Transformers文档

ViLT

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

ViLT 模型在 Wonjae Kim、Bokyung Son 和 Ildoo Kim 的论文《ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision》中被提出,见ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision。ViLT 将文本嵌入到视觉变压器 (ViT) 中,允许其对视觉和语言预训练 (VLP) 采用最小设计。

论文的摘要如下:

视觉与语言预训练(VLP)在各种联合视觉与语言下游任务上提高了性能。当前VLP方法在很大程度上依赖于图像特征提取过程,其中大多数涉及区域监督(例如,物体检测)和卷积架构(例如,ResNet)。虽然文献中未予考虑,但我们发现这存在问题,即(1)效率/速度,因为简单地提取输入特征的计算量比多模态交互步骤大得多;以及(2)表达能力,因为它被限制在视觉嵌入器和其预定义视觉词汇的表达能力之内。在这篇论文中,我们介绍了一个最小的VLP模型,视觉与语言变换器(ViLT),在整个模型中,处理视觉输入的方式被极大地简化,就像我们处理文本输入一样,没有任何卷积操作。我们表明,ViLT比以前的VLP模型快数十倍,而且下游任务性能具有竞争力甚至更好。

drawing ViLT架构图。图片来自原始论文

该模型由nielsr贡献。原始代码可在此处找到。

使用提示

  • 开始使用ViLT最快的方法是查看示例笔记本(展示了在自定义数据上的推理和微调)。
  • ViLT是一个接收pixel_valuesinput_ids作为输入的模型。可以使用ViltProcessor为模型准备数据。此处理器将图像处理器(用于图像模态)和分词器(用于语言模态)集成在一起。
  • ViLT使用各种大小的图像进行训练:作者将输入图像较短的一边调整为384,并将较长的一边限制在640以下,同时保持比例。为了使图像批处理成为可能,作者使用了pixel_mask,它指示哪些像素值是真实的,哪些是填充。《a href="/docs/transformers/v4.44.0/en/model_doc/vilt#transformers.ViltProcessor">ViltProcessor会自动为您创建此内容。
  • ViLT的设计与标准视觉变换器(ViT)的设计非常相似。唯一的区别是模型包含了额外的语言模态嵌入层。
  • 此模型的PyTorch版本仅适用于torch 1.10及以上。

ViltConfig

transformers.ViltConfig

< >

( vocab_size = 30522 type_vocab_size = 2 modality_type_vocab_size = 2 max_position_embeddings = 40 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.0 attention_probs_dropout_prob = 0.0 initializer_range = 0.02 layer_norm_eps = 1e-12 image_size = 384 patch_size = 32 num_channels = 3 qkv_bias = True max_image_length = -1 tie_word_embeddings = False num_images = -1 **kwargs )

参数

  • vocab_size (int, 可选, 默认为 30522) — 模型文本部分的词汇量大小。定义了通过调用 ViltModel 传递的 inputs_ids 可以表示的不同标记的数量。
  • type_vocab_size (int, 可选, 默认值 2) — 在调用 ViltModel 时传入的 token_type_ids 的词汇表大小。在编码文本时使用。
  • modality_type_vocab_size (int, 可选, 默认值 2) — 调用 ViltModel 时传入的模态的词汇表大小。在合并文本和图像模态的嵌入后使用。
  • max_position_embeddings (int, 可选, 默认值 40) — 模型可能用到的最大序列长度。
  • hidden_size (int, 可选, 默认值 768) — 编码层和池化层的维度。
  • num_hidden_layers (int, 可选,默认等于12) — Transformer编码器中隐藏层的数量。
  • num_attention_heads (int, 可选,默认等于12) — Transformer编码器中每个注意力层中注意力头的数量。
  • intermediate_size (int, 可选,默认等于3072) — Transformer编码器中“中间”层(即前馈层)的维度。
  • hidden_act (字符串函数可选,默认为 "gelu") — 编码器和池器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""gelu_new"
  • hidden_dropout_prob (浮点数可选,默认为 0.0) — 在嵌入、编码器和池器中所有全连接层的dropout概率。
  • attention_probs_dropout_prob (浮点数可选,默认为 0.0) — 注意力概率的dropout比率。
  • initializer_range (浮点数可选,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偏差。
  • layer_norm_epsfloat可选,默认为1e-12) — 层归一化层使用的epsilon值。
  • image_sizeint可选,默认为384) — 每个图片的大小(分辨率)。
  • patch_sizeint可选,默认为32) — 每个补丁的大小(分辨率)。
  • num_channelsint可选,默认为3) — 输入通道的数量。
  • qkv_bias (bool, 可选, 默认为 True) — 是否为查询、键和值添加偏置。
  • max_image_length (int, 可选, 默认为 -1) — Transformer 编码器输入的最大 patch 数。如果设置为正整数,则 encoder 最大将采样 max_image_length 个 patch。如果设置为 -1,则不考虑。
  • num_images (int, 可选, 默认为 -1) — 用于自然语言视觉推理的图片数量。如果设置为正整数,则将由 ViltForImagesAndTextClassification 用于定义分类头。

