Qwen2_VL
概述
The Qwen2_VL 是我们对来自 Qwen 团队的 Qwen-VL 模型的一次重大更新。
博客中的摘要如下
本文介绍了 Qwen2-VL,它是 Qwen-VL 模型的进阶版本,在过去一年中进行了重大改进。主要改进包括:增强图像理解能力、提升视频理解能力、集成视觉代理功能以及扩展多语言支持。模型架构针对任意图像分辨率进行了优化,通过朴素动态分辨率支持处理各种分辨率的图像,并利用多模态旋转位置嵌入 (M-ROPE) 来有效处理一维文本和多维视觉数据。该更新后的模型在视觉相关任务中展现出与 GPT-4o 和 Claude 3.5 Sonnet 等领先 AI 系统相媲美的性能,并在文本能力方面位列开源模型前列。这些进步使 Qwen2-VL 成为各种需要强大的多模态处理和推理能力的应用程序的通用工具。
使用示例
单媒体推断
该模型可以接受图像和视频作为输入。以下是推断的示例代码。
from PIL import Image
import requests
import torch
from torchvision import io
from typing import Dict
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
# Load the model in half-precision on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", device_map="auto")
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
# Image
url = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
image = Image.open(requests.get(url, stream=True).raw)
conversation = [
{
"role":"user",
"content":[
{
"type":"image",
},
{
"type":"text",
"text":"Describe this image."
}
]
}
]
# Preprocess the inputs
text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Describe this image.<|im_end|>\n<|im_start|>assistant\n'
inputs = processor(text=[text_prompt], images=[image], padding=True, return_tensors="pt")
inputs = inputs.to('cuda')
# Inference: Generation of the output
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)
# Video
def fetch_video(ele: Dict, nframe_factor=2):
if isinstance(ele['video'], str):
def round_by_factor(number: int, factor: int) -> int:
return round(number / factor) * factor
video = ele["video"]
if video.startswith("file://"):
video = video[7:]
video, _, info = io.read_video(
video,
start_pts=ele.get("video_start", 0.0),
end_pts=ele.get("video_end", None),
pts_unit="sec",
output_format="TCHW",
)
assert not ("fps" in ele and "nframes" in ele), "Only accept either `fps` or `nframes`"
if "nframes" in ele:
nframes = round_by_factor(ele["nframes"], nframe_factor)
else:
fps = ele.get("fps", 1.0)
nframes = round_by_factor(video.size(0) / info["video_fps"] * fps, nframe_factor)
idx = torch.linspace(0, video.size(0) - 1, nframes, dtype=torch.int64)
return video[idx]
video_info = {"type": "video", "video": "/path/to/video.mp4", "fps": 1.0}
video = fetch_video(video_info)
conversation = [
{
"role": "user",
"content": [
{"type": "video"},
{"type": "text", "text": "What happened in the video?"},
],
}
]
# Preprocess the inputs
text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|video_pad|><|vision_end|>What happened in the video?<|im_end|>\n<|im_start|>assistant\n'
inputs = processor(text=[text_prompt], videos=[video], padding=True, return_tensors="pt")
inputs = inputs.to('cuda')
# Inference: Generation of the output
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)
批量混合媒体推断
该模型可以批量处理由图像、视频和文本等不同类型样本组成的输入。以下是一个示例。
image1 = Image.open("/path/to/image1.jpg")
image2 = Image.open("/path/to/image2.jpg")
image3 = Image.open("/path/to/image3.jpg")
image4 = Image.open("/path/to/image4.jpg")
image5 = Image.open("/path/to/image5.jpg")
video = fetch_video({
"type": "video",
"video": "/path/to/video.mp4",
"fps": 1.0
})
# Conversation for the first image
conversation1 = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "Describe this image."}
]
}
]
# Conversation with two images
conversation2 = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "image"},
{"type": "text", "text": "What is written in the pictures?"}
]
}
]
# Conversation with pure text
conversation3 = [
{
"role": "user",
"content": "who are you?"
