Transformers 文档

SmolVLM

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

SmolVLM

PyTorch FlashAttention SDPA

概述

SmolVLM2 是 Idefics3 模型的适配版本,主要有两点不同:

  • 它使用 SmolLM2 作为文本模型。
  • 它支持多图像和视频输入

使用提示

输入图像的处理方式是上采样(如果启用调整大小)或以其原始分辨率处理。调整大小的行为取决于两个参数:do_resize 和 size。

视频不应上采样。

如果 do_resize 设置为 True,模型将图像调整大小,默认情况下最长边为 4*512 像素。默认的调整大小行为可以通过向 size 参数传递字典来定制。例如,`{"longest_edge": 4* 512}` 是默认值,但如果需要,可以将其更改为不同的值。

以下是如何控制调整大小和设置自定义大小

image_processor = SmolVLMImageProcessor(do_resize=True, size={"longest_edge": 2 * 512}, max_image_size=512)

此外,max_image_size 参数用于控制图像分解成的每个方形块的大小,默认设置为 512,但可以根据需要进行调整。调整大小(如果适用)后,图像处理器根据 max_image_size 参数将图像分解为方形块。

此模型由 orrzohar 贡献。

使用示例

单媒体推理

该模型可以接受图像和视频作为输入,但您应该一次只使用其中一种模态。这是一个示例代码。

import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-256M-Video-Instruct")
model = AutoModelForImageTextToText.from_pretrained(
    "HuggingFaceTB/SmolVLM2-256M-Video-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="cuda"
)

conversation = [
    {
        "role": "user",
        "content":[
            {"type": "image", "url": "http://images.cocodataset.org/val2017/000000039769.jpg"},
            {"type": "text", "text": "Describe this image."}
        ]
    }
]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)

output_ids = model.generate(**inputs, max_new_tokens=128)
generated_texts = processor.batch_decode(output_ids, skip_special_tokens=True)
print(generated_texts)


# Video
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "video", "path": "/path/to/video.mp4"},
            {"type": "text", "text": "Describe this video in detail"}
        ]
    },
]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)

generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=100)
generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_texts[0])

批量混合媒体推理

该模型可以批量处理由多个图像/视频和文本组成的输入。这是一个示例。

import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-256M-Video-Instruct")
model = AutoModelForImageTextToText.from_pretrained(
    "HuggingFaceTB/SmolVLM2-256M-Video-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="cuda"
)

# Conversation for the first image
conversation1 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "path": "/path/to/image.jpg"},
            {"type": "text", "text": "Describe this image."}
        ]
    }
]

# Conversation with two images
conversation2 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "path": "/path/to/image.jpg"},
            {"type": "image", "path": "/path/to/image.jpg"},
            {"type": "text", "text": "What is written in the pictures?"}
        ]
    }
]

# Conversation with pure text
conversation3 = [
    {"role": "user","content": "who are you?"}
]


conversations = [conversation1, conversation2, conversation3]
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)

generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=100)
generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_texts[0])

SmolVLMConfig

class transformers.SmolVLMConfig

< >

( use_cache = True image_token_id = 128257 tie_word_embeddings = False vision_config = None text_config = None scale_factor = 2 pad_token_id = 128002 **kwargs )

参数

  • use_cache (bool, 可选, 默认为 True) — 模型是否应缓存注意力机制的键/值对。仅当 config.is_decoder=True 时相关。
  • image_token_id (int, 可选, 默认为 128257) — “图像”标记的 ID。
  • tie_word_embeddings (bool, 可选, 默认为 False) — 是否将词嵌入与标记嵌入绑定。
  • vision_config (IdeficsVisionConfigdict, 可选, 默认为 IdeficsVisionConfig) — 视觉塔的自定义视觉配置或字典
  • text_config (PretrainedConfigdict, 可选, 默认为 LlamaConfig) — 文本模型的自定义文本配置或字典
  • scale_factor (int, 可选, 默认为 2) — 图像编码器的缩放因子。
  • pad_token_id (int, 可选, 默认为 128002) — 填充标记的 ID。

