Pix2Struct
概述
Pix2Struct 模型在 Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding 中提出,作者是 Kenton Lee、Mandar Joshi、Iulia Turc、Hexiang Hu、Fangyu Liu、Julian Eisenschlos、Urvashi Khandelwal、Peter Shaw、Ming-Wei Chang、Kristina Toutanova。
该论文的摘要如下:
视觉情境语言无处不在——来源范围从带有图表的教科书到带有图像和表格的网页,再到带有按钮和表单的移动应用程序。 也许是由于这种多样性,以前的工作通常依赖于特定领域的配方,而底层数据、模型架构和目标的共享有限。 我们提出了 Pix2Struct,这是一个用于纯视觉语言理解的预训练图像到文本模型,可以在包含视觉情境语言的任务上进行微调。 Pix2Struct 通过学习将网页的掩码屏幕截图解析为简化的 HTML 进行预训练。 网络及其丰富的视觉元素清晰地反映在 HTML 结构中,为下游任务的多样性提供了大量的预训练数据。 直观地,此目标包含常见的预训练信号,例如 OCR、语言建模、图像字幕。 除了新颖的预训练策略外,我们还引入了可变分辨率输入表示以及语言和视觉输入的更灵活集成,其中诸如问题之类的语言提示直接呈现在输入图像的顶部。 我们首次展示了单个预训练模型可以在四个领域的九个任务中的六个任务中实现最先进的结果:文档、插图、用户界面和自然图像。
提示
Pix2Struct 已经在各种任务和数据集上进行了微调,范围从图像字幕、不同输入(书籍、图表、科学图表)上的视觉问答 (VQA)、UI 组件字幕等。完整列表可以在论文的表 1 中找到。 因此,我们建议您将这些模型用于已对其进行微调的任务。 例如,如果您想将 Pix2Struct 用于 UI 字幕,则应使用在 UI 数据集上微调的模型。 如果您想将 Pix2Struct 用于图像字幕,则应使用在自然图像字幕数据集上微调的模型,依此类推。
如果您想使用该模型执行条件文本字幕,请确保使用处理器时 add_special_tokens=False
。
此模型由 ybelkada 贡献。 原始代码可以在这里找到。
资源
Pix2StructConfig
class transformers.Pix2StructConfig
< 源代码 >( text_config = None vision_config = None initializer_factor = 1.0 initializer_range = 0.02 is_vqa = False tie_word_embeddings = False is_encoder_decoder = True **kwargs )
参数
- text_config (
dict
, 可选) — 用于初始化 Pix2StructTextConfig 的配置选项字典。 - vision_config (
dict
, 可选) — 用于初始化 Pix2StructVisionConfig 的配置选项字典。 - initializer_factor (
float
, 可选, 默认为 1.0) — 初始化范围的乘法因子。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - is_vqa (
bool
, 可选, 默认为False
) — 模型是否已针对 VQA 进行微调。 - kwargs (可选) — 关键字参数字典。
Pix2StructConfig 是用于存储 Pix2StructForConditionalGeneration 配置的配置类。 它用于根据指定的参数实例化 Pix2Struct 模型,定义文本模型和视觉模型配置。 使用默认值实例化配置将产生与 Pix2Struct-base google/pix2struct-base 架构类似的配置。
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 Pix2StructConfig, Pix2StructForConditionalGeneration
>>> # Initializing a Pix2StructConfig with google/pix2struct-base style configuration
>>> configuration = Pix2StructConfig()
>>> # Initializing a Pix2StructForConditionalGeneration (with random weights) from the google/pix2struct-base style configuration
>>> model = Pix2StructForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a Pix2StructConfig from a Pix2StructTextConfig and a Pix2StructVisionConfig
>>> # Initializing a Pix2Struct text and Pix2Struct vision configuration
>>> config_text = Pix2StructTextConfig()
>>> config_vision = Pix2StructVisionConfig()
>>> config = Pix2StructConfig.from_text_vision_configs(config_text, config_vision)
from_text_vision_configs
< 源代码 >( text_config: Pix2StructTextConfig vision_config: Pix2StructVisionConfig **kwargs ) → Pix2StructConfig
从 pix2struct 文本模型配置和 pix2struct 视觉模型配置实例化 Pix2StructConfig(或派生类)。
Pix2StructTextConfig
class transformers.Pix2StructTextConfig
< 源代码 >( vocab_size = 50244 hidden_size = 768 d_kv = 64 d_ff = 2048 num_layers = 12 num_heads = 12 relative_attention_num_buckets = 32 relative_attention_max_distance = 128 dropout_rate = 0.1 layer_norm_epsilon = 1e-06 initializer_factor = 1.0 dense_act_fn = 'gelu_new' decoder_start_token_id = 0 use_cache = False pad_token_id = 0 eos_token_id = 1 tie_word_embeddings = False is_decoder = True **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 50244) —Pix2Struct
文本模型的词汇表大小。 定义了在调用 Pix2StructTextModel 时传递的inputs_ids
可以表示的不同 tokens 的数量。 - hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - d_kv (
int
, 可选, 默认为 64) — 每个注意力头的键 (key)、查询 (query)、值 (value) 投影的维度。 - d_ff (
int
, 可选, 默认为 2048) — Transformer 编码器中“中间”层(即,前馈层)的维度。 - num_layers (
int
, 可选, 默认为 12) — Transformer 编码器中隐藏层的数量。 - num_heads (
int
, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数。 - relative_attention_num_buckets (
