参数

• images (ImageInput) — 要预处理的图像。 期望输入像素值范围为 0 到 255 的单张或一批图像。如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• videos (VideoInput) — 要预处理的视频。 期望输入像素值范围为 0 到 255 的单张或一批视频。如果传入的视频像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的尺寸。 图像的最短边将调整为 size[“shortest_edge”]，最长边将调整大小以保持输入宽高比。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样过滤器。 这可以是枚举 PILImageResampling 之一。 仅当 do_resize 设置为 True 时才有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否缩放图像。
• rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True，则用于缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时有效。
• min_pixels (int, 可选, 默认为 self.min_pixels) — 调整图像大小的最小像素数。
• max_pixels (int, 可选, 默认为 self.max_pixels) — 调整图像大小的最大像素数。
• patch_size (int, 可选, 默认为 self.patch_size) — 视觉编码器的空间 patch 大小。
• temporal_patch_size (int, 可选, 默认为 self.temporal_patch_size) — 视觉编码器的时间 patch 大小。
• merge_size (int, 可选, 默认为 self.merge_size) — 视觉编码器到 llm 编码器的合并大小。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • Unset: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

参数

• images (ImageInput) — 要预处理的图像。 期望单个或批量的图像，像素值范围为 0 到 255。 如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
• videos (VideoInput) — 要预处理的视频。 期望单个或批量的视频，像素值范围为 0 到 255。 如果传入像素值在 0 到 1 之间的视频，请设置 do_rescale=False。
• do_resize (bool, 可选, 默认为 self.do_resize) — 是否调整图像大小。
• size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的尺寸。 必须存在 shortest_edge 和 longest_edge 键。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。 这可以是枚举 PILImageResampling 之一。 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，则用于重新缩放图像的缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于标准化的图像均值。 仅当 do_normalize 设置为 True 时才有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于标准化的图像标准差。 仅当 do_normalize 设置为 True 时才有效。
• min_pixels (int, 可选, 默认为 self.min_pixels) — 调整图像大小的最小像素数。
• max_pixels (int, 可选, 默认为 self.max_pixels) — 调整图像大小的最大像素数。
• patch_size (int, 可选, 默认为 self.patch_size) — 视觉编码器的空间 patch 大小。
• temporal_patch_size (int, 可选, 默认为 self.temporal_patch_size) — 视觉编码器的时间 patch 大小。
• merge_size (int, 可选, 默认为 self.merge_size) — 视觉编码器到llm编码器的合并大小。
• do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为RGB格式。
• return_tensors (str 或 TensorType, 可选) — 返回张量的类型。 可以是以下之一：
  • Unset: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension 或 str, 可选, 默认为 ChannelDimension.FIRST) — 输出图像的通道维度格式。 可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。 如果未设置，则通道维度格式从输入图像中推断。 可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。
• device (torch.device, 可选) — 处理图像的设备。 如果未设置，则设备从输入图像中推断。

参数

• generated_outputs (torch.Tensor 或 np.ndarray) — 模型 generate 函数的输出。 预期输出是形状为 (batch_size, sequence_length) 或 (sequence_length,) 的张量。
• skip_special_tokens (bool, 可选, 默认为 True) — 是否删除输出中的特殊 token。 传递给分词器的 batch_decode 方法的参数。
• Clean_up_tokenization_spaces (bool, 可选, 默认为 False) — 是否清理分词空格。 传递给分词器的 batch_decode 方法的参数。
• **kwargs — 要传递给分词器的 batch_decode method 的其他参数。

解码后的文本。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列令牌的索引。如果您提供填充，默认情况下填充将被忽略。

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

  什么是输入 IDs？

• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor，可选) — 用于避免在填充令牌索引上执行注意力的掩码。掩码值在 [0, 1] 中选择：
  • 1 表示令牌未被掩蔽，
  • 0 表示令牌被掩蔽。

  什么是注意力掩码？

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

  如果使用 past_key_values，则可以选择仅输入最后一个 decoder_input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需求进行修改。有关默认策略的更多信息，请参见 论文 中的图 1。

  • 1 表示 head 未被掩蔽，
  • 0 表示 head 被掩蔽。
• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 每个输入序列令牌在位置嵌入中的位置索引。在范围 [0, config.n_positions - 1] 中选择。什么是位置 IDs？
• past_key_values (tuple(tuple(torch.FloatTensor))，可选，当传递 use_cache=True 或 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元组，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

  包含预先计算的隐藏状态（自注意力模块和交叉注意力模块中的键和值），可以用于（参见 past_key_values 输入）加速顺序解码。

  如果使用 past_key_values，用户可以选择仅输入最后一个 decoder_input_ids （那些没有将其过去的键值状态提供给此模型的），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 decoder_input_ids。

• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您希望比模型的内部嵌入查找矩阵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。
• use_cache (bool，可选) — 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，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。
• return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通元组。
• pixel_values (形状为 `(seq_length, num_channels image_size image_size)` 的 torch.FloatTensor) — 与输入图像相对应的张量。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 Qwen2VLImageProcessor.call()。Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理图像。
• pixel_values_videos (形状为 `(seq_length, num_channels temporal_size image_size * image_size)` 的 torch.FloatTensor) — 与输入视频相对应的张量。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 Qwen2VLImageProcessor.call()。Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。
• image_grid_thw (形状为 (num_images, 3) 的 torch.LongTensor，可选) — LLM 中每个图像的特征形状的时间、高度和宽度。
• video_grid_thw (形状为 (num_videos, 3) 的 torch.LongTensor，可选) — LLM 中每个视频的特征形状的时间、高度和宽度。
• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度和多模态 rope 之间的 rope 索引差异。
• labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor，可选) — 用于计算掩码语言建模损失的标签。索引应为 [0, ..., config.vocab_size] 或 -100（请参阅 input_ids 文档字符串）。索引设置为 -100 的令牌将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的令牌计算。

一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast 或 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 (Qwen2VLConfig) 和输入。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 labels 时返回) — 语言建模损失（用于下一个令牌预测）。

• 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 之前每个词汇表令牌的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor))，可选，当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元组，其中每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)

  包含预先计算的隐藏状态（自注意力模块中的键和值），可以用于（参见 past_key_values 输入）加速顺序解码。

• hidden_states (tuple(torch.FloatTensor)，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入输出提供一个，+ 为每层的输出提供一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出以及可选的初始嵌入输出处的隐藏状态。

• attentions (tuple(torch.FloatTensor)，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 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，用于计算自注意力头中的加权平均值。

• rope_deltas (形状为 (batch_size, ) 的 torch.LongTensor，可选) — 序列长度和多模态 rope 之间的 rope 索引差异。