: A General Architecture for Structured Inputs & Outputs 中提出，作者为 Andrew Jaegle, Sebastian Borgeaud, Jean-Baptiste Alayrac, Carl Doersch, Catalin Ionescu, David Ding, Skanda Koppula, Daniel Zoran, Andrew Brock, Evan Shelhamer, Olivier Hénaff, Matthew M. Botvinick, Andrew Zisserman, Oriol Vinyals, João Carreira。
Perceiver IO 是 Perceiver 的泛化，除了任意输入外，还可以处理任意输出。最初的 Perceiver 仅生成单个分类标签。除了分类标签外，Perceiver IO 还可以生成（例如）语言、光流和带有音频的多模态视频。这是使用与原始 Perceiver 相同的构建块完成的。Perceiver IO 的计算复杂度与输入和输出大小呈线性关系，并且大部分处理发生在潜在空间中，这使我们能够处理比标准 Transformer 可以处理的更大的输入和输出。这意味着，例如，Perceiver IO 可以直接使用字节而不是分词化的输入来完成 BERT 风格的掩码语言建模。
该论文的摘要如下
最近提出的 Perceiver 模型在多个领域（图像、音频、多模态、点云）取得了良好的结果，同时计算和内存与输入大小呈线性比例关系。虽然 Perceiver 支持多种输入类型，但它只能产生非常简单的输出，例如类别分数。Perceiver IO 通过学习灵活地查询模型的潜在空间以产生任意大小和语义的输出，克服了这一限制，同时又不牺牲原始模型的吸引力特性。Perceiver IO 仍然将模型深度与数据大小解耦，并且仍然与数据大小呈线性比例关系，但现在是关于输入和输出大小。完整的 Perceiver IO 模型在具有高度结构化输出空间的任务中取得了出色的结果，例如自然语言和视觉理解、星际争霸 II 以及多任务和多模态领域。作为亮点，Perceiver IO 在 GLUE 语言基准测试中与基于 Transformer 的 BERT 基线相匹配，而无需输入分词，并在 Sintel 光流估计方面实现了最先进的性能。
以下是解释 Perceiver 工作原理的 TLDR
Transformer 的自注意力机制的主要问题是，时间和内存需求与序列长度呈二次方关系。因此，像 BERT 和 RoBERTa 这样的模型被限制为最大序列长度 512 个 tokens。Perceiver 旨在通过不对输入执行自注意力，而是对一组潜在变量执行自注意力，并且仅将输入用于交叉注意力来解决此问题。这样，时间和内存需求不再取决于输入的长度，因为人们使用固定数量的潜在变量，例如 256 或 512。这些变量是随机初始化的，之后使用反向传播进行端到端训练。
在内部，PerceiverModel 将创建潜在变量，这是一个形状为 (batch_size, num_latents, d_latents) 的张量。必须向模型提供 inputs（可以是文本、图像、音频，任何你想得到的！），模型将使用它与潜在变量执行交叉注意力。Perceiver 编码器的输出是相同形状的张量。然后，与 BERT 类似，可以通过沿序列维度平均潜在变量的最后隐藏状态，并在其之上放置一个线性层，将 d_latents 投影到 num_labels，从而将潜在变量的最后隐藏状态转换为分类 logits。
这是最初的 Perceiver 论文的想法。但是，它只能输出分类 logits。在后续工作 PerceiverIO 中，他们对其进行了概括，使模型还可以生成任意大小的输出。您可能会问，如何实现？这个想法实际上相对简单：定义任意大小的输出，然后使用潜在变量的最后隐藏状态应用交叉注意力，使用输出作为查询，潜在变量作为键和值。
因此，假设有人想使用 Perceiver 执行掩码语言建模（BERT 风格）。由于 Perceiver 的输入长度不会影响自注意力层的计算时间，因此可以提供原始字节，为模型提供长度为 2048 的 inputs。如果现在掩盖掉这些 2048 个 tokens 中的某些 tokens，则可以将 outputs 定义为形状：(batch_size, 2048, 768)。接下来，使用潜在变量的最终隐藏状态执行交叉注意力以更新 outputs 张量。在交叉注意力之后，仍然有一个形状为 (batch_size, 2048, 768) 的张量。然后可以在其之上放置一个常规的语言建模头，以将最后一个维度投影到模型的词汇表大小，即创建形状为 (batch_size, 2048, 262) 的 logits（因为 Perceiver 使用 262 字节 ID 的词汇表大小）。
Perceiver IO 架构。摘自 原始论文 由于 PyTorch 中的一个 bug，Perceiver 不适用于 torch.nn.DataParallel，请参阅 issue #36035
资源
- 开始使用 Perceiver 的最快方法是查看教程 notebooks。
- 如果您想完全理解模型的工作原理以及如何在库中实现，请参阅博客文章。请注意，库中提供的模型仅展示了您可以使用 Perceiver 完成的一些示例。还有更多的用例，包括问答、命名实体识别、对象检测、音频分类、视频分类等。
- 文本分类任务指南
- 掩码语言建模任务指南
- 图像分类任务指南
Perceiver 特定输出
class transformers.models.perceiver.modeling_perceiver.PerceiverModelOutput
< source >( logits: FloatTensor = None last_hidden_state: FloatTensor = None hidden_states: typing.Optional[typing.Tuple[torch.FloatTensor]] = None attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None cross_attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None )
参数
- logits (
torch.FloatTensor，形状为(batch_size, num_labels)) — 分类（如果 config.num_labels==1，则为回归）分数（在 SoftMax 之前）。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层的输出处的隐藏状态序列。 - hidden_states (
tuple(torch.FloatTensor)，可选，当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor的元组（每个嵌入输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态加上初始嵌入输出。 - attentions (
tuple(torch.FloatTensor)，可选，当传递output_attentions=True或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)。自注意力头中用于计算加权平均值的注意力权重，在注意力 softmax 之后。 - cross_attentions (
tuple(torch.FloatTensor)，可选，当传递output_attentions=True或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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。
Perceiver 基础模型输出的基类，具有潜在的隐藏状态、注意力力和交叉注意力力。
class transformers.models.perceiver.modeling_perceiver.PerceiverDecoderOutput
< source >( logits: FloatTensor = None cross_attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None )
参数
- logits (形状为
(batch_size, num_labels)的torch.FloatTensor) — 基本解码器的输出。 - cross_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。
Perceiver 解码器输出的基类，具有潜在的交叉注意力。
class transformers.models.perceiver.modeling_perceiver.PerceiverMaskedLMOutput
< source >( loss: typing.Optional[torch.FloatTensor] = None logits: FloatTensor = None hidden_states: typing.Optional[typing.Tuple[torch.FloatTensor]] = None attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None cross_attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None )
参数
- loss (形状为
(1,)的torch.FloatTensor, 可选, 当提供labels时返回) — 掩码语言建模 (MLM) 损失。 - logits (形状为
(batch_size, sequence_length, 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）。 - hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor的元组（embeddings 的输出一个 + 每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或config.output_attentions=True时返回) —torch.FloatTensor的元组（每层一个），形状为(batch_size, num_heads, num_latents, num_latents)。自注意力头中用于计算加权平均值的注意力 softmax 之后的注意力权重。 - cross_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。
Perceiver 的掩码语言模型输出的基类。
class transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput
< source >( loss: typing.Optional[torch.FloatTensor] = None logits: FloatTensor = None hidden_states: typing.Optional[typing.Tuple[torch.FloatTensor]] = None attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None cross_attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None )
参数
- loss (形状为
(1,)的torch.FloatTensor, 可选, 当提供labels时返回) — 分类（或回归，如果 config.num_labels==1）损失。 - logits (形状为
(batch_size, config.num_labels)的torch.FloatTensor) — 分类（或回归，如果 config.num_labels==1）分数（SoftMax 之前）。 - hidden_states (
tuple(torch.FloatTensor), 可选, 当传递output_hidden_states=True或config.output_hidden_states=True时返回) —torch.FloatTensor的元组（embeddings 的输出一个 + 每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或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)。自注意力头中用于计算加权平均值的注意力 softmax 之后的注意力权重。 - cross_attentions (