这是存储 SmolVLMModel 配置的配置类。它用于根据指定参数实例化 SmolVLM 模型,定义模型架构。使用默认值实例化配置将生成与 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 架构的模型类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请参阅 PretrainedConfig 的文档。

示例

>>> from transformers import SmolVLMModel, SmolVLMConfig
>>> # Initializing configuration
>>> configuration = SmolVLMConfig()
>>> # Initializing a model from the configuration
>>> model = SmolVLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

SmolVLMVisionConfig

class transformers.SmolVLMVisionConfig

< >

( hidden_size = 1152 intermediate_size = 3072 num_hidden_layers = 12 num_attention_heads = 16 num_channels = 3 image_size = 224 patch_size = 32 hidden_act = 'gelu_pytorch_tanh' layer_norm_eps = 1e-06 attention_dropout = 0.0 initializer_range = 0.02 **kwargs )

参数

  • hidden_size (int, 可选, 默认为 1152) — 编码器层和池化层的维度。
  • intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”(即,前馈)层的维度。
  • num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 16) — Transformer 编码器中每个注意力层的注意力头数量。
  • num_channels (int, 可选, 默认为 3) — 输入图像中的通道数。
  • image_size (int, 可选, 默认为 224) — 每张图像的大小(分辨率)。
  • patch_size (int, 可选, 默认为 32) — 每个图像块的大小(分辨率)。
  • hidden_act (strfunction, 可选, 默认为 "gelu_pytorch_tanh") — 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,支持 "gelu", "relu", "selu""gelu_new" "quick_gelu"
  • layer_norm_eps (float, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon 值。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
  • 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。

这是用于存储 SmolVLMVisionModel 配置的配置类。它用于根据指定参数实例化 SmolVLM 视觉编码器,定义模型架构。使用默认值实例化配置将生成与 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 中使用的 SigLIP checkpoint google/siglip-so400m-patch14-384 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,请参阅 PretrainedConfig 的文档。

示例

>>> from transformers.models.smolvlm.modeling_smolvlm import SmolVLMVisionTransformer
>>> from transformers.models.smolvlm.configuration_smolvlm import SmolVLMVisionConfig

>>> # Initializing a SmolVLMVisionConfig with google/siglip-so400m-patch14-384 style configuration
>>> configuration = SmolVLMVisionConfig()

>>> # Initializing a SmolVLMVisionTransformer (with random weights) from the google/siglip-so400m-patch14-384 style configuration
>>> model = SmolVLMVisionTransformer(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Idefics3VisionTransformer

class transformers.SmolVLMVisionTransformer

< >

( config: SmolVLMVisionConfig )

参数

  • config (SmolVLMVisionConfig) — 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相关的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。

输出原始图像嵌入的 SmolVLM 视觉转换器模型。

此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的一般方法(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 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

SmolVLMModel

class transformers.SmolVLMModel

< >

( config: SmolVLMConfig )

参数

  • config (SmolVLMConfig) — 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相关的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。

SmolVLM 模型由 SIGLIP 视觉编码器和 Llama3 语言解码器组成

此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的一般方法(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 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

前向传播

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列标记的索引。填充默认会被忽略。

    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) — 避免对填充标记索引执行注意力的掩码。掩码值选择在 [0, 1]:

    • 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?

  • 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。选择范围为 [0, config.n_positions - 1]

    什么是位置 ID?

