Transformers 文档

VAN

Hugging Face's logo
加入 Hugging Face 社区

并获取增强型文档体验

开始使用

VAN

此模型仅处于维护模式,我们不接受任何更改其代码的新 PR。

如果您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来执行此操作:pip install -U transformers==4.30.0

概述

VAN 模型是在 Visual Attention Network 中由 郭梦豪、陆成泽、刘正宁、程明明、胡世民 提出的。

本文介绍了一种基于卷积操作的新注意力层,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实现的。后者使用空洞卷积来捕获远距离相关性。

论文的摘要如下:

虽然最初是为自然语言处理任务设计的,但自注意力机制最近席卷了各个计算机视觉领域。然而,图像的二维性质给在计算机视觉中应用自注意力带来了三个挑战。(1) 将图像视为一维序列忽略了它们的二维结构。(2) 二次复杂度对于高分辨率图像来说太昂贵了。(3) 它只捕获空间自适应性,而忽略了通道自适应性。在本文中,我们提出了一种新的大核注意力 (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 Visual Attention Network (VAN)。虽然极其简单,但 VAN 在包括图像分类、目标检测、语义分割、实例分割等在内的广泛实验中,以较大优势优于最先进的视觉 transformers 和卷积神经网络。代码可在 此 https URL 获取。

提示

  • 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。摘自 原始论文

该模型由 Francesco 贡献。原始代码可在此 获取

资源

Hugging Face 官方和社区(🌎 表示)资源列表,帮助您开始使用 VAN。

图像分类

如果您有兴趣提交要在此处包含的资源,请随时打开一个 Pull Request,我们将进行审核!资源应该理想情况下展示一些新内容,而不是重复现有资源。

VanConfig

class transformers.VanConfig

< >

( 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 patch 大小。
  • strides (List[int], 可选, 默认为 [4, 2, 2, 2]) — 每个阶段的嵌入层中使用的步长大小,用于对输入进行下采样。
  • 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, 默认值 [3, 3, 12, 3]) — 每个阶段的深度(层数)。
  • mlp_ratios (List[int], 可选, 默认值 [8, 8, 4, 4]) — 每个阶段的 mlp 层扩展比率。
  • hidden_act (strfunction, 可选, 默认值 "gelu") — 每层中的非线性激活函数(函数或字符串)。如果为字符串,则支持 "gelu""relu""selu""gelu_new"
  • initializer_range (float, 可选, 默认值 0.02) — 初始化所有权重矩阵的截断正态初始化的标准差。
  • layer_norm_eps (float, 可选, 默认值 1e-06) — 层归一化层使用的 epsilon。
  • layer_scale_init_value (float, 可选, 默认值 0.01) — 层缩放的初始值。
  • drop_path_rate (float, 可选, 默认值 0.0) — 随机深度的丢弃概率。
  • dropout_rate (float, 可选, 默认值 0.0) — 丢弃的丢弃概率。

这是一个配置类,用于存储 VanModel 的配置。它用于根据指定的参数实例化 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 架构类似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 文档以获取更多信息。

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

< >

( config )

参数

  • config (VanConfig) — 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,只加载配置。 查看 from_pretrained() 方法加载模型权重。

仅输出原始特征的原始 VAN 模型,顶部没有特定头部。 注意,VAN 没有嵌入层。 该模型是 PyTorch torch.nn.Module 子类。 将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以了解所有与一般使用和行为相关的主题。

forward

< >

( pixel_values: Optional output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。 像素值可以通过 AutoImageProcessor 获取。 详情请见 ConvNextImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有阶段的隐藏状态。 详情请见返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个简单的元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontorch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),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)) — 模型最后一层的输出处的隐藏状态序列。

  • pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size)) — 在对空间维度进行池化操作后的最后一层隐藏状态。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型有嵌入层,再加上每一层的输出),形状为 (batch_size, num_channels, height, width)

    每层输出处的模型隐藏状态,以及可选的初始嵌入输出。

VanModel 的 forward 方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该之后调用 Module 实例,而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, VanModel
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> 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

< >

( config )

参数

  • config (VanConfig) — 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,只加载配置。 查看 from_pretrained() 方法加载模型权重。

VAN 模型,顶部带有一个图像分类头部(在池化特征之上有一个线性层),例如用于 ImageNet。

该模型是 PyTorch torch.nn.Module 子类。 将其用作常规的 PyTorch 模块,并参考 PyTorch 文档以了解所有与一般使用和行为相关的主题。

forward

< >

( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

参数

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。像素值可以使用 AutoImageProcessor 获取。更多详情请参考 ConvNextImageProcessor.call()
  • output_hidden_states (bool, 可选) — 是否返回所有阶段的隐藏状态。更多详情请参考返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor 形状为 (batch_size,), 可选) — 用于计算图像分类/回归损失的标签。索引应该在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1,则计算回归损失(均方误差损失),如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回

transformers.modeling_outputs.ImageClassifierOutputWithNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或一个 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 (VanConfig) 和输入。

  • loss (torch.FloatTensor 形状为 (1,), 可选,当提供 labels 时返回) — 分类(或如果 config.num_labels==1 则为回归)损失。
  • logits (torch.FloatTensor 形状为 (batch_size, config.num_labels)) — 分类(或如果 config.num_labels==1 则为回归)分数(在 SoftMax 之前)。
  • 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 元组(一个用于嵌入层的输出,如果模型具有嵌入层,加上每个阶段的输出)形状为 (batch_size, num_channels, height, width)。每个阶段输出的模型隐藏状态(也称为特征图)。

VanForImageClassification 前向方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但应该之后调用 Module 实例,而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会默默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, VanForImageClassification
>>> import torch
>>> from datasets import load_dataset

>>> dataset = load_dataset("huggingface/cats-image", trust_remote_code=True)
>>> 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
< > 在 GitHub 上更新