tuple(torch.FloatTensor), 可选, 当传递output_attentions=True或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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力头中的加权平均值。
Perceiver 的序列/图像分类模型、光流和多模态自动编码输出的基类。
PerceiverConfig
class transformers.PerceiverConfig
< source >( num_latents = 256 d_latents = 1280 d_model = 768 num_blocks = 1 num_self_attends_per_block = 26 num_self_attention_heads = 8 num_cross_attention_heads = 8 qk_channels = None v_channels = None cross_attention_shape_for_attention = 'kv' self_attention_widening_factor = 1 cross_attention_widening_factor = 1 hidden_act = 'gelu' attention_probs_dropout_prob = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-12 use_query_residual = True vocab_size = 262 max_position_embeddings = 2048 image_size = 56 train_size = [368, 496] num_frames = 16 audio_samples_per_frame = 1920 samples_per_patch = 16 output_shape = [1, 16, 224, 224] output_num_channels = 512 _label_trainable_num_channels = 1024 **kwargs )
参数
- num_latents (
int, 可选, 默认为 256) — Latents 的数量。 - d_latents (
int, 可选, 默认为 1280) — 潜在 embeddings 的维度。 - d_model (
int, 可选, 默认为 768) — 输入的维度。 仅在使用了 [PerceiverTextPreprocessor] 或未提供预处理器的情况下才应提供。 - num_blocks (
int, 可选, 默认为 1) — Transformer 编码器中的块数。 - num_self_attends_per_block (
int, 可选, 默认为 26) — 每个块的自注意力层数。 - num_self_attention_heads (
int, optional, defaults to 8) — Transformer 编码器中每个自注意力层的注意力头的数量。 - num_cross_attention_heads (
int, optional, defaults to 8) — Transformer 编码器中每个交叉注意力层的注意力头的数量。 - qk_channels (
int, optional) — 在编码器的交叉注意力和自注意力层中应用注意力之前，用于投影 queries + keys 的维度。如果未指定，则默认为保留 queries 的维度。 - v_channels (
int, optional) — 在编码器的交叉注意力和自注意力层中应用注意力之前，用于投影 values 的维度。如果未指定，则默认为保留 queries 的维度。 - cross_attention_shape_for_attention (
str, optional, defaults to"kv") — 在编码器的交叉注意力层中下采样 queries 和 keys 时使用的维度。 - self_attention_widening_factor (
int, optional, defaults to 1) — Transformer 编码器的交叉注意力层中前馈层的维度。 - cross_attention_widening_factor (
int, optional, defaults to 1) — Transformer 编码器的自注意力层中前馈层的维度。 - hidden_act (
str或function, optional, defaults to"gelu") — 编码器和池化器中的非线性激活函数（函数或字符串）。如果是字符串，则支持"gelu","relu","selu"和"gelu_new"。 - attention_probs_dropout_prob (
float, optional, defaults to 0.1) — 注意力概率的 dropout 比率。 - initializer_range (
float, optional, defaults to 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。 - layer_norm_eps (
float, optional, defaults to 1e-12) — 层归一化层使用的 epsilon 值。 - use_query_residual (
float, optional, defaults toTrue) — 是否在编码器的交叉注意力层中添加 query 残差。 - vocab_size (
int, optional, defaults to 262) — masked language modeling 模型的词汇表大小。 - max_position_embeddings (
int, optional, defaults to 2048) — masked language modeling 模型可能使用的最大序列长度。通常将其设置为较大的值以防万一（例如，512 或 1024 或 2048）。 - image_size (
int, optional, defaults to 56) — 预处理后图像的大小，用于 PerceiverForImageClassificationLearned。 - train_size (
List[int], optional, defaults to[368, 496]) — 光流模型的图像训练尺寸。 - num_frames (
int, optional, defaults to 16) — 用于多模态自编码模型的视频帧数。 - audio_samples_per_frame (
int, optional, defaults to 1920) — 多模态自编码模型的每帧音频样本数。 - samples_per_patch (
int, optional, defaults to 16) — 预处理多模态自编码模型的音频时，每个 patch 的音频样本数。 - output_shape (
List[int], optional, defaults to[1, 16, 224, 224]) — 多模态自编码模型的视频解码器 queries 的输出形状（batch_size, num_frames, height, width）。这不包括通道维度。 - output_num_channels (
int, optional, defaults to 512) — 每个模态解码器的输出通道数。
这是用于存储 PerceiverModel 配置的配置类。它用于根据指定的参数实例化 Perceiver 模型，定义模型架构。使用默认值实例化配置将产生类似于 Perceiver deepmind/language-perceiver 架构的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import PerceiverModel, PerceiverConfig
>>> # Initializing a Perceiver deepmind/language-perceiver style configuration
>>> configuration = PerceiverConfig()
>>> # Initializing a model from the deepmind/language-perceiver style configuration
>>> model = PerceiverModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configPerceiverTokenizer
class transformers.PerceiverTokenizer
< source >( pad_token = '[PAD]' bos_token = '[BOS]' eos_token = '[EOS]' mask_token = '[MASK]' cls_token = '[CLS]' sep_token = '[SEP]' model_max_length = 2048 **kwargs )
参数
- pad_token (
str, optional, defaults to"[PAD]") — 用于填充的 token，例如在对不同长度的序列进行批处理时。 - bos_token (
str, optional, defaults to"[BOS]") — BOS token（在词汇表中保留，但实际上未使用）。 - eos_token (
str, optional, defaults to"[EOS]") — 序列结束 token（在词汇表中保留，但实际上未使用）。当使用特殊 token 构建序列时，这不是用于序列结尾的 token。使用的 token 是
sep_token。 - mask_token (
str, optional, defaults to"[MASK]") — MASK token，用于 masked language modeling。 - cls_token (
str, optional, defaults to"[CLS]") — CLS token（在词汇表中保留，但实际上未使用）。 - sep_token (
str, 可选, 默认为"[SEP]") — 分隔符令牌，用于从两个序列构建一个序列时。
构建 Perceiver 分词器。Perceiver 简单地使用原始字节 utf-8 编码。
此分词器继承自 PreTrainedTokenizer，其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。
__call__
< source >( text: typing.Union[str, typing.List[str], typing.List[typing.List[str]]] = None text_pair: typing.Union[str, typing.List[str], typing.List[typing.List[str]], NoneType] = None text_target: typing.Union[str, typing.List[str], typing.List[typing.List[str]]] = None text_pair_target: typing.Union[str, typing.List[str], typing.List[typing.List[str]], NoneType] = None add_special_tokens: bool = True padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False truncation: typing.Union[bool, str, transformers.tokenization_utils_base.TruncationStrategy] = None max_length: typing.Optional[int] = None stride: int = 0 is_split_into_words: bool = False pad_to_multiple_of: typing.Optional[int] = None padding_side: typing.Optional[str] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_token_type_ids: typing.Optional[bool] = None return_attention_mask: typing.Optional[bool] = None return_overflowing_tokens: bool = False return_special_tokens_mask: bool = False return_offsets_mapping: bool = False return_length: bool = False verbose: bool = True **kwargs ) → BatchEncoding