}
]
# Conversation with mixed midia
conversation4 = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "image"},
{"type": "video"},
{"type": "text", "text": "What are the common elements in these medias?"},
],
}
]
conversations = [conversation1, conversation2, conversation3, conversation4]
# Preparation for batch inference
texts = [processor.apply_chat_template(msg, add_generation_prompt=True) for msg in conversations]
inputs = processor(
text=texts,
images=[image1, image2, image3, image4, image5],
videos=[video],
padding=True,
return_tensors="pt",
)
inputs = inputs.to('cuda')
# Batch Inference
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)
使用技巧
图像分辨率以提升性能
该模型支持各种分辨率的输入。默认情况下,它使用输入的原生分辨率,但更高的分辨率可以以更高的计算量为代价来提高性能。用户可以设置像素的最小值和最大值,以获得满足其需求的最佳配置。
min_pixels = 224*224
max_pixels = 2048*2048
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)
多图像输入
默认情况下,图像和视频内容直接包含在对话中。当处理多张图像时,在图像和视频中添加标签有助于更好地参考。用户可以使用以下设置来控制这种行为
conversation = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "Hello, how are you?"}
]
},
{
"role": "assistant",
"content": "I'm doing well, thank you for asking. How can I assist you today?"
},
{
"role": "user",
"content": [
{"type": "text", "text": "Can you describe these images and video?"},
{"type": "image"},
{"type": "image"},
{"type": "video"},
{"type": "text", "text": "These are from my vacation."}
]
},
{
"role": "assistant",
"content": "I'd be happy to describe the images and video for you. Could you please provide more context about your vacation?"
},
{
"role": "user",
"content": "It was a trip to the mountains. Can you see the details in the images and video?"
}
]
# default:
prompt_without_id = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?<|vision_start|><|image_pad|><|vision_end|><|vision_start|><|image_pad|><|vision_end|><|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'
# add ids
prompt_with_id = processor.apply_chat_template(conversation, add_generation_prompt=True, add_vision_id=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\nPicture 1: <|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?Picture 2: <|vision_start|><|image_pad|><|vision_end|>Picture 3: <|vision_start|><|image_pad|><|vision_end|>Video 1: <|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'
Flash-Attention 2 以加速生成
首先,确保安装最新版本的 Flash Attention 2。
pip install -U flash-attn --no-build-isolation
此外,您应该拥有与 Flash-Attention 2 兼容的硬件。在 flash attention 仓库 的官方文档中了解更多信息。FlashAttention-2 只能在模型以 torch.float16
或 torch.bfloat16
加载时使用。
要使用 Flash Attention-2 加载和运行模型,只需在加载模型时添加 attn_implementation="flash_attention_2"
,如下所示
from transformers import Qwen2VLForConditionalGeneration
model = Qwen2VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen2-VL-7B-Instruct",
torch_dtype=torch.bfloat16,
attn_implementation="flash_attention_2",
)
Qwen2VLConfig
class transformers.Qwen2VLConfig
< 源代码 >( vocab_size = 152064 hidden_size = 8192 intermediate_size = 29568 num_hidden_layers = 80 num_attention_heads = 64 num_key_value_heads = 8 hidden_act = 'silu' max_position_embeddings = 32768 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True tie_word_embeddings = False rope_theta = 1000000.0 use_sliding_window = False sliding_window = 4096 max_window_layers = 80 attention_dropout = 0.0 vision_config = None rope_scaling = None **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 152064) — Qwen2VL 模型的词汇量大小。定义调用 Qwen2VLModel 时传递的inputs_ids
可以表示的不同 token 数量 - hidden_size (
int
, 可选, 默认为 8192) — 隐藏表示的维度。 - intermediate_size (
int
, 可选, 默认为 29568) — MLP 表示的维度。 - num_hidden_layers (
int
, 可选, 默认为 80) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为 64) — Transformer 编码器中每个注意力层的注意力头数。 - num_key_value_heads (