  • past_key_values (list[torch.FloatTensor], 可选) — 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),可用于加速顺序解码。这通常包括模型在解码前一阶段返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    允许两种格式:

    • Cache 实例,请参阅我们的 kv 缓存指南
    • 长度为 config.n_layerstuple(torch.FloatTensor) 元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)。这也被称为旧版缓存格式。

    模型将输出与作为输入提供的缓存格式相同的缓存格式。如果未传递 past_key_values,则将返回旧版缓存格式。

    如果使用了 past_key_values,用户可以选择只输入形状为 (batch_size, 1) 的最后一个 input_ids(那些没有将其过去的键值状态提供给此模型的)而不是形状为 (batch_size, sequence_length) 的所有 input_ids

  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 可选参数,您可以直接传入嵌入表示,而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更强的控制,这将非常有用。
  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息,请参阅 {image_processor_class}.__call__{processor_class} 使用 {image_processor_class} 处理图像)。
  • pixel_attention_mask (torch.Tensor,形状为 (batch_size, image_size, image_size)可选) — 用于避免在填充像素索引上执行注意力操作的掩码。
  • image_hidden_states (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)) — 模态投影后图像编码器的隐藏状态。
  • use_cache (bool可选) — 如果设置为 True,将返回 past_key_values 键值状态,可用于加速解码(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
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通的元组。
  • cache_position (torch.LongTensor,形状为 (sequence_length)可选) — 描述输入序列标记在序列中位置的索引。与 position_ids 不同,此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。

返回

transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或一个 torch.FloatTensor 元组(如果传入 return_dict=Falseconfig.return_dict=False),包含根据配置(SmolVLMConfig)和输入的不同元素。

  • 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。如果使用 past_key_values,则仅输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量,如果 config.is_encoder_decoder=True,则可选地包含 2 个额外形状为 (batch_size, num_heads, encoder_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,如果 config.is_encoder_decoder=True,则可选地包含交叉注意力块中的键和值),可用于(参见 past_key_values 输入)加速序列解码。

  • hidden_states (tuple[torch.FloatTensor]可选,当传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(一个用于嵌入层输出,如果模型有嵌入层,+ 每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple[torch.FloatTensor]可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

  • image_hidden_states (tuple(torch.FloatTensor)可选) — torch.FloatTensor 元组(一个用于图像嵌入的输出,形状为 (batch_size, num_images, sequence_length, hidden_size))。由视觉编码器生成的模型的 image_hidden_states

馈入模型的输入可以包含任意数量的图像。为了解决这个问题,馈入模型的像素值具有图像填充 -> (batch_size, max_num_images, 3, max_heights, max_widths),其中 max_num_images 是批次中 batch_size 样本中图像的最大数量。除了在模型入口处填充像素值外,不需要填充图像。为了提高效率,我们仅通过 vision_model 的前向传递实际图像,丢弃填充图像,即像素值大小为 (image_batch_size, 3, height, width),其中当 num_images_per_sample=[1, 3, 1, 2] 时,image_batch_size 将为 7,max_num_images 将为 3。

SmolVLMForConditionalGeneration

class transformers.SmolVLMForConditionalGeneration

< >

( config )

参数

带有语言建模头的 SmolVLM 模型。它由一个 SigLIP 视觉编码器组成,顶部带有一个语言建模头。

此模型继承自 PreTrainedModel。请查看超类文档,了解库为其所有模型实现的一般方法(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 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

前向传播

< >

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.modeling_smolvlm.KwargsForCausalLM] ) transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列标记的索引。默认情况下会忽略填充。

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

    什么是 input ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值选择在 [0, 1] 之间:

    • 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?

  • position_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为 [0, config.n_positions - 1]

    什么是位置 ID?