参数
- text (
str,List[str],List[List[str]], 可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表（预分词字符串）。如果序列以字符串列表（预分词）形式提供，则必须设置is_split_into_words=True（以消除与序列批次的歧义）。 - text_pair (
str,List[str],List[List[str]], 可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表（预分词字符串）。如果序列以字符串列表（预分词）形式提供，则必须设置is_split_into_words=True（以消除与序列批次的歧义）。 - text_target (
str,List[str],List[List[str]], 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表（预分词字符串）。如果序列以字符串列表（预分词）形式提供，则必须设置is_split_into_words=True（以消除与序列批次的歧义）。 - text_pair_target (
str,List[str],List[List[str]], 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表（预分词字符串）。如果序列以字符串列表（预分词）形式提供，则必须设置is_split_into_words=True（以消除与序列批次的歧义）。 - add_special_tokens (
bool, 可选, 默认为True) — 在编码序列时是否添加特殊令牌。这将使用底层的PretrainedTokenizerBase.build_inputs_with_special_tokens函数，该函数定义了哪些令牌会自动添加到输入 ID 中。如果您想自动添加bos或eos令牌，这将非常有用。 - padding (
bool,str或 PaddingStrategy, 可选, 默认为False) — 激活并控制填充。接受以下值：True或'longest'：填充到批次中最长的序列（如果仅提供单个序列，则不填充）。'max_length'：填充到使用参数max_length指定的最大长度，或者如果未提供该参数，则填充到模型可接受的最大输入长度。False或'do_not_pad'(默认值)：不填充（即，可以输出具有不同长度序列的批次）。
- truncation (
bool,str或 TruncationStrategy, 可选, 默认为False) — 激活并控制截断。接受以下值：True或'longest_first'：截断为使用参数max_length指定的最大长度，或者如果未提供该参数，则截断为模型可接受的最大输入长度。如果提供了一对序列（或一批对），这将逐个令牌地截断，从对中最长的序列中删除一个令牌。'only_first'：截断为使用参数max_length指定的最大长度，或者如果未提供该参数，则截断为模型可接受的最大输入长度。如果提供了一对序列（或一批对），这将仅截断对中的第一个序列。'only_second'：截断为使用参数max_length指定的最大长度，或者如果未提供该参数，则截断为模型可接受的最大输入长度。如果提供了一对序列（或一批对），这将仅截断对中的第二个序列。False或'do_not_truncate'(默认值)：不截断（即，可以输出序列长度大于模型最大允许输入大小的批次）。
- max_length (
int, 可选) — 通过截断/填充参数之一控制要使用的最大长度。如果未设置或设置为
None，如果截断/填充参数之一需要最大长度，则将使用预定义的模型最大长度。如果模型没有特定的最大输入长度（如 XLNet），则将停用截断/填充到最大长度的功能。 - stride (
int, 可选, 默认为 0) — 如果与max_length一起设置为数字，则当return_overflowing_tokens=True时返回的溢出令牌将包含从返回的截断序列末尾开始的一些令牌，以便在截断序列和溢出序列之间提供一些重叠。此参数的值定义了重叠令牌的数量。 - is_split_into_words (
bool, 可选, 默认为False) — 输入是否已预先分词（例如，拆分为单词）。如果设置为True，则分词器假定输入已拆分为单词（例如，通过在空格上拆分），它将对其进行分词。这对于 NER 或令牌分类很有用。 - pad_to_multiple_of (
int, 可选) — 如果设置，将把序列填充为所提供值的倍数。需要激活padding。这对于在计算能力>= 7.5(Volta) 的 NVIDIA 硬件上启用 Tensor Core 的使用尤其有用。 - padding_side (
str, 可选) — 模型应在其上应用填充的一侧。应在 [‘right’, ‘left’] 之间选择。默认值从同名的类属性中选取。 - return_tensors (
str或 TensorType, 可选) — 如果设置，将返回张量而不是 Python 整数列表。可接受的值为：'tf'：返回 TensorFlowtf.constant对象。'pt'：返回 PyTorchtorch.Tensor对象。'np'：返回 Numpynp.ndarray对象。
- return_token_type_ids (
bool, 可选) — 是否返回令牌类型 ID。如果保留为默认值，将根据特定分词器的默认值（由return_outputs属性定义）返回令牌类型 ID。 - return_attention_mask (
bool, 可选) — 是否返回注意力掩码。如果保留为默认值，将根据特定分词器的默认值（由return_outputs属性定义）返回注意力掩码。 - return_overflowing_tokens (
bool, 可选, 默认为False) — 是否返回溢出的令牌序列。如果提供了一对输入 ID 序列（或一批对），并且truncation_strategy = longest_first或True，则会引发错误，而不是返回溢出的令牌。 - return_special_tokens_mask (
bool, 可选, 默认为False) — 是否返回特殊令牌掩码信息。 - return_offsets_mapping (
bool, 可选, 默认为False) — 是否为每个令牌返回(char_start, char_end)。这仅在继承自 PreTrainedTokenizerFast 的快速分词器上可用，如果使用 Python 的分词器，此方法将引发
NotImplementedError。 - return_length (
bool, 可选, 默认为False) — 是否返回编码输入的长度。 - verbose (
bool, 可选, 默认为True) — 是否打印更多信息和警告。 - **kwargs — 传递给
self.tokenize()方法
返回：
一个 BatchEncoding，包含以下字段：
-
input_ids — 输入模型的 token id 列表。
-
token_type_ids — 输入模型的 token 类型 id 列表（当
return_token_type_ids=True或如果 “token_type_ids” 在self.model_input_names中时）。 -
attention_mask — 指定模型应注意哪些 token 的索引列表（当
return_attention_mask=True或如果 “attention_mask” 在self.model_input_names中时）。 -
overflowing_tokens — 溢出 token 序列的列表（当指定了
max_length并且return_overflowing_tokens=True时）。 -
num_truncated_tokens — 截断的 token 数量（当指定了
max_length并且return_overflowing_tokens=True时）。 -
special_tokens_mask — 由 0 和 1 组成的列表，其中 1 指定添加的特殊 token，0 指定常规序列 token（当
add_special_tokens=True并且return_special_tokens_mask=True时）。 -
length — 输入的长度 (当
return_length=True时)
用于为一个或多个序列或一个或多个序列对进行 tokenization 和模型准备的主要方法。
PerceiverFeatureExtractor
预处理一张图像或一批图像。
PerceiverImageProcessor
class transformers.PerceiverImageProcessor
< source >( do_center_crop: bool = True crop_size: typing.Dict[str, int] = None do_resize: bool = True size: typing.Dict[str, int] = None resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None **kwargs )
参数
- do_center_crop (
bool,optional, 默认为True) — 是否对图像进行中心裁剪。如果输入尺寸在任何边缘都小于crop_size，图像将用零填充，然后进行中心裁剪。可以被preprocess方法中的do_center_crop参数覆盖。 - crop_size (
Dict[str, int], 可选, 默认为{"height" -- 256, "width": 256}): 应用中心裁剪时所需的输出尺寸。可以被preprocess方法中的crop_size参数覆盖。 - do_resize (
bool, 可选, 默认为True) — 是否将图像调整大小为(size["height"], size["width"])。可以被preprocess方法中的do_resize参数覆盖。 - size (
Dict[str, int]可选, 默认为{"height" -- 224, "width": 224}): 调整大小后图像的尺寸。可以被preprocess方法中的size参数覆盖。 - resample (
PILImageResampling, 可选, 默认为PILImageResampling.BICUBIC) — 定义调整图像大小时要使用的重采样过滤器。可以被preprocess方法中的resample参数覆盖。 - do_rescale (
bool, 可选, 默认为True) — 是否按指定的比例因子rescale_factor重新缩放图像。可以被preprocess方法中的do_rescale参数覆盖。 - rescale_factor (
int或float, 可选, 默认为1/255) — 定义重新缩放图像时要使用的比例因子。可以被preprocess方法中的rescale_factor参数覆盖。 - do_normalize — 是否对图像进行标准化处理。可以被
preprocess方法中的do_normalize参数覆盖。 - image_mean (
float或List[float], 可选, 默认为IMAGENET_STANDARD_MEAN) — 标准化图像时要使用的均值。这是一个浮点数或浮点数列表，其长度为图像中的通道数。可以被preprocess方法中的image_mean参数覆盖。 - image_std (
