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。
资源
Hugging Face 官方和社区（🌎 表示）资源列表，帮助您开始使用 VAN。
- VanForImageClassification 支持此 示例脚本 和 笔记本。
- 另请参阅：图像分类任务指南
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
< 源代码 >( 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 (
str或function, 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"和"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.configVanModel
class transformers.VanModel
< 源代码 >( 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
< 源代码 >( pixel_values: Optional output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 tuple(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.BaseModelOutputWithPoolingAndNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndNoAttention 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或 config.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=True或config.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
< 源代码 >( 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
< 源代码 >( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(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.ImageClassifierOutputWithNoAttention 或 tuple(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