  • past_key_values (list[torch.FloatTensor]可选) — 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),可用于加速序列解码。这通常包括模型在解码上一阶段返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    允许两种格式:

    • 一个 Cache 实例,请参阅我们的 kv 缓存指南
    • 长度为 config.n_layerstuple(tuple(torch.FloatTensor)) 元组,每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量)。这也被称为旧版缓存格式。

    模型将输出与输入相同的缓存格式。如果没有传入 past_key_values,将返回旧版缓存格式。

    如果使用 past_key_values,用户可以选择仅输入最后一个 input_ids(那些未将过去键值状态提供给此模型的 input_ids),形状为 (batch_size, 1),而不是所有 input_ids(形状为 (batch_size, sequence_length))。

  • inputs_embeds (torch.FloatTensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 可选参数,您可以直接传入嵌入表示,而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更强的控制,这将非常有用。
  • pixel_values (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)可选) — 对应于输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息,请参阅 {image_processor_class}.__call__{processor_class} 使用 {image_processor_class} 处理图像)。
  • pixel_attention_mask (torch.Tensor,形状为 (batch_size, image_size, image_size)可选) — 用于避免在填充像素索引上执行注意力操作的掩码。
  • image_hidden_states (torch.FloatTensor,形状为 (batch_size, num_channels, image_size, image_size)) — 模态投影后图像编码器的隐藏状态。
  • labels (torch.LongTensor,形状为 (batch_size, sequence_length)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]model.image_token_id(其中 model 是您的 SmolVLMForConditionalGeneration 实例)。索引设置为 model.image_token_id 的标记将被忽略(掩码),损失仅针对标签在 [0, ..., config.vocab_size] 范围内的标记计算。
  • use_cache (bool可选) — 如果设置为 True,将返回 past_key_values 键值状态,可用于加速解码(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
  • cache_position (torch.LongTensor,形状为 (sequence_length)可选) — 描述输入序列标记在序列中位置的索引。与 position_ids 不同,此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通的元组。
  • logits_to_keep (Union[int, torch.Tensor],默认为 0) — 如果是 int 类型,则计算最后 logits_to_keep 个标记的 logits。如果是 0,则计算所有 input_ids 的 logits(特殊情况)。生成时只需要最后一个标记的 logits,仅计算该标记可以节省内存,这对于长序列或大词汇量来说非常显著。如果是 torch.Tensor 类型,则必须是 1D 的,对应于序列长度维度中要保留的索引。这在使用打包张量格式(批次和序列长度的单个维度)时非常有用。

返回

transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或一个 torch.FloatTensor 元组(如果传入 return_dict=Falseconfig.return_dict=False),包含根据配置(SmolVLMConfig)和输入的不同元素。

  • 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 token 预测)。

  • logits (形状为 (batch_size, sequence_length, config.vocab_size)torch.FloatTensor) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 元组,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)加速序列解码。

  • hidden_states (tuple[torch.FloatTensor]可选,当传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 元组(一个用于嵌入层输出,如果模型有嵌入层,+ 每个层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

  • attentions (tuple[torch.FloatTensor]可选,当传入 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

  • image_hidden_states (tuple(torch.FloatTensor)可选) — torch.FloatTensor 元组(一个用于图像嵌入的输出,形状为 (batch_size, num_images, sequence_length, hidden_size))。由视觉编码器生成的模型的 image_hidden_states

transformers.SmolVLMForConditionalGeneration 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传播的配方需要在此函数中定义,但此后应调用 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,而后者则默默地忽略它们。

示例

>>> import requests
>>> import torch
>>> from PIL import Image
>>> from io import BytesIO

>>> from transformers import AutoProcessor, AutoModelForImageTextToText
>>> from transformers.image_utils import load_image

>>> # Note that passing the image urls (instead of the actual pil images) to the processor is also possible
>>> image1 = load_image("https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg")
>>> image2 = load_image("https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg")
>>> image3 = load_image("https://cdn.britannica.com/68/170868-050-8DDE8263/Golden-Gate-Bridge-San-Francisco.jpg")

>>> processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct")
>>> model = AutoModelForImageTextToText.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct", torch_dtype=torch.bfloat16, device_map="auto")

>>> # Create inputs
>>> messages = [
...     {
...         "role": "user",
...         "content": [
...             {"type": "video", "path": path/to/video},
...             {"type": "text", "text": "What is happening in this video?"},
...         ]
...     }
... ]