float或List[float], 可选, 默认为IMAGENET_STANDARD_STD) — 标准化图像时要使用的标准差。这是一个浮点数或浮点数列表，其长度为图像中的通道数。可以被preprocess方法中的image_std参数覆盖。
构建 Perceiver 图像处理器。
preprocess
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_center_crop: typing.Optional[bool] = None crop_size: typing.Optional[typing.Dict[str, int]] = None do_resize: typing.Optional[bool] = None size: typing.Optional[typing.Dict[str, int]] = None resample: Resampling = None do_rescale: typing.Optional[bool] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, typing.List[float], NoneType] = None image_std: typing.Union[float, typing.List[float], NoneType] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )
参数
- images (
ImageInput) — 要预处理的图像。接受单张或批量的图像，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_center_crop (
bool, 可选, 默认为self.do_center_crop) — 是否将图像中心裁剪为crop_size。 - crop_size (
Dict[str, int], 可选, 默认为self.crop_size) — 应用中心裁剪后所需的输出尺寸。 - 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。 - resample (
int, 可选, 默认为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，仅当do_resize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，则使用此重缩放因子来重缩放图像。 - do_normalize (
bool, 可选, 默认为self.do_normalize) — 是否标准化图像。 - image_mean (
float或List[float], 可选, 默认为self.image_mean) — 图像均值。 - image_std (
float或List[float], 可选, 默认为self.image_std) — 图像标准差。 - return_tensors (
str或TensorType, 可选) — 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。
- 未设置：返回
- 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：ChannelDimension.FIRST：(num_channels, height, width) 格式的图像。ChannelDimension.LAST：(height, width, num_channels) 格式的图像。
- input_data_format (
ChannelDimension或str, 可选) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。可以是以下之一："channels_first"或ChannelDimension.FIRST：(num_channels, height, width) 格式的图像。"channels_last"或ChannelDimension.LAST：(height, width, num_channels) 格式的图像。"none"或ChannelDimension.NONE：(height, width) 格式的图像。
预处理图像或一批图像。
PerceiverTextPreprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverTextPreprocessor
< source >( config: PerceiverConfig )
参数
- config (PerceiverConfig) — 模型配置。
Perceiver 编码器的文本预处理。可用于嵌入 inputs 并添加位置编码。
嵌入的维度由配置的 d_model 属性决定。
PerceiverImagePreprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverImagePreprocessor
< source >( config prep_type = 'conv' spatial_downsample: int = 4 temporal_downsample: int = 1 position_encoding_type: str = 'fourier' in_channels: int = 3 out_channels: int = 64 conv_after_patching: bool = False conv_after_patching_in_channels: int = 54 conv2d_use_batchnorm: bool = True concat_or_add_pos: str = 'concat' project_pos_dim: int = -1 **position_encoding_kwargs )
参数
- config ([PerceiverConfig]) — 模型配置。
- prep_type (
str, 可选, 默认为"conv") — 预处理类型。可以是 “conv1x1”、“conv”、“patches”、“pixels”。 - spatial_downsample (
int, 可选, 默认为 4) — 空间下采样因子。 - temporal_downsample (
int, 可选, 默认为 1) — 时间下采样因子（仅在存在时间维度的情况下相关）。 - position_encoding_type (
str, 可选, 默认为"fourier") — 位置编码类型。可以是 “fourier” 或 “trainable”。 - in_channels (
int, 可选, 默认为 3) — 输入中的通道数。 - out_channels (
int, 可选, 默认为 64) — 输出中的通道数。 - conv_after_patching (
bool, 可选, 默认为False) — 是否在patching后应用卷积层。 - conv_after_patching_in_channels (
int, 可选, 默认为 54) — patching之后卷积层输入中的通道数。 - conv2d_use_batchnorm (
bool, 可选, 默认为True) — 是否在卷积层中使用批归一化。 - concat_or_add_pos (
str, 可选, 默认为"concat") — 如何将位置编码连接到输入。可以是 “concat” 或 “add”。 - project_pos_dim (
int, 可选, 默认为 -1) — 要投影到的位置编码的维度。如果为 -1，则不应用投影。 - **position_encoding_kwargs (
Dict, 可选) — 位置编码的关键字参数。
Perceiver 编码器的图像预处理。
注意：out_channels 参数指的是卷积层的输出通道数，如果 prep_type 设置为 “conv1x1” 或 “conv”。如果添加绝对位置嵌入，则必须确保位置编码 kwargs 的 num_channels 设置为等于 out_channels。
PerceiverOneHotPreprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverOneHotPreprocessor
< source >( config: PerceiverConfig )
参数
- config (PerceiverConfig) — 模型配置。
One-hot preprocessor for Perceiver Encoder. Can be used to add a dummy index dimension to the input.
PerceiverAudioPreprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverAudioPreprocessor
< source >( config prep_type: str = 'patches' samples_per_patch: int = 96 position_encoding_type: str = 'fourier' concat_or_add_pos: str = 'concat' out_channels = 64 project_pos_dim = -1 **position_encoding_kwargs )
参数
- config ([PerceiverConfig]) — 模型配置。
- prep_type (
str, optional, defaults to"patches") — 要使用的预处理器类型。仅支持 “patches”。 - samples_per_patch (
int, optional, defaults to 96) — 每个补丁的样本数。 - position_encoding_type (
str, optional, defaults to"fourier") — 要使用的位置编码类型。可以是 “trainable” 或 “fourier”。 - concat_or_add_pos (
str, optional, defaults to"concat") — 如何将位置编码连接到输入。可以是 “concat” 或 “add”。 - out_channels (
int, optional, defaults to 64) — 输出中的通道数。 - project_pos_dim (
int, optional, defaults to -1) — 要投影到的位置编码的维度。如果为 -1，则不应用投影。 - **position_encoding_kwargs (
Dict, optional) — 位置编码的关键字参数。
Audio preprocessing for Perceiver Encoder.
PerceiverAudioPreprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalPreprocessor
< source >( modalities: typing.Mapping[str, typing.Callable[..., typing.Tuple[torch.Tensor, typing.Optional[torch.Tensor], torch.Tensor]]] mask_probs: typing.Optional[typing.Mapping[str, float]] = None min_padding_size: int = 2 )
Multimodal preprocessing for Perceiver Encoder.
Inputs for each modality are preprocessed, then padded with trainable position embeddings to have the same number of channels.
PerceiverProjectionDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverProjectionDecoder
< source >( config )
参数
- config (PerceiverConfig) — 模型配置。
Baseline projection decoder (no cross-attention).
PerceiverBasicDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverBasicDecoder
< source >( config: PerceiverConfig output_num_channels: int position_encoding_type: typing.Optional[str] = 'trainable' output_index_dims: typing.Optional[int] = None num_channels: typing.Optional[int] = 128 subsampled_index_dims: typing.Optional[int] = None qk_channels: typing.Optional[int] = None v_channels: typing.Optional[int] = None num_heads: typing.Optional[int] = 1 widening_factor: typing.Optional[int] = 1 use_query_residual: typing.Optional[bool] = False concat_preprocessed_input: typing.Optional[bool] = False final_project: typing.Optional[bool] = True position_encoding_only: typing.Optional[bool] = False **position_encoding_kwargs )
参数
- config ([PerceiverConfig]) — 模型配置。
- output_num_channels (
int, optional) — 输出中的通道数。仅当 final_project 设置为True时使用。 - position_encoding_type (
str, optional, 默认为 “trainable”) — 要使用的位置编码类型。可以是 “trainable”、“fourier” 或 “none”。 - output_index_dims (
int, optional) — 输出查询的维度数。如果 ‘position_encoding_type’ == ‘none’，则忽略。 - num_channels (
int, optional, 默认为 128) — 解码器查询的通道数。如果 ‘position_encoding_type’ == ‘none’，则忽略。 - qk_channels (
int, optional) — 交叉注意力层中查询和键的通道数。 - v_channels (
int, optional) — 交叉注意力层中值的通道数。 - num_heads (
int, optional, 默认为 1) — 交叉注意力层中的注意力头数。 - widening_factor (
int, optional, 默认为 1) — 交叉注意力层的扩展因子。 - use_query_residual (
bool, optional, 默认为False) — 是否在查询和交叉注意力层的输出之间使用残差连接。 - concat_preprocessed_input (
bool, optional, 默认为False) — 是否将预处理后的输入连接到查询。 - final_project (
bool, optional, 默认为True) — 是否将交叉注意力层的输出投影到目标维度。 - position_encoding_only (
bool, optional, 默认为False) — 是否仅使用此类来定义输出查询。
基于交叉注意力的解码器。此类可用于使用交叉注意力操作解码潜在变量的最终隐藏状态，其中潜在变量生成键和值。
此类的输出形状取决于如何定义输出查询（也称为解码器查询）。
PerceiverClassificationDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverClassificationDecoder
< source >( config **decoder_kwargs )
参数
- config (PerceiverConfig) — 模型配置。
基于交叉注意力的分类解码器。PerceiverBasicDecoder 的轻量级封装，用于 logits 输出。 将形状为 (batch_size, num_latents, d_latents) 的 Perceiver 编码器的输出转换为形状为 (batch_size, num_labels) 的张量。 查询的形状为 (batch_size, 1, num_labels)。
PerceiverOpticalFlowDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverOpticalFlowDecoder
< source >( config output_image_shape output_num_channels = 2 rescale_factor = 100.0 **decoder_kwargs )
基于交叉注意力的光流解码器。
PerceiverBasicVideoAutoencodingDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverBasicVideoAutoencodingDecoder
< source >( config: PerceiverConfig output_shape: typing.List[int] position_encoding_type: str **decoder_kwargs )
基于交叉注意力的视频自动编码解码器。[PerceiverBasicDecoder] 的轻量级封装，带有视频重塑逻辑。
PerceiverMultimodalDecoder
class transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalDecoder
< source >( config: PerceiverConfig modalities: typing.Dict[str, transformers.models.perceiver.modeling_perceiver.PerceiverAbstractDecoder] num_outputs: int output_num_channels: int min_padding_size: typing.Optional[int] = 2 subsampled_index_dims: typing.Optional[typing.Dict[str, transformers.models.perceiver.modeling_perceiver.PerceiverAbstractDecoder]] = None **decoder_kwargs )
参数
- config ([PerceiverConfig]) — 模型配置。
- modalities (
Dict[str, PerceiverAbstractDecoder]) — 字典，将模态名称映射到该模态的解码器。 - num_outputs (
int) — 解码器的输出数量。 - output_num_channels (
int) — 输出中的通道数量。 - min_padding_size (
int, optional, defaults to 2) — 所有模态的最小填充尺寸。最终输出的通道数将等于所有模态中最大通道数加上 min_padding_size。 - subsampled_index_dims (
Dict[str, PerceiverAbstractDecoder], optional) — 字典，将模态名称映射到用于该模态解码器查询的子采样索引维度。
通过组合单模态解码器进行多模态解码。构造函数的 modalities 参数是一个字典，将模态名称映射到该模态的解码器。该解码器将用于构建该模态的查询。模态特定的查询会用可训练的模态特定参数进行填充，之后它们会沿着时间维度连接起来。
接下来，所有模态之间会有一个共享的交叉注意力操作。
PerceiverProjectionPostprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverProjectionPostprocessor
< source >( in_channels: int out_channels: int )
Perceiver 的投影后处理。可用于将解码器输出的通道投影到较低的维度。
PerceiverAudioPostprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverAudioPostprocessor
< source >( config: PerceiverConfig in_channels: int postproc_type: str = 'patches' )
Perceiver 的音频后处理。可用于将解码器输出转换为音频特征。
PerceiverClassificationPostprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverClassificationPostprocessor
< source >( config: PerceiverConfig in_channels: int )
Perceiver 的分类后处理。可用于将解码器输出转换为分类 logits。
PerceiverMultimodalPostprocessor
class transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalPostprocessor
< source >( modalities: typing.Mapping[str, typing.Callable[..., typing.Any]] input_is_dict: bool = False )
Perceiver 的多模态后处理。可用于将特定于模态的后处理器组合成单个后处理器。
PerceiverModel
class transformers.PerceiverModel
< 源代码 >( config decoder = 无 input_preprocessor: typing.Callable[..., typing.Tuple[torch.Tensor, typing.Optional[torch.Tensor], torch.Tensor]] = 无 output_postprocessor: typing.Callable[..., typing.Any] = 无 )
参数
- config (PerceiverConfig) — 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，仅加载配置。查看 from_pretrained() 方法加载模型权重。
- decoder (DecoderType, 可选) — 可选的解码器，用于解码编码器的潜在表示。示例包括 transformers.models.perceiver.modeling_perceiver.PerceiverBasicDecoder, transformers.models.perceiver.modeling_perceiver.PerceiverClassificationDecoder, transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalDecoder。
- input_preprocessor (PreprocessorType, 可选) — 可选的输入预处理器。示例包括 transformers.models.perceiver.modeling_perceiver.PerceiverImagePreprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverAudioPreprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverTextPreprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalPreprocessor。
- output_postprocessor (PostprocessorType, 可选) — 可选的输出后处理器。示例包括 transformers.models.perceiver.modeling_perceiver.PerceiverImagePostprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverAudioPostprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverClassificationPostprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverProjectionPostprocessor, transformers.models.perceiver.modeling_perceiver.PerceiverMultimodalPostprocessor。
- 注意，您可以定义自己的解码器、预处理器和/或后处理器以适应您的用例。 —
Perceiver：一种可扩展的、完全基于注意力的架构。
请注意，可以通过在模型的前向传播中将 interpolate_pos_encoding 设置为 True，在比训练图像更高分辨率的图像上微调 Perceiver。这将把预训练的位置嵌入插值到更高的分辨率。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: FloatTensor attention_mask: typing.Optional[torch.FloatTensor] = 无 subsampled_output_points: typing.Optional[typing.Dict[str, torch.Tensor]] = 无 head_mask: typing.Optional[torch.FloatTensor] = 无 output_attentions: typing.Optional[bool] = 无 output_hidden_states: typing.Optional[bool] = 无 interpolate_pos_encoding: bool = False return_dict: typing.Optional[bool] = 无 ) → transformers.models.perceiver.modeling_perceiver.PerceiverModelOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为(batch_size, sequence_length)，可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值在[0, 1]中选择：- `1` 表示 **未被掩码** 的 token，