这是用于存储 ViLTModel 配置的配置类。它用于根据指定的参数实例化一个 ViLT 模型,定义模型架构。使用默认值实例化配置将产生类似于 ViLT dandelin/vilt-b32-mlm 架构的配置。

配置对象继承自 PretrainedConfig 并可用于控制模型输出。有关更多信息,请参阅 PretrainedConfig 文档。

示例

>>> from transformers import ViLTModel, ViLTConfig

>>> # Initializing a ViLT dandelin/vilt-b32-mlm style configuration
>>> configuration = ViLTConfig()

>>> # Initializing a model from the dandelin/vilt-b32-mlm style configuration
>>> model = ViLTModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

ViltFeatureExtractor

transformers.ViltFeatureExtractor

< >

( *args **kwargs )

__call__

< >

( images **kwargs )

预处理图像或一批图像。

transformers.ViltImageProcessor

< >

( do_resize: bool = True size: Dict = None size_divisor: int = 32 resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_pad: bool = True **kwargs )

参数

  • do_resize (bool, 可选,默认为 True) — 是否将图像的(高度,宽度)尺寸调整到指定的 size。可以由 preprocess 方法中的 do_resize 参数覆盖。
  • size (Dict[str, int] 可选,默认为 {"shortest_edge" -- 384}): 将输入图像的较短边调整到 size["shortest_edge"]。较长的边将限制在 int((1333 / 800) * size["shortest_edge"]) 以下,同时保持宽高比。只有在 do_resize 设置为 True 时才起作用。可以由 preprocess 方法中的 size 参数覆盖。
  • size_divisor (int可选,默认为 32) — 确保高度和宽度可以整除的尺寸。只有在 do_resize 设置为 True 时才起作用。可以由 preprocess 方法中的 size_divisor 参数覆盖。
  • resamplePILImageResampling可选,默认为Resampling.BICUBIC)——如果调整图像大小时使用的重采样滤波器。只有当do_resize设置为True时才有效。可以通过preprocess方法中的resample参数进行覆盖。
  • do_rescalebool可选,默认为True)——是否根据指定的缩放因子rescale_factor对图像进行缩放。可以通过preprocess方法中的do_rescale参数进行覆盖。
  • rescale_factorintfloat可选,默认为1/255)——如果缩放图像时使用的缩放因子。只有当do_rescale设置为True时才有效。可以通过preprocess方法中的rescale_factor参数进行覆盖。
  • do_normalize (bool, 可选,默认为 True) — 是否对图像进行归一化。可以由 preprocess 方法中的 do_normalize 参数覆盖。同样可以由 preprocess 方法中的 do_normalize 参数覆盖。
  • image_mean (floatList[float]可选,默认为 IMAGENET_STANDARD_MEAN) — 如果对图像进行归一化,要使用的均值。这是一个浮点数或浮点数列表,其长度与图像通道数的长度相同。可以由 preprocess 方法中的 image_mean 参数覆盖。同样可以由 preprocess 方法中的 image_mean 参数覆盖。
  • image_std (floatList[float]可选,默认为 IMAGENET_STANDARD_STD) — 如果对图像进行归一化,要使用的标准差。这是一个浮点数或浮点数列表,其长度与图像通道数的长度相同。可以由 preprocess 方法中的 image_std 参数覆盖。同样可以由 preprocess 方法中的 image_std 参数覆盖。
  • do_pad (bool, 可选, 默认为 True) — 是否将图像填充到批次中图像的 (max_height, max_width)。可以通过 preprocess 方法中的 do_pad 参数进行覆盖。