int
, 可选, 默认为 32) — 每个注意力层使用的桶 (buckets) 的数量。 - relative_attention_max_distance (
int
, 可选, 默认为 128) — 用于桶分离的较长序列的最大距离。 - dropout_rate (
float
, 可选, 默认为 0.1) — 嵌入层、编码器和池化器中所有全连接层的 dropout 概率。 - layer_norm_epsilon (
float
, 可选, 默认为 1e-6) — 层归一化层使用的 epsilon 值。 - initializer_factor (
float
, 可选, 默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1,在内部用于初始化测试)。 - dense_act_fn (
Union[Callable, str]
, 可选, 默认为"gelu_new"
) — 非线性激活函数(函数或字符串)。 - decoder_start_token_id (
int
, 可选, 默认为 0) —decoder_start_token_id
token 的 id。 - use_cache (
bool
, 可选, 默认为False
) — 模型是否应返回最后的键/值注意力 (并非所有模型都使用)。 - pad_token_id (
int
, 可选, 默认为 0) —padding
token 的 id。 - eos_token_id (
int
, 可选, 默认为 1) —end-of-sequence
token 的 id。
这是用于存储 Pix2StructTextModel 配置的配置类。 它用于根据指定的参数实例化 Pix2Struct 文本模型,定义模型架构。 使用默认值实例化配置将产生与 google/pix2struct-base 架构使用的 Pix2Struct 文本解码器类似的配置。
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 Pix2StructTextConfig, Pix2StructTextModel
>>> # Initializing a Pix2StructTextConfig with google/pix2struct-base style configuration
>>> configuration = Pix2StructTextConfig()
>>> # Initializing a Pix2StructTextModel (with random weights) from the google/pix2struct-base style configuration
>>> model = Pix2StructTextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Pix2StructVisionConfig
class transformers.Pix2StructVisionConfig
< source >( hidden_size = 768 patch_embed_hidden_size = 768 d_ff = 2048 d_kv = 64 num_hidden_layers = 12 num_attention_heads = 12 dense_act_fn = 'gelu_new' layer_norm_eps = 1e-06 dropout_rate = 0.0 attention_dropout = 0.0 initializer_range = 1e-10 initializer_factor = 1.0 seq_len = 4096 relative_attention_num_buckets = 32 relative_attention_max_distance = 128 **kwargs )
参数
- hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - patch_embed_hidden_size (
int
, 可选, 默认为 768) — Transformer 编码器中输入 patch_embedding 层的维度。 - d_ff (
int
, 可选, 默认为 2048) — Transformer 编码器中“中间”层(即,前馈层)的维度。 - d_kv (
int
, 可选, 默认为 64) — 每个注意力头的键 (key)、查询 (query)、值 (value) 投影的维度。 - num_hidden_layers (
int
, optional, defaults to 12) — Transformer 编码器中的隐藏层数。 - num_attention_heads (
int
, optional, defaults to 12) — Transformer 编码器中每个注意力层的注意力头数。 - dense_act_fn (
str
orfunction
, optional, defaults to"gelu_new"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
,"relu"
,"selu"
和"gelu_new"
"gelu"
。 - layer_norm_eps (
float
, optional, defaults to 1e-06) — 层归一化层使用的 epsilon 值。 - dropout_rate (
float
, optional, defaults to 0.0) — 嵌入层、编码器和池化器中所有全连接层的 dropout 概率。 - attention_dropout (
float
, optional, defaults to 0.0) — 注意力概率的 dropout 比率。 - initializer_range (
float
, optional, defaults to 1e-10) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - initializer_factor (
float
, optional, defaults to 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1,内部用于初始化测试)。 - seq_len (
int
, optional, defaults to 4096) — 模型支持的最大序列长度(此处为 patch 的数量)。 - relative_attention_num_buckets (
int
, optional, defaults to 32) — 每个注意力层要使用的 bucket 数量。 - relative_attention_max_distance (
int
, optional, defaults to 128) — 每个注意力层要使用的最大距离(以 token 为单位)。
这是用于存储 Pix2StructVisionModel 配置的配置类。它用于根据指定的参数实例化 Pix2Struct 视觉模型,从而定义模型架构。实例化默认配置将产生与 Pix2Struct-base google/pix2struct-base 架构类似的配置。
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 Pix2StructVisionConfig, Pix2StructVisionModel
>>> # Initializing a Pix2StructVisionConfig with google/pix2struct-base style configuration
>>> configuration = Pix2StructVisionConfig()
>>> # Initializing a Pix2StructVisionModel (with random weights) from the google/pix2struct-base style configuration
>>> model = Pix2StructVisionModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Pix2StructProcessor