- `0` 表示 **被掩码** 的 token。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于使自注意力模块中选定的 head 失效的掩码。掩码值在[0, 1]中选择：- `1` 表示 head **未被掩码**，
- `0` 表示 head **被掩码**。
- 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`。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverModelOutput 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 (PerceiverConfig) 和输入。
- logits (
torch.FloatTensor，形状为(batch_size, num_labels)) — 分类（或回归，如果 `config.num_labels==1`）得分（在 SoftMax 之前）。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverModel 的 `forward` 方法覆盖了 `__call__` 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import PerceiverConfig, PerceiverTokenizer, PerceiverImageProcessor, PerceiverModel
>>> from transformers.models.perceiver.modeling_perceiver import (
... PerceiverTextPreprocessor,
... PerceiverImagePreprocessor,
... PerceiverClassificationDecoder,
... )
>>> import torch
>>> import requests
>>> from PIL import Image
>>> # EXAMPLE 1: using the Perceiver to classify texts
>>> # - we define a TextPreprocessor, which can be used to embed tokens
>>> # - we define a ClassificationDecoder, which can be used to decode the
>>> # final hidden states of the latents to classification logits
>>> # using trainable position embeddings
>>> config = PerceiverConfig()
>>> preprocessor = PerceiverTextPreprocessor(config)
>>> decoder = PerceiverClassificationDecoder(
... config,
... num_channels=config.d_latents,
... trainable_position_encoding_kwargs=dict(num_channels=config.d_latents, index_dims=1),
... use_query_residual=True,
... )
>>> model = PerceiverModel(config, input_preprocessor=preprocessor, decoder=decoder)
>>> # you can then do a forward pass as follows:
>>> tokenizer = PerceiverTokenizer()
>>> text = "hello world"
>>> inputs = tokenizer(text, return_tensors="pt").input_ids
>>> with torch.no_grad():
... outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 2]
>>> # to train, one can train the model using standard cross-entropy:
>>> criterion = torch.nn.CrossEntropyLoss()
>>> labels = torch.tensor([1])
>>> loss = criterion(logits, labels)
>>> # EXAMPLE 2: using the Perceiver to classify images
>>> # - we define an ImagePreprocessor, which can be used to embed images
>>> config = PerceiverConfig(image_size=224)
>>> preprocessor = PerceiverImagePreprocessor(
... config,
... prep_type="conv1x1",
... spatial_downsample=1,
... out_channels=256,
... position_encoding_type="trainable",
... concat_or_add_pos="concat",
... project_pos_dim=256,
... trainable_position_encoding_kwargs=dict(
... num_channels=256,
... index_dims=config.image_size**2,
... ),
... )
>>> model = PerceiverModel(
... config,
... input_preprocessor=preprocessor,
... decoder=PerceiverClassificationDecoder(
... config,
... num_channels=config.d_latents,
... trainable_position_encoding_kwargs=dict(num_channels=config.d_latents, index_dims=1),
... use_query_residual=True,
... ),
... )
>>> # you can then do a forward pass as follows:
>>> image_processor = PerceiverImageProcessor()
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> inputs = image_processor(image, return_tensors="pt").pixel_values
>>> with torch.no_grad():
... outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 2]
>>> # to train, one can train the model using standard cross-entropy:
>>> criterion = torch.nn.CrossEntropyLoss()
>>> labels = torch.tensor([1])
>>> loss = criterion(logits, labels)PerceiverForMaskedLM
类 transformers.PerceiverForMaskedLM
< 源代码 >( config: PerceiverConfig )
参数
- config (PerceiverConfig) — 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，仅加载配置。查看 from_pretrained() 方法加载模型权重。
Perceiver 用于掩码语言建模的示例用法。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: typing.Optional[torch.Tensor] = 无 attention_mask: typing.Optional[torch.Tensor] = 无 head_mask: typing.Optional[torch.Tensor] = 无 output_attentions: typing.Optional[bool] = 无 output_hidden_states: typing.Optional[bool] = 无 labels: typing.Optional[torch.Tensor] = 无 return_dict: typing.Optional[bool] = 无 input_ids: typing.Optional[torch.Tensor] = 无 ) → transformers.models.perceiver.modeling_perceiver.PerceiverMaskedLMOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，可选) — 用于避免对填充 token 索引执行注意力的掩码。掩码值在[0, 1]中选择：- `1` 表示 **未被掩码** 的 token，
- `0` 表示 **被掩码** 的 token。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于使自注意力模块中选定的 head 失效的掩码。掩码值在[0, 1]中选择：- `1` 表示 head **未被掩码**，
- `0` 表示 head **被掩码**。
- 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`。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor，形状为(batch_size, sequence_length)，*可选*) — 用于计算遮蔽语言模型损失的标签。索引应该在 `[-100, 0, ..., config.vocab_size]` 中 (参见 `input_ids` 文档字符串)。索引设置为 `-100` 的 tokens 将被忽略（遮蔽），损失函数仅针对标签在 `[0, ..., config.vocab_size]` 中的 tokens 计算。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverMaskedLMOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverMaskedLMOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 遮蔽语言模型 (MLM) 损失。 - logits (
torch.FloatTensor，形状为(batch_size, sequence_length, config.vocab_size)) — 语言模型头的预测得分（每个词汇 token 在 SoftMax 之前的得分）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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, num_latents, num_latents)`。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。
- cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForMaskedLM 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, PerceiverForMaskedLM
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("deepmind/language-perceiver")
>>> model = PerceiverForMaskedLM.from_pretrained("deepmind/language-perceiver")
>>> # training
>>> text = "This is an incomplete sentence where some words are missing."
>>> inputs = tokenizer(text, padding="max_length", return_tensors="pt")
>>> # mask " missing."
>>> inputs["input_ids"][0, 52:61] = tokenizer.mask_token_id
>>> labels = tokenizer(text, padding="max_length", return_tensors="pt").input_ids
>>> outputs = model(**inputs, labels=labels)
>>> loss = outputs.loss
>>> round(loss.item(), 2)
19.87
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 2048, 262]
>>> # inference
>>> text = "This is an incomplete sentence where some words are missing."
>>> encoding = tokenizer(text, padding="max_length", return_tensors="pt")
>>> # mask bytes corresponding to " missing.". Note that the model performs much better if the masked span starts with a space.