int
, 可选, 默认为 8) — 这是用于实现分组查询注意力的键值头数量。 如果num_key_value_heads=num_attention_heads
,模型将使用多头注意力 (MHA),如果num_key_value_heads=1
模型将使用多查询注意力 (MQA),否则使用 GQA。 在将多头检查点转换为 GQA 检查点时,每个组键和值头应通过对该组中所有原始头进行平均池化来构建。 有关更多详细信息,请查看 这篇论文。 如果未指定,将默认为32
。 - hidden_act (
str
或function
, 可选, 默认为"silu"
) — 解码器中的非线性激活函数(函数或字符串)。 - max_position_embeddings (
int
, 可选, 默认为 32768) — 此模型可能使用的最大序列长度。 - initializer_range (
float
, 可选, 默认为 0.02) — 初始化所有权重矩阵的截断正态分布初始化的标准差。 - rms_norm_eps (
float
, 可选, 默认为 1e-05) — RMS 归一化层使用的 epsilon。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应该返回最后的键值注意力(并非所有模型都使用)。仅在config.is_decoder=True
时相关。 - tie_word_embeddings (
bool
, 可选, 默认为False
) — 模型的输入和输出词嵌入是否应该绑定。 - rope_theta (
float
, 可选, 默认为 1000000.0) — RoPE 嵌入的基础周期。 - use_sliding_window (
bool
, 可选, 默认为False
) — 是否使用滑动窗口注意力。 - sliding_window (
int
, 可选, 默认为 4096) — 滑动窗口注意力(SWA)窗口大小。如果没有指定,则默认值为4096
。 - max_window_layers (
int
, 可选, 默认为 80) — 使用 SWA(滑动窗口注意力)的层数。 底部层使用 SWA,而顶部层使用全注意力。 - attention_dropout (
float
, 可选, 默认为 0.0) — 注意力概率的丢弃率。 - vision_config (
Dict
, 可选) — 用于视觉编码器初始化的配置。 - rope_scaling (
Dict
, 可选) — 包含 RoPE 嵌入缩放配置的字典。注意:如果您应用了新的 rope 类型并希望模型在更长的max_position_embeddings
上工作,我们建议您相应地更新此值。预期内容:rope_type
(str
):要使用的 RoPE 的子变体。可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 中的一种,其中 ‘default’ 是原始 RoPE 实现。factor
(float
, 可选):与除 ‘default’ 之外的所有 rope 类型一起使用。要应用于 RoPE 嵌入的缩放因子。在大多数缩放类型中,factor
为 x 将使模型能够处理长度为 x * 原始最大预训练长度的序列。original_max_position_embeddings
(int
, 可选):与 ‘dynamic’, ‘longrope’ 和 ‘llama3’ 一起使用。预训练期间使用的原始最大位置嵌入。attention_factor
(float
, 可选):与 ‘yarn’ 和 ‘longrope’ 一起使用。要应用于注意力计算的缩放因子。如果未指定,则默认为实现推荐的值,使用factor
字段来推断建议的值。beta_fast
(float
, 可选):仅与 ‘yarn’ 一起使用。用于设置线性斜坡函数中(仅)外推的边界。如果未指定,则默认为 32。beta_slow
(float
, 可选):仅与 ‘yarn’ 一起使用。用于设置线性斜坡函数中(仅)插值的边界。如果未指定,则默认为 1。short_factor
(List[float]
, 可选):仅与 ‘longrope’ 一起使用。要应用于短上下文(<original_max_position_embeddings
)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数除以 2 相同。long_factor
(List[float]
, 可选):仅与 ‘longrope’ 一起使用。要应用于长上下文(<original_max_position_embeddings
)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数除以 2 相同。low_freq_factor
(float
, 可选):仅与 ‘llama3’ 一起使用。应用于 RoPE 低频分量的缩放因子。high_freq_factor
(float
, 可选):仅与 ‘llama3’ 一起使用。应用于 RoPE 高频分量的缩放因子。
这是一个配置类,用于存储 Qwen2VLModel 的配置。它用于根据指定的参数实例化 Qwen2-VL 模型,定义模型架构。使用默认值实例化配置将产生与 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
>>> from transformers import Qwen2VLForConditionalGeneration, Qwen2VLConfig
>>> # Initializing a Qwen2VL style configuration
>>> configuration = Qwen2VLConfig()
>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2VLForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Qwen2VLImageProcessor
class transformers.Qwen2VLImageProcessor
< source >( do_resize: bool = True resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_rgb: bool = True min_pixels: int = 3136 max_pixels: int = 1003520 patch_size: int = 14 temporal_patch_size: int = 2 merge_size: int = 2 **kwargs )
参数
- do_resize (
bool
, 可选,默认为True
) — 是否调整图像的(高度、宽度)尺寸。 - resample (
PILImageResampling
, 可选,默认为Resampling.BICUBIC
) — 调整图像大小时的重采样滤镜。 - do_rescale (
bool
, 可选,默认为True
) — 是否按指定的比例rescale_factor
重新调整图像大小。 - rescale_factor (
int
或float
, 可选,默认为1/255
) — 如果重新调整图像大小,要使用的缩放因子。 - do_normalize (
bool
, 可选, 默认为True
) — 是否对图像进行标准化。 - image_mean (
float
或List[float]
, 可选, 默认为[0.48145466, 0.4578275, 0.40821073]
) — 如果对图像进行标准化,则使用的均值。 这是一个浮点数或每个图像通道的浮点数列表。 - image_std (
float
或List[float]
, 可选, 默认为[0.26862954, 0.26130258, 0.27577711]
) — 如果对图像进行标准化,则使用的标准差。 这是一个浮点数或每个图像通道的浮点数列表。 - do_convert_rgb (
bool
, 可选, 默认为True
) — 是否将图像转换为 RGB。 - min_pixels (
int
, 可选, 默认为56 * 56
