Transformers 文档

VAN

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

VAN

PyTorch

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 模型在 Meng-Hao Guo、Cheng-Ze Lu、Zheng-Ning Liu、Ming-Ming Cheng、Shi-Min Hu 的Visual Attention Network中提出。

本文介绍了一种基于卷积操作的新型注意力层,能够捕捉局部和远程关系。这是通过结合普通和大型内核卷积层来完成的。后者使用扩张卷积来捕捉远程相关性。

以下是论文的摘要

自注意力机制最初是为自然语言处理任务而设计的,但最近已在各个计算机视觉领域引起轰动。然而,图像的 2D 性质为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) 二次复杂度对于高分辨率图像来说太昂贵。(3) 它只捕捉空间适应性,但忽略了通道适应性。在本文中,我们提出了一种新颖的大型内核注意力 (LKA) 模块,以在自注意力中实现自适应和远程相关性,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 VAN 在包括图像分类、物体检测、语义分割、实例分割等在内的广泛实验中,以很大的优势优于最先进的视觉 Transformer 和卷积神经网络。代码可在this https URL获得。

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。取自原始论文

此模型由Francesco贡献。原始代码可以在此处找到。

资源

官方 Hugging Face 和社区(标有 🌎)资源的列表,可帮助您开始使用 VAN。

图像分类

如果您有兴趣提交资源以包含在此处,请随时打开 Pull Request,我们将对其进行审核!该资源最好能展示一些新的东西,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) — 每个图像的大小(分辨率)。
  • num_channels (int, 可选, 默认为 3) — 输入通道数。
  • patch_sizes (List[int], 可选, 默认为 [7, 3, 3, 3]) — 在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]) — 在每个阶段的嵌入层中使用的步幅大小,用于下采样输入。
  • 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 mlp 层的扩展比率。
  • hidden_act (strfunction, 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,则支持 "gelu""relu""selu""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分布初始化器的标准差。
  • layer_norm_eps (float, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon 值。
  • 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 的 dropout 概率。
  • dropout_rate (float, 可选, 默认为 0.0) — dropout 的 dropout 概率。

这是用于存储 VanModel 配置的配置类。 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类似于 VAN Visual-Attention-Network/van-base 架构的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。 有关更多信息,请阅读 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

< >

( config )

参数

  • config (VanConfig) — 带有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关联的权重,仅加载配置。 查看 from_pretrained() 方法来加载模型权重。

裸 VAN 模型输出原始特征,顶部没有任何特定的头部。 请注意,VAN 没有嵌入层。 此模型是 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< >

( pixel_values: typing.Optional[torch.FloatTensor] output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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。 像素值可以使用 AutoImageProcessor 获得。 有关详细信息,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 而不是普通元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttentiontuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或一个 torch.FloatTensor 元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (VanConfig) 和输入。

  • 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)) — 在空间维度上进行池化操作后的最后一层隐藏状态。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组 (对于嵌入的输出,如果模型具有嵌入层,则为一个;对于每个层的输出,则为一个),形状为 (batch_size, num_channels, height, width)

    模型在每一层输出处的隐藏状态,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 forward 传递的配方需要在该函数中定义,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) — 带有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关联的权重,仅加载配置。 查看 from_pretrained() 方法来加载模型权重。

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。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与常规用法和行为相关的所有事项。

forward

< >

( 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.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 获得。 有关详细信息,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。 索引应在 [0, ..., config.num_labels - 1] 中。 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)。

返回值

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),其中包含各种元素,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(或回归,如果 config.num_labels==1)损失。
  • logits (torch.FloatTensor,形状为 (batch_size, config.num_labels)) — 分类(或回归,如果 config.num_labels==1)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 (对于嵌入的输出,如果模型具有嵌入层,则为一个;对于每个阶段的输出,则为一个),形状为 (batch_size, num_channels, height, width)。 模型在每个阶段输出处的隐藏状态(也称为特征图)。

VanForImageClassification forward 方法,覆盖了 __call__ 特殊方法。

尽管 forward 传递的配方需要在该函数中定义,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