class transformers.Pix2StructProcessor
< source >( image_processor tokenizer )
构建一个 PIX2STRUCT 处理器,该处理器将 BERT 分词器和 PIX2STRUCT 图像处理器包装到单个处理器中。
Pix2StructProcessor 提供 Pix2StructImageProcessor 和 T5TokenizerFast 的所有功能。有关更多信息,请参阅 __call__()
和 decode() 的文档字符串。
此方法将其所有参数转发到 Pix2StructTokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
此方法将其所有参数转发到 Pix2StructTokenizerFast 的 decode()。有关更多信息,请参阅此方法的文档字符串。
Pix2StructImageProcessor
class transformers.Pix2StructImageProcessor
< source >( do_convert_rgb: bool = True do_normalize: bool = True patch_size: Dict = None max_patches: int = 2048 is_vqa: bool = False **kwargs )
参数
- do_convert_rgb (
bool
, optional, defaults toTrue
) — 是否将图像转换为 RGB。 - do_normalize (
bool
, optional, defaults toTrue
) — 是否对图像进行归一化。可以被preprocess
方法中的do_normalize
参数覆盖。根据 Pix2Struct 论文和代码,图像使用其自身的均值和标准差进行归一化。 - patch_size (
Dict[str, int]
, optional, defaults to{"height" -- 16, "width": 16}
): 用于图像的 patch 大小。根据 Pix2Struct 论文和代码,patch 大小为 16x16。 - max_patches (
int
, optional, defaults to 2048) — 根据 Pix2Struct 论文,从图像中提取的最大 patch 数量。 - is_vqa (
bool
, optional, defaults toFalse
) — 图像处理器是否用于 VQA 任务。如果为True
且传入header_text
,则文本将渲染到输入图像上。
构建一个 Pix2Struct 图像处理器。
preprocess
< source >( images: Union header_text: Optional = None do_convert_rgb: bool = None do_normalize: Optional = None max_patches: Optional = None patch_size: Optional = None return_tensors: Union = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None **kwargs )
参数
- images (
ImageInput
) — 要预处理的图像。接受单个或一批图像。 - header_text (
Union[List[str], str]
, optional) — 要渲染为标题的文本。仅当image_processor.is_vqa
为True
时才有效。 - do_convert_rgb (
bool
, optional, defaults toself.do_convert_rgb
) — 是否将图像转换为 RGB。 - do_normalize (
bool
, optional, defaults toself.do_normalize
) — 是否对图像进行归一化。 - max_patches (
int
, optional, defaults toself.max_patches
) — 要提取的最大patch数量。 - patch_size (
dict
, optional, defaults toself.patch_size
) — 包含patch高度和宽度的字典。 - return_tensors (
str
或TensorType
, optional) — 返回的tensor类型。可以是以下之一:- Unset: 返回
np.ndarray
列表。 TensorType.TENSORFLOW
或'tf'
: 返回tf.Tensor
类型的batch。TensorType.PYTORCH
或'pt'
: 返回torch.Tensor
类型的batch。TensorType.NUMPY
或'np'
: 返回np.ndarray
类型的batch。TensorType.JAX
或'jax'
: 返回jax.numpy.ndarray
类型的batch。
- Unset: 返回
- data_format (
ChannelDimension
或str
, optional, defaults toChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
: 格式为 (num_channels, height, width) 的图像。"channels_last"
或ChannelDimension.LAST
: 格式为 (height, width, num_channels) 的图像。- Unset: 使用输入图像的通道维度格式。
- input_data_format (
ChannelDimension
或str
, optional) — 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
: 格式为 (num_channels, height, width) 的图像。"channels_last"
或ChannelDimension.LAST
: 格式为 (height, width, num_channels) 的图像。"none"
或ChannelDimension.NONE
: 格式为 (height, width) 的图像。
预处理单张或批量图像。处理器首先计算可以从图像中提取的、保持宽高比的、大小为 patch_size
的最大patch数量。然后,它用零填充图像,使图像符合 max_patches
的约束。在提取patch之前,图像会按照tensorflow实现的 per_image_standardization
进行标准化处理 (https://tensorflowcn.cn/api_docs/python/tf/image/per_image_standardization)。
Pix2StructTextModel
class transformers.Pix2StructTextModel
< source >( config )
参数
- config (Union[
Pix2StructConfig
,Pix2StructTextConfig
]) — 带有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相关的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。
Pix2Struct 的独立文本解码器
Pix2Struct 模型在 Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding 中被提出,作者是 Kenton Lee, Mandar Joshi, Iulia Turc, Hexiang Hu, Fangyu Liu, Julian Eisenschlos, Urvashi Khandelwal, Peter Shaw, Ming-Wei Chang, Kristina Toutanova。它是一个在图像到文本设置中预训练的编码器-解码器transformer。