) — 图像调整大小的最小像素数。 - max_pixels (
int
, 可选, 默认为28 * 28 * 1280
) — 图像调整大小的最大像素数。 - patch_size (
int
, 可选, 默认为 14) — 视觉编码器的空间块大小。 - temporal_patch_size (
int
, 可选, 默认为 2) — 视觉编码器的时序块大小。 - merge_size (
int
, 可选, 默认为 2) — 视觉编码器到 LLM 编码器的合并大小。
构建一个 Qwen2-VL 图像处理器,它根据原始图像动态调整图像大小。
预处理
< 源代码 >( images: Union videos: Union = None do_resize: bool = None size: Dict = None resample: Resampling = None do_rescale: bool = None rescale_factor: float = None 参数 ImageInput
) — 需要预处理的图像。 期待单个或一批图像,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
。 VideoInput
) — 需要预处理的视频。 期待单个或一批视频,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
。 bool
, optional, defaults to self.do_resize
) — 是否调整图像大小。 Dict[str, int]
, optional, defaults to self.size
) — 调整大小后图像的大小。 图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。 int
, optional, defaults to self.resample
) — 如果调整图像大小,要使用的重采样滤镜。 这可以是枚举 PILImageResampling
中的一个。 仅在 do_resize
设置为 True
时有效。 bool
, optional, defaults to self.do_rescale
) — 是否重新缩放图像。 float
, optional, defaults to self.rescale_factor
) — 如果 do_rescale
设置为 True
,用于重新缩放图像的重新缩放因子。 bool
, optional, defaults to self.do_normalize
) — 是否规范化图像。 float
or List[float]
, optional, defaults to self.image_mean
) — 用于规范化的图像均值。 仅在 do_normalize
设置为 True
时有效。 float
or List[float]
, optional, defaults to self.image_std
) — 用于规范化的图像标准差。 仅在 do_normalize
设置为 True
时有效。 ChannelDimension
或 str
,可选,默认值为 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 (通道数,高度,宽度)。"channels_last"
或 ChannelDimension.LAST
:图像格式为 (高度,宽度,通道数)。ChannelDimension
或 str
,可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
"channels_first"
或 ChannelDimension.FIRST
:图像格式为 (通道数,高度,宽度)。"channels_last"
或 ChannelDimension.LAST
:图像格式为 (高度,宽度,通道数)。"none"
或 ChannelDimension.NONE
:图像格式为 (高度,宽度)。
Qwen2VLProcessor
class transformers.Qwen2VLProcessor
< 源代码 >( image_processor = None tokenizer = None chat_template = None **kwargs )
参数
- image_processor (Qwen2VLImageProcessor,可选) — 图像处理器是必需的输入。
- tokenizer (Qwen2TokenizerFast,可选) — 分词器是必需的输入。
- chat_template (
str
,可选) — 将聊天中的消息列表转换为可标记字符串的 Jinja 模板。
构建 Qwen2-VL 处理器,它将 Qwen2-VL 图像处理器和 Qwen2 分词器包装到单个处理器中。 Qwen2VLProcessor 提供了 Qwen2VLImageProcessor 和 Qwen2TokenizerFast 的所有功能。有关更多信息,请参阅 __call__()
和 decode()。
此方法将其所有参数转发给 Qwen2TokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
此方法将所有参数转发给 Qwen2TokenizerFast 的 decode()。有关更多信息,请参阅此方法的文档字符串。
Qwen2VLModel
class transformers.Qwen2VLModel
< source >( config: Qwen2VLConfig )
参数
- config (Qwen2VLConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只会加载配置。查看 from_pretrained() 方法加载模型权重。
Qwen2VL 模型的裸模型,输出原始隐藏状态,没有顶部的特定头部。此模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的任何问题。
forward
< source > ( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None )
Qwen2VLForConditionalGeneration
forward
< source > ( input_ids: LongTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None pixel_values: Optional = None pixel_values_videos: Optional = None image_grid_thw: Optional = None video_grid_thw: Optional = None rope_deltas: Optional = None ) → transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast
or tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。如果您提供填充,默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。
- attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
, *可选*) — 掩码以避免对填充标记索引执行注意力。在[0, 1]
中选择的掩码值:- 1 表示 未被掩码 的标记,
- 0 表示 被掩码 的标记。
可以使用 AutoTokenizer 获取索引。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
(参见past_key_values
),这些decoder_input_ids
不需要提供其过去的键值状态。如果您想更改填充行为,则应阅读
modeling_opt._prepare_decoder_attention_mask
并根据您的需要进行修改。有关默认策略的更多信息,请参阅 论文 中的图表 1。- 1 表示头部 未被掩码,
