Transformers 文档

Qwen2_VL

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

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.float16torch.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

< >

( 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 (strfunction, 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

< >

( 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 (intfloat, 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 (floatList[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 (floatList[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

< >

( 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

  • images (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
  • videos (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
  • do_resize (bool, optional, defaults to self.do_resize) — 是否调整图像大小。
  • size (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。
  • resample (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。
  • do_rescale (bool, optional, defaults to self.do_rescale) — 是否重新缩放图像。
  • rescale_factor (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。
  • do_normalize (bool, optional, defaults to self.do_normalize) — 是否规范化图像。
  • image_mean (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。
  • image_std (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。
  • return_tensors (strTensorType可选) — 要返回的张量类型。可以是以下之一:
    • 未设置:返回 np.ndarray 列表。
    • TensorType.TENSORFLOW'tf':返回类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH'pt':返回类型为 torch.Tensor 的批次。
    • TensorType.NUMPY'np':返回类型为 np.ndarray 的批次。
    • TensorType.JAX'jax':返回类型为 jax.numpy.ndarray 的批次。
  • data_format (ChannelDimensionstr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"ChannelDimension.FIRST:图像格式为 (通道数,高度,宽度)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (高度,宽度,通道数)。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr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"ChannelDimension.FIRST:图像格式为 (通道数,高度,宽度)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (高度,宽度,通道数)。
    • "none"ChannelDimension.NONE:图像格式为 (高度,宽度)。

Qwen2VLProcessor

class transformers.Qwen2VLProcessor

< >

( 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 Qwen2VLImageProcessorQwen2TokenizerFast 的所有功能。有关更多信息,请参阅 __call__()decode()

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发给 Qwen2TokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将所有参数转发给 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

< >

( 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

< >

( 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

class transformers.Qwen2VLForConditionalGeneration

< >

( config )

forward

< >

( 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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。

    什么是注意力掩码?

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()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=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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.Qwen2VLCausalLMOutputWithPasttuple(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 ..."
< > 更新 在 GitHub 上