此模型继承自 PreTrainedModel。查看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、剪枝头等)。
此模型也是 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。
forward
< source >( input_ids: Optional = None attention_mask: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None inputs_embeds: Optional = None head_mask: Optional = None cross_attn_head_mask: Optional = None past_key_values: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None labels: Optional = None return_dict: Optional = None **kwargs ) → transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 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。Pix2StructText 是一个带有相对位置嵌入的模型,因此您应该能够在左右两侧填充输入。索引可以使用 AutoTokenizer 获得。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
要了解有关如何为预训练准备
input_ids
的更多信息,请查看 Pix2StructText 训练。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.FloatTensor
, optional) — 用于避免在填充 token 索引上执行 attention 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 token 未被 mask,
- 0 表示 token 已被 mask。
- decoder_input_ids (形状为
(batch_size, target_sequence_length)
的torch.LongTensor
, optional) — 词汇表中解码器输入序列 token 的索引。索引可以使用 AutoTokenizer 获得。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
Pix2StructText 使用
pad_token_id
作为decoder_input_ids
生成的起始 token。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的)(请参阅past_key_values
)。要了解有关如何为预训练准备
decoder_input_ids
的更多信息,请查看 Pix2StructText 训练。 - decoder_attention_mask (形状为
(batch_size, target_sequence_length)
的torch.BoolTensor
, optional) — 默认行为:生成一个忽略decoder_input_ids
中的 pad token 的 tensor。默认情况下,也将使用因果 mask。 - head_mask (形状为
(num_heads,)
或(num_layers, num_heads)
的torch.FloatTensor
, optional) — 用于 nullify 编码器中 self-attention 模块的选定 head 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 mask,
- 0 表示 head 已被 mask。
- decoder_head_mask (形状为
(num_heads,)
或(num_layers, num_heads)
的torch.FloatTensor
, optional) — 用于 nullify 解码器中 self-attention 模块的选定 head 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 mask,
- 0 表示 head 已被 mask。
- cross_attn_head_mask (形状为
(num_heads,)
或(num_layers, num_heads)
的torch.Tensor
, optional) — 用于 nullify 解码器中 cross-attention 模块的选定 head 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 mask,
- 0 表示 head 已被 mask。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
, optional) — Tuple 由 (last_hidden_state
,optional
: hidden_states,optional
: attentions) 组成,形状为(batch_size, sequence_length, hidden_size)
的last_hidden_state
是编码器最后一层的输出端的隐藏状态序列。用于解码器的 cross-attention 中。 - past_key_values (长度为
config.n_layers
的tuple(tuple(torch.FloatTensor))
,其中每个 tuple 都有 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的 tensor) — 包含 attention 层的预计算的键和值隐藏状态。可用于加速解码。如果使用
past_key_values
,用户可以选择仅输入最后decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的),其形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。 - inputs_embeds (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
, optional) — (可选)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更精细地控制如何将input_ids
索引转换为关联的向量,这将非常有用。 - decoder_inputs_embeds (形状为
(batch_size, target_sequence_length, hidden_size)
的torch.FloatTensor
, optional) — (可选)您可以选择直接传递嵌入表示,而不是传递decoder_input_ids
。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(请参阅past_key_values
)。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将decoder_input_ids
索引转换为关联的向量,这将非常有用。如果
decoder_input_ids
和decoder_inputs_embeds
均未设置,则decoder_inputs_embeds
采用inputs_embeds
的值。 - use_cache (
bool
, optional) — 如果设置为True
,则返回past_key_values
键值状态,并且可以用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
, optional) — 是否返回所有 attention 层的 attention tensor。 有关更多详细信息,请参见返回的 tensor 下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯粹的元组。
返回值
transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或者当 config.return_dict=False
时),包含各种元素,具体取决于配置 (Pix2StructConfig) 和输入。
-
loss (
torch.FloatTensor
,形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失(用于下一个 token 预测)。 -
logits (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前的每个词汇 token 的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递了output_hidden_states=True
或者当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (对于嵌入的输出,如果模型有一个嵌入层,则有一个;对于每一层的输出,则有一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递了output_attentions=True
或者当config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传递了output_attentions=True
或者当config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。交叉注意力 softmax 之后的交叉注意力权重,用于计算交叉注意力头中的加权平均值。
-
past_key_values (
tuple(tuple(torch.FloatTensor))
,可选,当传递了use_cache=True
或者当config.use_cache=True
时返回) —torch.FloatTensor
元组的元组,长度为config.n_layers
,每个元组包含自注意力层的缓存键、值状态,以及交叉注意力层(如果模型在编码器-解码器设置中使用)。仅当config.is_decoder = True
时相关。包含预先计算的隐藏状态(注意力块中的键和值),可以用于(参见
past_key_values
输入)加速顺序解码。
Pix2StructTextModel 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在此之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoProcessor, Pix2StructTextModel
>>> processor = AutoProcessor.from_pretrained("google/pix2struct-textcaps-base")
>>> model = Pix2StructTextModel.from_pretrained("google/pix2struct-textcaps-base")
>>> inputs = processor(text="Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> loss = outputs.loss
Pix2StructVisionModel
class transformers.Pix2StructVisionModel
< source >( config: Pix2StructConfig )
参数
- config (Pix2StructConfig) — 带有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。
裸机 Pix2StructVision 模型转换器输出原始隐藏状态,而顶部没有任何特定的头。 此模型是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< source >( flattened_patches: Optional = None attention_mask: Optional = None head_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
参数
- flattened_patches (
torch.FloatTensor
,形状为(batch_size, sequence_length, num_channels x patch_height x patch_width)
) — 展平并填充的像素值。 这些值可以使用 AutoImageProcessor 获得。 有关详细信息,请参阅Pix2StructVisionImageProcessor.__call__
。 有关更多详细信息,请查看 原始论文(图 5)。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免对填充像素值执行注意力的掩码。 在[0, 1]
中选择的掩码值: - 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头无效的掩码。 在[0, 1]
中选择的掩码值:- 1 表示头未被掩蔽,
- 0 表示头被掩蔽。
- output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 更多细节请查看返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯粹的元组。
返回值
transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或者当 config.return_dict=False
时),包含各种元素,具体取决于配置 (Pix2StructConfig) 和输入。
-
last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出端的隐藏状态序列。 -
pooler_output (
torch.FloatTensor
,形状为(batch_size, hidden_size)
) — 序列的第一个 token(分类 token)的最后一层隐藏状态,在通过用于辅助预训练任务的层进一步处理之后。 例如,对于 BERT 系列模型,这会返回通过线性层和 tanh 激活函数处理后的分类 token。 线性层权重通过预训练期间的下一句预测(分类)目标进行训练。 -
hidden_states (
tuple(torch.FloatTensor)
,可选,当传递了output_hidden_states=True
或者当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (对于嵌入的输出,如果模型有一个嵌入层,则有一个;对于每一层的输出,则有一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
,可选,当传递了output_attentions=True
或者当config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
Pix2StructVisionModel 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在此之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> import requests
>>> from PIL import Image
>>> from transformers import AutoProcessor, Pix2StructVisionModel
>>> image_processor = AutoProcessor.from_pretrained("google/pix2struct-textcaps-base")
>>> model = Pix2StructVisionModel.from_pretrained("google/pix2struct-textcaps-base")
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 2048, 768]