- 0 表示头部 被掩码。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, *可选*) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.n_positions - 1]
范围内选择。什么是位置 ID? - past_key_values (
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))
,每个元组都有 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量,以及 2 个形状为(batch_size, num_heads, encoder_sequence_length, embed_size_per_head)
的附加张量。包含预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(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
(形状为(batch_size, 1)
,而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
,这些decoder_input_ids
没有提供其过去的键值状态给此模型。 - inputs_embeds (
torch.FloatTensor
形状为(batch_size, sequence_length, hidden_size)
, *可选*) — 可选地,而不是传递input_ids
,您可以选择直接传递嵌入式表示。如果您想对如何将input_ids
索引转换为关联的向量进行更多控制(而不是模型的内部嵌入查找矩阵),这将很有用。 - use_cache (
bool
, *可选*) — 如果设置为True
,则会返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
, *可选*) — 是否返回所有注意力层的注意力张量。有关详细信息,请参见返回张量中的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。 - pixel_values (
torch.FloatTensor
形状为(seq_length, num_channels image_size image_size)
) — 对应输入图像的张量。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 Qwen2VLImageProcessor.call()。 Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理图像。 - pixel_values_videos (
torch.FloatTensor
形状为(seq_length, num_channels temporal_size image_size * image_size)
) — 对应输入视频的张量。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 Qwen2VLImageProcessor.call()。 Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。 - image_grid_thw (
torch.LongTensor
形状为(num_images, 3)
, 可选) — LLM 中每个图像特征形状的时间、高度和宽度。 - video_grid_thw (
torch.LongTensor
形状为(num_videos, 3)
, 可选) — LLM 中每个视频特征形状的时间、高度和宽度。 - rope_deltas (
torch.LongTensor
形状为(batch_size, )
, 可选) — 序列长度和多模态 rope 之间的 rope 索引差异。参数 — labels (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选): 用于计算掩蔽语言建模损失的标签。索引应在[0, ..., config.vocab_size]
或 -100 中(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩蔽),仅针对标签在[0, ..., config.vocab_size]
中的标记计算损失。
返回值
transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含根据配置 (Qwen2VLConfig) 和输入而不同的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
, 可选, 当提供labels
时返回) — 语言建模损失(用于下一个标记预测)。 -
logits (
torch.FloatTensor
形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递了use_cache=True
或当config.use_cache=True
时返回) —tuple(torch.FloatTensor)
的元组,长度为config.n_layers
,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。包含预先计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递了output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层的输出处的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, 可选, 当传递了output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每个层一个),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 (
torch.LongTensor
形状为(batch_size, )
, 可选) — 序列长度和多模态 rope 之间的 rope 索引差异。
The Qwen2VLForConditionalGeneration 前向方法,覆盖 __call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但应该在之后调用 Module
实例,而不是此函数,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 PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Qwen2VLForConditionalGeneration
>>> model = Qwen2VLForConditionalGeneration.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
>>> processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
>>> messages = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "What is shown in this image?"},
],
},
]
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
>>> inputs = processor(text=[text], images=[image], vision_infos=[vision_infos])
>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"The image shows a street scene with a red stop sign in the foreground. In the background, there is a large red gate with Chinese characters ..."