Hugging Face 的 LOGO

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

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。

该模型由Francesco贡献。原始代码可在此处找到。

资源

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

图像分类

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

< >

( 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

< >

( 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

< >

( 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

< >

( 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

< >

( 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
< > 在 GitHub 上更新

←UperNet Vision Transformer (ViT)→