Pix2StructForConditionalGeneration
class transformers.Pix2StructForConditionalGeneration
< source >( config: Pix2StructConfig )
参数
- config (Union[
Pix2StructConfig
,Pix2StructTextConfig
]) — 带有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。
具有语言建模头的条件生成模型。 可用于序列生成任务。
Pix2Struct 模型在 Pix2Struct: Screenshot Parsing as Pretraining for Visual Language Understanding 中被提出,作者是 Kenton Lee, Mandar Joshi, Iulia Turc, Hexiang Hu, Fangyu Liu, Julian Eisenschlos, Urvashi Khandelwal, Peter Shaw, Ming-Wei Chang, Kristina Toutanova。它是一个在图像到文本设置中预训练的编码器-解码器transformer。
此模型继承自 PreTrainedModel。查看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、剪枝头等)。
此模型也是 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。
forward
< source >( flattened_patches: Optional = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None labels: Optional = None decoder_inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)
参数
- flattened_patches (
torch.FloatTensor
,形状为(batch_size, seq_length, hidden_size)
) — 展平的像素块。hidden_size
通过以下公式获得:hidden_size
=num_channels
patch_size
patch_size
展平像素块的过程由
Pix2StructProcessor
完成。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在 padding token 索引上执行 attention 的掩码。掩码值在[0, 1]
中选择:- 1 表示 token 未被掩盖,
- 0 表示 token 已被掩盖。
- decoder_input_ids (
torch.LongTensor
,形状为(batch_size, target_sequence_length)
,可选) — 解码器输入序列 token 在词汇表中的索引。索引可以使用 AutoTokenizer 获得。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。
Pix2StructText
使用pad_token_id
作为decoder_input_ids
生成的起始 token。如果使用了past_key_values
,则可以选择只输入最后的decoder_input_ids
(请参阅past_key_values
)。要了解更多关于如何为预训练准备
decoder_input_ids
的信息,请查看 Pix2StructText 训练。 - decoder_attention_mask (
torch.BoolTensor
,形状为(batch_size, target_sequence_length)
,可选) — 默认行为:生成一个忽略decoder_input_ids
中的 pad token 的 tensor。默认情况下,也会使用因果掩码。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于 nullify 编码器中 self-attention 模块的选定 head 的掩码。掩码值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- decoder_head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于 nullify 解码器中 self-attention 模块的选定 head 的掩码。掩码值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- cross_attn_head_mask (
torch.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于 nullify 解码器中 cross-attention 模块的选定 head 的掩码。掩码值在[0, 1]
中选择:- 1 表示 head 未被掩盖,
- 0 表示 head 已被掩盖。
- encoder_outputs (
tuple(tuple(torch.FloatTensor)
,可选) — 由 (last_hidden_state
,可选
: hidden_states,可选
: attentions) 组成的元组。 形状为(batch_size, sequence_length, hidden_size)
的last_hidden_state
是编码器最后一层的输出处的 hidden state 序列。在解码器的 cross-attention 中使用。 - past_key_values (
tuple(tuple(torch.FloatTensor))
,长度为config.n_layers
,其中每个元组有 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的 tensor) — 包含 attention 层的预计算 key 和 value hidden state。可用于加速解码。如果使用了
past_key_values
,用户可以选择只输入最后的decoder_input_ids
(那些没有将其 past key value state 给予此模型的) ,形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的decoder_input_ids
。 - decoder_inputs_embeds (
torch.FloatTensor
,形状为(batch_size, target_sequence_length, hidden_size)
,可选) — 可以选择直接传递嵌入表示,而不是传递decoder_input_ids
。如果使用了past_key_values
,则可以选择只输入最后的decoder_inputs_embeds
(请参阅past_key_values
)。如果您希望比模型的内部 embedding lookup matrix 更精细地控制如何将decoder_input_ids
索引转换为关联的向量,这将非常有用。如果
decoder_input_ids
和decoder_inputs_embeds
均未设置,则decoder_inputs_embeds
取inputs_embeds
的值。 - labels (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 用于计算解码器的 masked language modeling loss 的标签。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
key value state,并可用于加速解码 (请参阅past_key_values
)。 - output_attentions (
bool
,可选) — 是否返回所有 attention 层的 attention tensor。 有关更多详细信息,请参阅返回的 tensor 下的attentions