>>> inputs = processor.apply_chat_template([messages], add_generation_prompt=True)

>>> # Generate
>>> generated_ids = model.generate(**inputs, max_new_tokens=256)
>>> generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)

>>> print(generated_texts)

SmolVLMImageProcessor

class transformers.SmolVLMImageProcessor

< >

( do_convert_rgb: bool = True do_resize: bool = True size: typing.Optional[dict[str, int]] = None resample: Resampling = <Resampling.LANCZOS: 1> do_image_splitting: bool = True max_image_size: typing.Optional[dict[str, int]] = None do_rescale: bool = True rescale_factor: float = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: bool = True **kwargs )

参数

  • do_convert_rgb (bool可选,默认为 True) — 是否将图像转换为 RGB 格式。如果输入图像是不同的格式,例如 RGBA,这将非常有用。仅当输入图像是 PIL 格式时才有效。
  • do_resize (bool可选,默认为 True) — 是否调整图像大小。图像的最长边将被调整为小于等于 size["longest_edge"],最短边将按比例调整以保持输入长宽比。
  • size (Dict可选,默认为 {"longest_edge" -- 4 * 364}):控制输出图像的大小。这是一个包含键“longest_edge”的字典。图像将被调整大小,使得最长边小于等于 size["longest_edge"],最短边将按比例调整以保持输入长宽比。
  • resample (Resampling可选,默认为 Resampling.LANCZOS) — 调整图像大小时使用的重采样滤波器。
  • do_image_splitting (bool可选,默认为 True) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
  • max_image_size (Dict可选,默认为 {"longest_edge" -- 364}):模型接受的图像补丁的最大分辨率。这是一个包含键“longest_edge”的字典。
  • do_rescale (bool可选,默认为 True) — 是否重新缩放图像。如果设置为 True,图像将被重新缩放,使其像素值在 0 到 1 之间。
  • rescale_factor (float可选,默认为 1/255) — 如果 do_rescale 设置为 True,则用于重新缩放图像的重新缩放因子。
  • do_normalize (bool可选,默认为 True) — 是否归一化图像。如果设置为 True,图像将被归一化,使其平均值为 image_mean,标准差为 image_std
  • image_mean (floatlist[float]可选,默认为 IDEFICS_STANDARD_MEAN) — 如果归一化图像,则使用的均值。这是一个浮点数或浮点数列表,其长度与图像中的通道数相同。可以通过 preprocess 方法中的 image_mean 参数覆盖。可以通过 preprocess 方法中的 image_mean 参数覆盖。
  • image_std (floatlist[float]可选,默认为 IDEFICS_STANDARD_STD) — 如果归一化图像,则使用的标准差。这是一个浮点数或浮点数列表,其长度与图像中的通道数相同。可以通过 preprocess 方法中的 image_std 参数覆盖。可以通过 preprocess 方法中的 image_std 参数覆盖。
  • do_pad (bool可选,默认为 True) — 是否将图像填充到批次中最大的高度和宽度,以及批次中每样本的图像数量,使得返回的张量形状为 (batch_size, max_num_images, num_channels, max_height, max_width)。

构造一个 SmolVLM 图像处理器。

预处理

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_convert_rgb: typing.Optional[bool] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None resample: Resampling = None do_image_splitting: typing.Optional[bool] = None do_rescale: typing.Optional[bool] = None max_image_size: typing.Optional[dict[str, int]] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_row_col_info: bool = False data_format: typing.Optional[transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )

参数

  • images (ImageInput) — 要预处理的图像列表。
  • do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
  • 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。最长边将根据输入长宽比进行调整。
  • resample (int, 可选, 默认为 self.resample) — 如果调整图像大小,要使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
  • do_image_splitting (bool, 可选, 默认为 self.do_image_splitting) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
  • max_image_size (Dict, 可选, 默认为 self.max_image_size) — 图像的最大分辨率。如果图像大于此尺寸,则图像将被分割成补丁。
  • 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) — 是否规范化图像。
  • image_mean (floatlist[float], 可选, 默认为 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 (floatlist[float], 可选, 默认为 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。
  • do_pad (bool, 可选, 默认为 self.do_pad) — 是否将图像填充到批处理中最大的高度和宽度。
  • 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 tf.Tensor 类型的批处理。
    • TensorType.PYTORCH'pt':返回 torch.Tensor 类型的批处理。
    • TensorType.NUMPY'np':返回 np.ndarray 类型的批处理。
    • TensorType.JAX'jax':返回 jax.numpy.ndarray 类型的批处理。
  • return_row_col_info (bool, 可选, 默认为 False) — 是否返回分割图像的行和列信息。这用于 SmolVLMProcessor 根据行和列的数量生成提示字符串。
  • data_format (ChannelDimensionstr, 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"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)。

预处理一批图像。

SmolVLMImageProcessorFast

class transformers.SmolVLMImageProcessorFast

< >

( **kwargs: typing_extensions.Unpack[transformers.image_processing_utils_fast.DefaultFastImageProcessorKwargs] )

构建一个快速 Smolvlm 图像处理器。

预处理

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.image_processing_smolvlm_fast.SmolVLMFastImageProcessorKwargs] ) <class 'transformers.image_processing_base.BatchFeature'>

参数

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望单个或批量图像的像素值范围为 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_resize (bool, 可选) — 是否调整图像大小。
  • size (dict[str, int], 可选) — 描述模型最大输入尺寸。
  • default_to_square (bool, 可选) — 当尺寸为整数时,调整图像大小是否默认为正方形。
  • resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小,要使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
  • do_center_crop (bool, 可选) — 是否对图像进行中心裁剪。
  • crop_size (dict[str, int], 可选) — 应用 center_crop 后输出图像的尺寸。
  • do_rescale (bool, 可选) — 是否重新缩放图像。
  • rescale_factor (Union[int, float, NoneType]) — 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) — 是否规范化图像。
  • image_mean (Union[float, list[float], NoneType]) — 用于规范化的图像均值。仅在 do_normalize 设置为 True 时有效。
  • image_std (Union[float, list[float], NoneType]) — 用于规范化的图像标准差。仅在 do_normalize 设置为 True 时有效。
  • do_convert_rgb (bool, 可选) — 是否将图像转换为 RGB 格式。
  • return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为 `pt`,则返回堆叠张量,否则返回张量列表。
  • data_format (~image_utils.ChannelDimension, 可选) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
  • input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 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)。
  • device (torch.device, 可选) — 处理图像的设备。如果未设置,则从输入图像推断设备。
  • disable_grouping (bool, 可选) — 是否禁用按大小对图像进行分组以单独处理它们而不是批量处理。如果为 None,则如果图像在 CPU 上,将设置为 True,否则设置为 False。此选择基于经验观察,详情见此:https://github.com/huggingface/transformers/pull/38157
  • do_pad (bool, 可选) — 是否填充图像。如果为 True,将把批处理中图像的补丁维度填充到批处理中最大的补丁数。填充将应用于底部和右侧,用零填充。
  • do_image_splitting (bool, 可选, 默认为 True) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
  • max_image_size (Dict, 可选, 默认为 {"longest_edge" -- 364}):模型接受的图像补丁的最大分辨率。这是一个包含键“longest_edge”的字典。
  • return_row_col_info (bool, 可选, 默认为 False) — 是否返回图像的行和列信息。

返回

<class 'transformers.image_processing_base.BatchFeature'>

  • data (dict) — 由 call 方法返回的列表/数组/张量字典(“pixel_values”等)。
  • tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`,以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

SmolVLMVideoProcessor

class transformers.SmolVLMVideoProcessor

< >

( **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.video_processing_smolvlm.SmolVLMVideoProcessorInitKwargs] )

