Transformers 文档
VAN
并获得增强的文档体验
开始使用
VAN
该模型仅处于维护模式,我们不接受任何更改其代码的新 PR。
如果在运行此模型时遇到任何问题,请重新安装支持此模型的最后一个版本:v4.30.0。您可以通过运行以下命令进行安装:`pip install -U transformers==4.30.0`。
概述
VAN 模型由 Meng-Hao Guo、Cheng-Ze Lu、Zheng-Ning Liu、Ming-Ming Cheng 和 Shi-Min Hu 在视觉注意力网络中提出。
本文提出了一种基于卷积操作的新型注意力层,能够捕获局部和远距离关系。这是通过结合普通卷积层和大核卷积层来完成的。后者使用空洞卷积来捕获远距离相关性。
论文摘要如下:
自注意力机制最初是为自然语言处理任务设计的,但最近在各种计算机视觉领域掀起了风暴。然而,图像的 2D 性质给在计算机视觉中应用自注意力带来了三个挑战。(1) 将图像视为 1D 序列忽略了它们的 2D 结构。(2) 对于高分辨率图像,二次复杂度太昂贵。(3) 它只捕获空间适应性,但忽略了通道适应性。在本文中,我们提出了一种新颖的大核注意力 (LKA) 模块,以在自注意力中实现自适应和长程相关性,同时避免上述问题。我们进一步介绍了一种基于 LKA 的新型神经网络,即视觉注意力网络 (VAN)。虽然极其简单,但在广泛的实验中,包括图像分类、目标检测、语义分割、实例分割等,VAN 在很大程度上优于最先进的视觉 Transformer 和卷积神经网络。代码可在此 https URL 获取。
技巧
- VAN 没有嵌入层,因此 `hidden_states` 的长度将等于阶段数。
下图说明了视觉注意力层的架构。取自原始论文。

资源
Hugging Face 官方和社区(用 🌎 表示)资源列表,帮助您开始使用 VAN。
- VanForImageClassification 由此示例脚本和笔记本支持。
- 另请参阅:图像分类任务指南
如果您有兴趣在此处提交资源,请随时开启 Pull Request,我们将对其进行审查!该资源最好能展示一些新内容,而不是重复现有资源。
VanConfig
class transformers.VanConfig
< 源 >( image_size = 224 num_channels = 3 patch_sizes = [7, 3, 3, 3] strides = [4, 2, 2, 2] hidden_sizes = [64, 128, 320, 512] depths = [3, 3, 12, 3] mlp_ratios = [8, 8, 4, 4] hidden_act = 'gelu' initializer_range = 0.02 layer_norm_eps = 1e-06 layer_scale_init_value = 0.01 drop_path_rate = 0.0 dropout_rate = 0.0 **kwargs )
参数
- image_size (
int
, 可选, 默认为 224) — 每张图像的大小(分辨率)。 - num_channels (
int
, 可选, 默认为 3) — 输入通道的数量。 - patch_sizes (
list[int]
, 可选, 默认为[7, 3, 3, 3]
) — 每个阶段的嵌入层中使用的补丁大小。 - strides (
list[int]
, 可选, 默认为[4, 2, 2, 2]
) — 每个阶段嵌入层中用于下采样输入的步幅大小。 - hidden_sizes (
list[int]
, 可选, 默认为[64, 128, 320, 512]
) — 每个阶段的维度(隐藏大小)。 - depths (
list[int]
, 可选, 默认为[3, 3, 12, 3]
) — 每个阶段的深度(层数)。 - mlp_ratios (
list[int]
, 可选, 默认为[8, 8, 4, 4]
) — 每个阶段的 mlp 层的扩展比。 - hidden_act (
str
或function
, 可选, 默认为"gelu"
) — 每层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"
和"gelu_new"
。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。 - layer_norm_eps (
float
, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon。 - layer_scale_init_value (
float
, 可选, 默认为 0.01) — 层缩放的初始值。 - drop_path_rate (
float
, 可选, 默认为 0.0) — 随机深度丢弃的概率。 - dropout_rate (
float
, 可选, 默认为 0.0) — 丢弃的概率。
这是用于存储 VanModel 配置的配置类。它用于根据指定参数实例化 VAN 模型,定义模型架构。使用默认值实例化配置将产生与 VAN Visual-Attention-Network/van-base 架构相似的配置。
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 VanModel, VanConfig
>>> # Initializing a VAN van-base style configuration
>>> configuration = VanConfig()
>>> # Initializing a model from the van-base style configuration
>>> model = VanModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
VanModel
class transformers.VanModel
< 源 >( config )
参数
- config (VanConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载与模型关联的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。
裸 VAN 模型输出原始特征,顶部没有任何特定头部。请注意,VAN 没有嵌入层。此模型是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
forward
< 源 >( pixel_values: typing.Optional[torch.FloatTensor] output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention
或 tuple(torch.FloatTensor)
参数
- pixel_values (形状为
(batch_size, num_channels, height, width)