。 - output_hidden_states (
bool
,可选) — 是否返回所有层的 hidden state。 有关更多详细信息,请参阅返回的 tensor 下的hidden_states
。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.modeling_outputs.Seq2SeqModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqModelOutput 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 (Pix2StructConfig) 和输入。
-
last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层输出处的 hidden-state 序列。如果使用
past_key_values
,则仅输出形状为(batch_size, 1, hidden_size)
的序列的最后一个 hidden-state。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
,可选,当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
元组,每个元组具有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的 tensor 和 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的附加 tensor。包含预计算的 hidden-state (self-attention 块和 cross-attention 块中的 key 和 value),可用于加速顺序解码 (请参阅
past_key_values
输入)。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (如果模型具有 embedding 层,则为 embedding 输出一个,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。解码器在每层输出处的 Hidden-state 加上可选的初始 embedding 输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的 attention 权重,在 attention softmax 之后,用于计算 self-attention head 中的加权平均值。
-
cross_attentions (
tuple(torch.FloatTensor)
,可选,当传递了output_attentions=True
或者当config.output_attentions=True
时返回) —torch.FloatTensor
的元组 (每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。解码器的 cross-attention 层的 attention 权重,在 attention softmax 之后,用于计算 cross-attention head 中的加权平均值。
-
encoder_last_hidden_state (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型编码器最后一层输出处的 hidden-state 序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
元组 (如果模型具有 embedding 层,则为 embedding 输出一个,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。编码器在每层输出处的 Hidden-state 加上可选的初始 embedding 输出。
-
encoder_attentions (
tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
元组 (每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。编码器的 attention 权重,在 attention softmax 之后,用于计算 self-attention head 中的加权平均值。
Pix2StructForConditionalGeneration
的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在此之后调用 Module
实例,而不是调用此函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。
示例
推理
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Pix2StructForConditionalGeneration
>>> processor = AutoProcessor.from_pretrained("google/pix2struct-textcaps-base")
>>> model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-textcaps-base")
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> inputs = processor(images=image, return_tensors="pt")
>>> # autoregressive generation
>>> generated_ids = model.generate(**inputs, max_new_tokens=50)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
>>> print(generated_text)
A stop sign is on a street corner.
>>> # conditional generation
>>> text = "A picture of"
>>> inputs = processor(text=text, images=image, return_tensors="pt", add_special_tokens=False)
>>> generated_ids = model.generate(**inputs, max_new_tokens=50)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
>>> print(generated_text)
A picture of a stop sign with a red stop sign
训练
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Pix2StructForConditionalGeneration
>>> processor = AutoProcessor.from_pretrained("google/pix2struct-base")
>>> model = Pix2StructForConditionalGeneration.from_pretrained("google/pix2struct-base")
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = "A stop sign is on the street corner."
>>> inputs = processor(images=image, return_tensors="pt")
>>> labels = processor(text=text, return_tensors="pt").input_ids
>>> # forward pass
>>> outputs = model(**inputs, labels=labels)
>>> loss = outputs.loss
>>> print(f"{loss.item():.5f}")
5.94282