预处理

< >

( videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] **kwargs: typing_extensions.Unpack[transformers.processing_utils.VideosKwargs] )

参数

  • do_resize (bool, 可选, 默认为 self.do_resize) — 是否将视频的 (高度, 宽度) 维度调整为指定的 size。可以通过 preprocess 方法中的 do_resize 参数覆盖。
  • size (dict, 可选, 默认为 self.size) — 调整大小后输出视频的尺寸。可以通过 preprocess 方法中的 size 参数覆盖。
  • size_divisor (int, 可选, 默认为 self.size_divisor) — 确保高度和宽度都能被其整除的尺寸。
  • default_to_square (bool, 可选, 默认为 self.default_to_square) — 当尺寸为整数时,调整视频大小是否默认为正方形。
  • resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整视频大小,要使用的重采样滤镜。仅在 do_resize 设置为 True 时有效。可以通过 preprocess 方法中的 resample 参数覆盖。
  • do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否将视频中心裁剪到指定的 crop_size。可以通过 preprocess 方法中的 do_center_crop 覆盖。
  • do_pad (bool, 可选) — 是否将视频填充到批处理中的 (max_height, max_width)
  • crop_size (dict[str, int] 可选, 默认为 self.crop_size) — 应用 center_crop 后输出视频的尺寸。可以通过 preprocess 方法中的 crop_size 覆盖。
  • do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否通过指定的比例 rescale_factor 重新缩放视频。可以通过 preprocess 方法中的 do_rescale 参数覆盖。
  • rescale_factor (intfloat, 可选, 默认为 self.rescale_factor) — 如果重新缩放视频,则使用的缩放因子。仅在 do_rescale 设置为 True 时有效。可以通过 preprocess 方法中的 rescale_factor 参数覆盖。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否规范化视频。可以通过 preprocess 方法中的 do_normalize 参数覆盖。
  • image_mean (floatlist[float], 可选, 默认为 self.image_mean) — 视频归一化时使用的均值。这是一个浮点数或浮点数列表,其长度与视频中的通道数相同。可以通过 preprocess 方法中的 image_mean 参数覆盖。可以通过 preprocess 方法中的 image_mean 参数覆盖。
  • image_std (floatlist[float], 可选, 默认为 self.image_std) — 视频归一化时使用的标准差。这是一个浮点数或浮点数列表,其长度与视频中的通道数相同。可以通过 preprocess 方法中的 image_std 参数覆盖。可以通过 preprocess 方法中的 image_std 参数覆盖。
  • do_convert_rgb (bool, 可选, 默认为 self.image_std) — 是否将视频转换为 RGB。
  • video_metadata (VideoMetadata, 可选) — 视频的元数据,包含总时长、帧率和总帧数信息。
  • do_sample_frames (int, 可选, 默认为 self.do_sample_frames) — 在处理视频之前是否对视频进行帧采样,或者处理整个视频。
  • num_frames (int, 可选, 默认为 self.num_frames) — 当 do_sample_frames=True 时,要采样的最大帧数。
  • fps (int, 可选, 默认为 self.fps) — 当 do_sample_frames=True 时,每秒要采样的目标帧数。
  • return_tensors (strTensorType, 可选) — 如果设置为 `pt`,则返回堆叠张量,否则返回张量列表。
  • data_format (ChannelDimensionstr, 可选, 默认为 ChannelDimension.FIRST) — 输出视频的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:视频格式为 (height, width, num_channels)。
    • 未设置:使用输入视频的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入视频的通道维度格式。如果未设置,则从输入视频推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:视频格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:视频格式为 (height, width)。
  • device (torch.device, 可选) — 处理视频的设备。如果未设置,则从输入视频推断设备。

SmolVLMProcessor

class transformers.SmolVLMProcessor

< >

( image_processor tokenizer video_processor image_seq_len: int = 169 chat_template: typing.Optional[str] = None **kwargs )