的torch.FloatTensor
) — 像素值。像素值可以使用 AutoImageProcessor 获取。详细信息请参阅 ConvNextImageProcessor.call()。 - output_hidden_states (
bool
, 可选) — 是否返回所有阶段的隐藏状态。有关详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention
或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention
或 torch.FloatTensor
的元组(如果传入 return_dict=False
或当 config.return_dict=False
时),包含根据配置 (VanConfig) 和输入的不同元素。
-
last_hidden_state (
torch.FloatTensor
, 形状为(batch_size, num_channels, height, width)
) — 模型最后一层输出的隐藏状态序列。 -
pooler_output (
torch.FloatTensor
, 形状为(batch_size, hidden_size)
) — 经过空间维度池化操作后的最后一层隐藏状态。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),形状为(batch_size, num_channels, height, width)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
VanModel forward 方法,覆盖了 __call__
特殊方法。
尽管前向传播的配方需要在该函数中定义,但在此之后应该调用 Module
实例而不是这个函数,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
>>> from transformers import AutoImageProcessor, VanModel
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("Visual-Attention-Network/van-base")
>>> model = VanModel.from_pretrained("Visual-Attention-Network/van-base")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 512, 7, 7]
VanForImageClassification
class transformers.VanForImageClassification
< 源 >( config )
参数
- config (VanConfig) — 包含模型所有参数的模型配置类。使用配置文件初始化不加载与模型关联的权重,只加载配置。请查看 from_pretrained() 方法加载模型权重。
带有图像分类头部的 VAN 模型(池化特征顶部的线性层),例如用于 ImageNet。
此模型是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用,并参考 PyTorch 文档了解所有与一般使用和行为相关的事项。
forward
< 源 >( pixel_values: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
参数
- pixel_values (形状为
(batch_size, num_channels, height, width)
的torch.FloatTensor
) — 像素值。像素值可以使用 AutoImageProcessor 获取。详细信息请参阅 ConvNextImageProcessor.call()。 - output_hidden_states (
bool
, 可选) — 是否返回所有阶段的隐藏状态。有关详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (形状为
(batch_size,)
的torch.LongTensor
, 可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]
之间。如果config.num_labels == 1
,则计算回归损失(均方损失),如果config.num_labels > 1
,则计算分类损失(交叉熵)。
返回
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 torch.FloatTensor
的元组(如果传入 return_dict=False
或当 config.return_dict=False
时),包含根据配置 (VanConfig) 和输入的不同元素。
- loss (形状为
(1,)
的torch.FloatTensor
,可选,当提供labels
时返回) — 分类损失(如果 config.num_labels==1,则为回归损失)。 - logits (形状为
(batch_size, config.num_labels)
的torch.FloatTensor
) — 分类(如果 config.num_labels==1,则为回归)分数(SoftMax 之前)。 - hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传入output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每个阶段的输出),形状为(batch_size, num_channels, height, width)
。模型在每个阶段输出的隐藏状态(也称为特征图)。
VanForImageClassification forward 方法,覆盖了 __call__
特殊方法。
尽管前向传播的配方需要在该函数中定义,但在此之后应该调用 Module
实例而不是这个函数,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
>>> from transformers import AutoImageProcessor, VanForImageClassification
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("Visual-Attention-Network/van-base")
>>> model = VanForImageClassification.from_pretrained("Visual-Attention-Network/van-base")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
tabby, tabby cat