>>> encoding["input_ids"][0, 52:61] = tokenizer.mask_token_id
>>> # forward pass
>>> with torch.no_grad():
... outputs = model(**encoding)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 2048, 262]
>>> masked_tokens_predictions = logits[0, 52:61].argmax(dim=-1).tolist()
>>> tokenizer.decode(masked_tokens_predictions)
' missing.'PerceiverForSequenceClassification
class transformers.PerceiverForSequenceClassification
< 源代码 >( config )
参数
- config (PerceiverConfig) — 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关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
Perceiver 用于文本分类的示例用法。此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以了解与常规用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None input_ids: typing.Optional[torch.Tensor] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，*可选*) — 用于避免对 padding token 索引执行注意力的 Mask。Mask 值在 `[0, 1]` 中选择：- `1` 表示 tokens 未被遮蔽，
- `0` 表示 tokens 已被遮蔽。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，*可选*) — 用于使自注意力模块的选定 head 无效的 Mask。Mask 值在 `[0, 1]` 中选择：- `1` 表示 head 未被遮蔽，
- `0` 表示 head 已被遮蔽。
- output_attentions (
bool, *可选*) — 是否返回所有注意力层的注意力 tensors。有关更多详细信息，请参阅返回的 tensors 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，请参阅返回的 tensors 下的 `hidden_states`。 - interpolate_pos_encoding (
bool, *可选*，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool, *可选*) — 是否返回 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor，形状为(batch_size,)，*可选*) — 用于计算分类/回归损失的标签。索引应该在 `[0, ..., config.num_labels - 1]` 中。如果 `config.num_labels == 1`，则计算回归损失（均方误差损失）；如果 `config.num_labels > 1`，则计算分类损失（交叉熵损失）。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForSequenceClassification 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, PerceiverForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("deepmind/language-perceiver")
>>> model = PerceiverForSequenceClassification.from_pretrained("deepmind/language-perceiver")
>>> text = "hello world"
>>> inputs = tokenizer(text, return_tensors="pt").input_ids
>>> outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 2]PerceiverForImageClassificationLearned
class transformers.PerceiverForImageClassificationLearned
< 源代码 >( config )
参数
- config (PerceiverConfig) — 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关联的权重，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
Perceiver 用于图像分类的示例用法，例如 ImageNet 等任务。
此模型使用学习的位置嵌入。换句话说，此模型没有获得关于图像结构的任何特权信息。正如论文中所示，此模型可以在 ImageNet 上实现 72.7 的 top-1 准确率。
PerceiverForImageClassificationLearned 使用 PerceiverImagePreprocessor (使用 prep_type="conv1x1") 预处理输入图像，并使用 PerceiverClassificationDecoder 将 PerceiverModel 的潜在表示解码为分类 logits。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None interpolate_pos_encoding: bool = False return_dict: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，*可选*) — 用于避免对 padding token 索引执行注意力的 Mask。Mask 值在 `[0, 1]` 中选择：- `1` 表示 tokens 未被遮蔽，
- `0` 表示 tokens 已被遮蔽。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，*可选*) — 用于使自注意力模块的选定 head 无效的 Mask。Mask 值在 `[0, 1]` 中选择：- `1` 表示 head 未被遮蔽，
- `0` 表示 head 已被遮蔽。
- output_attentions (
bool, *可选*) — 是否返回所有注意力层的注意力 tensors。有关更多详细信息，请参阅返回的 tensors 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，请参阅返回的 tensors 下的 `hidden_states`。 - interpolate_pos_encoding (
bool, *可选*，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool, *可选*) — 是否返回 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor，形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方误差损失）；如果config.num_labels > 1，则计算分类损失（交叉熵损失）。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForImageClassificationLearned 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, PerceiverForImageClassificationLearned
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("deepmind/vision-perceiver-learned")
>>> model = PerceiverForImageClassificationLearned.from_pretrained("deepmind/vision-perceiver-learned")
>>> inputs = image_processor(images=image, return_tensors="pt").pixel_values
>>> outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 1000]
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_class_idx = logits.argmax(-1).item()
>>> print("Predicted class:", model.config.id2label[predicted_class_idx])
Predicted class: tabby, tabby catPerceiverForImageClassificationFourier
class transformers.PerceiverForImageClassificationFourier
< source >( config )
参数
- config (PerceiverConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法来加载模型权重。
Perceiver 用于图像分类的示例用法，例如 ImageNet 等任务。
此模型使用固定的 2D 傅里叶位置嵌入。正如论文中所示，此模型在 ImageNet 上可以达到 79.0 的 top-1 准确率，并且在大型数据集（即 JFT）上预训练时可以达到 84.5。
PerceiverForImageClassificationLearned 使用 PerceiverImagePreprocessor (使用 prep_type="pixels") 来预处理输入图像，并使用 PerceiverClassificationDecoder 将 PerceiverModel 的潜在表示解码为分类 logits。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< source >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，可选) — 用于避免在 padding 标记索引上执行注意力的掩码。掩码值在[0, 1]中选择：- 1 表示标记未被掩盖，
- 0 表示标记被掩盖。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于置空自注意力模块中选定头的掩码。掩码值在[0, 1]中选择：- 1 表示头未被掩盖，
- 0 表示头被掩盖。
- 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。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
torch.LongTensor，形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方误差损失）；如果config.num_labels > 1，则计算分类损失（交叉熵损失）。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForImageClassificationFourier 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, PerceiverForImageClassificationFourier
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("deepmind/vision-perceiver-fourier")
>>> model = PerceiverForImageClassificationFourier.from_pretrained("deepmind/vision-perceiver-fourier")
>>> inputs = image_processor(images=image, return_tensors="pt").pixel_values
>>> outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 1000]
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_class_idx = logits.argmax(-1).item()
>>> print("Predicted class:", model.config.id2label[predicted_class_idx])
Predicted class: tabby, tabby catPerceiverForImageClassificationConvProcessing
class transformers.PerceiverForImageClassificationConvProcessing
< source >( config )
参数
- config (PerceiverConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，仅加载配置。查看 from_pretrained() 方法来加载模型权重。
Perceiver 用于图像分类的示例用法，例如 ImageNet 等任务。
此模型使用 2D 卷积 + 最大池化预处理网络。正如论文中所示，此模型在 ImageNet 上可以达到 82.1 的 top-1 准确率。
PerceiverForImageClassificationLearned 使用 PerceiverImagePreprocessor (使用 prep_type="conv") 来预处理输入图像，并使用 PerceiverClassificationDecoder 将 PerceiverModel 的潜在表示解码为分类 logits。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< source >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None pixel_values: typing.Optional[torch.Tensor] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，可选) — 用于避免在 padding 标记索引上执行注意力的掩码。掩码值在[0, 1]中选择：- 1 表示标记未被掩盖，
- 0 表示标记被掩盖。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于置空自注意力模块中选定头的掩码。掩码值在[0, 1]中选择：- 1 表示头未被掩盖，
- 0 表示头被掩盖。
- 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。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
torch.LongTensor，形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方误差损失）；如果config.num_labels > 1，则计算分类损失（交叉熵损失）。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForImageClassificationConvProcessing 的 forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import AutoImageProcessor, PerceiverForImageClassificationConvProcessing