参数

  • image_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的实例。图像处理器是必需输入。
  • tokenizer (PreTrainedTokenizerBase) — PreTrainedTokenizerBase 的实例。这应与模型的文本模型相对应。分词器是必需输入。
  • video_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的实例。视频处理器是必需输入。
  • image_seq_len (int, 可选, 默认为 169) — 图像序列的长度,即每个图像在输入中 token 的数量。此参数用于根据输入提示和图像 token 构建字符串,并且应与模型使用的值匹配。它的计算方式为:image_seq_len = int(((image_size // patch_size) ** 2) / (scale_factor**2))
  • chat_template (str, 可选) — 用于将聊天中的消息列表转换为可分词字符串的 Jinja 模板。

构建一个 SmolVLM 处理器,它将 LLama 分词器和 SmolVLM 图像处理器封装到单个处理器中。

SmolVLMProcessor 提供了 SmolVLMImageProcessorSmolVLMTokenizerFast 的所有功能。有关更多信息,请参阅 call()decode() 的文档字符串。

__call__

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], list[typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]], list[list[typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]]]] = None text: typing.Union[str, ForwardRef('PreTokenizedInput'), list[str], list['PreTokenizedInput']] = None audio = None videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] = None **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.processing_smolvlm.SmolVLMProcessorKwargs] )

参数

  • images (PIL.Image.Image, np.ndarray, torch.Tensor, list[PIL.Image.Image], list[np.ndarray], list[torch.Tensor], 可选) — 要准备的图像或图像批次。每个图像可以是 PIL 图像、NumPy 数组或 PyTorch 张量。如果是 list[ImageInput] 类型,则假定这是单个提示(即批大小为 1)的输入。
  • text (Union[TextInput, PreTokenizedInput, list[TextInput], list[PreTokenizedInput]], 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)的形式提供,则必须设置 is_split_into_words=True(以消除与序列批次的歧义)。每当遇到图像标记 <image> 时,它都会展开为 <fake_token_around_image> + <row_x_col_y> + <image> * image_seq_len + <fake_token_around_image>
  • videos (list[PIL.Image.Image], np.ndarray, torch.Tensor, list[np.ndarray], list[torch.Tensor], 可选) — 要准备的视频或视频批次。每个视频可以是 PIL 帧列表、NumPy 数组或 PyTorch 张量。如果是 list[VideoInput] 类型,则假定这是单个提示(即批大小为 1)的输入。
  • return_tensors (Union[str, TensorType], 可选) — 如果设置,将返回特定框架的张量。有关更多信息,请参阅 PreTrainedTokenizerFast.call()

处理输入提示并返回BatchEncoding。

示例

>>> import requests
>>> from transformers import SmolVLMProcessor
>>> from transformers.image_utils import load_image

>>> processor = SmolVLMProcessor.from_pretrained("HuggingFaceM4/SmolVLM2-256M-Video-Instruct")
>>> processor.image_processor.do_image_splitting = False  # Force as False to simplify the example

>>> url1 = "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
>>> url2 = "https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg"

>>> image1, image2 = load_image(url1), load_image(url2)
>>> images = [[image1], [image2]]

>>> text = [
...     "<image>In this image, we see",
...     "bla bla bla<image>",
... ]
>>> outputs = processor(images=images, text=text, return_tensors="pt", padding=True)
>>> input_ids = outputs.input_ids
>>> input_tokens = processor.tokenizer.batch_decode(input_ids)
>>> print(input_tokens)
['<|begin_of_text|><fake_token_around_image><global-img>((<image>)*169)<fake_token_around_image> In this image, we see', '<|reserved_special_token_0|><|reserved_special_token_0|><|reserved_special_token_0|><|begin_of_text|>bla bla bla<fake_token_around_image><global-img>((<image>)*169)<fake_token_around_image>']
< > 在 GitHub 上更新