>>> from PIL import Image
>>> import requests
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> image_processor = AutoImageProcessor.from_pretrained("deepmind/vision-perceiver-conv")
>>> model = PerceiverForImageClassificationConvProcessing.from_pretrained("deepmind/vision-perceiver-conv")
>>> inputs = image_processor(images=image, return_tensors="pt").pixel_values
>>> outputs = model(inputs=inputs)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 1000]
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_class_idx = logits.argmax(-1).item()
>>> print("Predicted class:", model.config.id2label[predicted_class_idx])
Predicted class: tabby, tabby catPerceiverForOpticalFlow
class transformers.PerceiverForOpticalFlow
< 源代码 >( config )
参数
- config (PerceiverConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，只会加载配置。查看 from_pretrained() 方法来加载模型权重。
Perceiver 光流的示例用法，用于 Sintel 和 KITTI 等任务。PerceiverForOpticalFlow 使用 PerceiverImagePreprocessor (使用 prep_type=“patches”) 预处理输入图像，并使用 PerceiverOpticalFlowDecoder 解码 PerceiverModel 的潜在表示。
作为输入，将 2 个连续帧沿通道维度连接，并在每个像素周围提取 3 x 3 的patch（导致每个像素有 3 x 3 x 3 x 2 = 54 个值）。使用固定的傅里叶位置编码来编码patch中每个像素的位置。接下来，应用 Perceiver 编码器。为了解码，使用与输入相同的编码来查询潜在表示。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，可选) — 用于避免对填充 token 索引执行 attention 的掩码。掩码值在[0, 1]中选择：- 1 表示 token 未被掩蔽，
- 0 表示 token 已被掩蔽。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于 nullify 自注意力模块的选定 head 的掩码。掩码值在[0, 1]中选择：- 1 表示 head 未被掩蔽，
- 0 表示 head 已被掩蔽。
- output_attentions (
bool，可选) — 是否返回所有 attention 层的 attention tensors。 有关更多详细信息，请参阅返回的 tensors 下的attentions。 - output_hidden_states (
bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参阅返回的 tensors 下的hidden_states。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通的 tuple。 - labels (
torch.LongTensor，形状为(batch_size,)，可选) — 用于计算光流损失的标签。索引应在[0, ..., config.num_labels - 1]中。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForOpticalFlow forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import PerceiverForOpticalFlow
>>> import torch
>>> model = PerceiverForOpticalFlow.from_pretrained("deepmind/optical-flow-perceiver")
>>> # in the Perceiver IO paper, the authors extract a 3 x 3 patch around each pixel,
>>> # leading to 3 x 3 x 3 = 27 values for each pixel (as each pixel also has 3 color channels)
>>> # patches have shape (batch_size, num_frames, num_channels, height, width)
>>> # the authors train on resolutions of 368 x 496
>>> patches = torch.randn(1, 2, 27, 368, 496)
>>> outputs = model(inputs=patches)
>>> logits = outputs.logits
>>> list(logits.shape)
[1, 368, 496, 2]PerceiverForMultimodalAutoencoding
class transformers.PerceiverForMultimodalAutoencoding
< 源代码 >( config: PerceiverConfig )
参数
- config (PerceiverConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不会加载与模型关联的权重，只会加载配置。查看 from_pretrained() 方法来加载模型权重。
Perceiver 多模态（视频）自动编码的示例用法，用于 Kinetics-700 等任务。
PerceiverForMultimodalAutoencoding 使用 PerceiverMultimodalPreprocessor 预处理 3 种模态：图像、音频和类别标签。此预处理器使用特定于模态的预处理器分别预处理每种模态，然后将它们连接起来。可训练的位置嵌入用于将每种模态填充到相同数量的通道，以使沿时间维度的连接成为可能。接下来，应用 Perceiver 编码器。
PerceiverMultimodalDecoder 用于解码 PerceiverModel 的潜在表示。此解码器使用每个特定于模态的解码器来构建查询。解码器查询是基于预处理后的输入创建的。但是，在单个前向传递中自动编码整个视频在计算上是不可行的，因此仅使用部分解码器查询来与潜在表示进行交叉注意力。这由每种模态的子采样索引决定，这些索引可以作为附加输入提供给 PerceiverForMultimodalAutoencoding 的前向传递。
PerceiverMultimodalDecoder 还将不同模态的解码器查询填充到相同数量的通道，以便沿时间维度连接它们。接下来，使用 PerceiverModel 的潜在表示执行交叉注意力。
最后，~models.perceiver.modeling_perceiver.PerceiverMultiModalPostprocessor 用于将此张量转换为实际的视频。它首先将输出分解为不同的模态，然后为每种模态应用相应的后处理器。
请注意，通过在评估期间掩蔽分类标签（即，仅为“标签”模态提供零张量），此自动编码模型将成为 Kinetics 700 视频分类器。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并参阅 PyTorch 文档以获取与通用用法和行为相关的所有事项。
前向传播
< 源代码 >( inputs: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None subsampled_output_points: typing.Optional[typing.Dict[str, torch.Tensor]] = None head_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None return_dict: typing.Optional[bool] = None ) → transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或 tuple(torch.FloatTensor)
参数
- inputs (
torch.FloatTensor) — Perceiver 的输入。可以是任何内容：图像、文本、音频、视频等。 - attention_mask (
torch.FloatTensor，形状为batch_size, sequence_length，可选) — 用于避免对填充 token 索引执行 attention 的掩码。掩码值在[0, 1]中选择：- 1 表示 token 未被掩蔽，
- 0 表示 token 已被掩蔽。
- head_mask (
torch.FloatTensor，形状为(num_heads,)或(num_layers, num_heads)，可选) — 用于 nullify 自注意力模块的选定 head 的掩码。掩码值在[0, 1]中选择：- 1 表示 head 未被掩蔽，
- 0 表示 head 已被掩蔽。
- output_attentions (
bool，可选) — 是否返回所有 attention 层的 attention tensors。 有关更多详细信息，请参阅返回的 tensors 下的attentions。 - output_hidden_states (
bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参阅返回的 tensors 下的hidden_states。 - interpolate_pos_encoding (
bool，可选，默认为False) — 是否插值预训练的位置编码。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通的 tuple。 - labels (
torch.LongTensor，形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]中。如果config.num_labels == 1，则计算回归损失（均方损失）。如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回：
transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.models.perceiver.modeling_perceiver.PerceiverClassifierOutput 或一个 `torch.FloatTensor` 元组 (如果传递了 `return_dict=False` 或当 `config.return_dict=False` 时)，包含各种元素，具体取决于配置 (PerceiverConfig) 和输入。
- loss (
torch.FloatTensor，形状为(1,)，*可选*，当提供 `labels` 时返回) — 分类损失（如果 config.num_labels==1，则为回归损失）。 - logits (
torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类得分（如果 config.num_labels==1，则为回归得分）（在 SoftMax 之前）。 - 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（embeddings 的输出一个，每层输出一个），形状为(batch_size, sequence_length, hidden_size)。模型在每层输出以及初始 embedding 输出处的隐藏状态。 - 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)。注意力 softmax 之后的注意力权重，用于计算自注意力 head 中的加权平均。 - cross_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)。解码器交叉注意力层的注意力权重，在注意力 softmax 之后，用于计算交叉注意力 head 中的加权平均。
PerceiverForMultimodalAutoencoding forward 方法，覆盖了 __call__ 特殊方法。
虽然前向传播的配方需要在该函数中定义，但应该在之后调用 `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，而后者会默默地忽略它们。
示例
>>> from transformers import PerceiverForMultimodalAutoencoding
>>> import torch
>>> import numpy as np
>>> # create multimodal inputs
>>> images = torch.randn((1, 16, 3, 224, 224))
>>> audio = torch.randn((1, 30720, 1))
>>> inputs = dict(image=images, audio=audio, label=torch.zeros((images.shape[0], 700)))
>>> model = PerceiverForMultimodalAutoencoding.from_pretrained("deepmind/multimodal-perceiver")
>>> # in the Perceiver IO paper, videos are auto-encoded in chunks
>>> # each chunk subsamples different index dimensions of the image and audio modality decoder queries
>>> nchunks = 128
>>> image_chunk_size = np.prod((16, 224, 224)) // nchunks
>>> audio_chunk_size = audio.shape[1] // model.config.samples_per_patch // nchunks
>>> # process the first chunk
>>> chunk_idx = 0
>>> subsampling = {
... "image": torch.arange(image_chunk_size * chunk_idx, image_chunk_size * (chunk_idx + 1)),
... "audio": torch.arange(audio_chunk_size * chunk_idx, audio_chunk_size * (chunk_idx + 1)),
... "label": None,
... }
>>> outputs = model(inputs=inputs, subsampled_output_points=subsampling)
>>> logits = outputs.logits
>>> list(logits["audio"].shape)
[1, 240]
>>> list(logits["image"].shape)
[1, 6272, 3]
>>> list(logits["label"].shape)
[1, 700]