构建一个 ViLT 图像处理器。

preprocess

< >

( images: 并集 do_resize: 可选 = None size: 可选 = None size_divisor: 可选 = None resample: 重采样 = None do_rescale: 可选 = None rescale_factor: 可选 = None do_normalize: 可选 = None image_mean: 并集 = None image_std: 并集 = None do_pad: 可选 = None return_tensors: 并集 = None data_format: 通道维度 = <ChannelDimension.FIRST: 'channels_first'> input_data_format: 并集 = None )

参数

  • images (ImageInput) — 预处理图像。期望是像素值范围为0至255的单个或批量图像。如果传入像素值在0和1之间的图像,设 do_rescale=False
  • do_resize (布尔值, 可选,默认为 self.do_resize) —— 是否调整图像大小。
  • sizeDict[str, int]可选,默认为 self.size)—— 控制在 resize 之后图像的大小。将图像的短边调整为 size["shortest_edge"],同时保持宽高比不变。如果调整后图像的最长边 > int(size["shortest_edge"] * (1333 / 800)),则再次调整大小,使最长边等于 int(size["shortest_edge"] * (1333 / 800))
  • size_divisorint可选,默认为 self.size_divisor)—— 将图像调整到此值倍数的大小。
  • resamplePILImageResampling可选,默认为 self.resample)—— 如果设置 do_resizeTrue 时,在调整图像大小时要使用的重采样过滤器。
  • do_rescalebool可选,默认为 self.do_rescale) — 是否重新调整图像值在 [0 - 1] 之间。
  • rescale_factorfloat可选,默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,用于重新调整图像的缩放因子。
  • do_normalizebool可选,默认为 self.do_normalize) — 是否对图像进行归一化处理。
  • image_meanfloatList[float]可选,默认为 self.image_mean) — 如果 do_normalize 设置为 True,用于归一化图像的图像均值。
  • image_std (floatList[float],可选,默认为 self.image_std) — 如果 do_normalize 设置为 True,通过它来标准化图像的图像标准差。
  • do_pad (bool,可选,默认为 self.do_pad) — 是否将图像填充至班次的 (max_height, max_width)。如果为 True,也将创建并返回一个像素掩码。
  • return_tensors (strTensorType,可选) — 返回张量的类型。可以是以下之一:
    • 未设置:返回列表 np.ndarray
    • TensorType.TENSORFLOW'tf':返回类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH'pt':返回类型为 torch.Tensor 的批次。
    • TensorType.NUMPY'np':返回类型为 np.ndarray 的批次。
    • TensorType.JAX'jax':返回类型为 jax.numpy.ndarray 的批次。
  • data_format (ChannelDimensionstr可选,默认为 ChannelDimension.FIRST) —— 输出图像的通道维度格式。可以是以下之一:
    • ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
  • input_data_format (ChannelDimensionstr可选)—— 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

预处理图像或图像批次。

ViltProcessor

transformers.ViltProcessor

< >

( image_processor = None tokenizer = None **kwargs )

参数

构建一个将 BERT 分词器和 ViLT 图像处理器包装为单个处理器的 ViLT 处理器。

ViltProcessor 提供了 ViltImageProcessorBertTokenizerFast 的所有功能。请参阅 call()decode() 的文档字符串以获取更多信息。

__call__

< >

( 图像 文本: 取合 = 无添加特殊标记: 布尔型 = True填充: 取合 = False截断: 取合 = 无最大长度: 可选 = 无步长: 整型 = 0填充到倍数: 可选 = 无返回标记类型ID: 可选 = 无返回注意掩码: 可选 = 无返回溢出标记: 布尔型 = False返回特殊标记掩码: 布尔型 = False返回偏移量映射: 布尔型 = False返回长度: 布尔型 = False详细: 布尔型 = True返回张量: 取合 = 无**kwargs )

此方法使用ViltImageProcessor.调用()方法准备图像,并使用BertTokenizerFast.调用()准备模型文本。

请参阅上述两个方法的文档字符串以获取更多信息。

ViltModel

transformers.ViltModel

< >

( config add_pooling_layer = True )

参数

  • config (ViltConfig) — 包含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相关的权重,只加载配置。查看 from_pretrained() 方法以加载模型权重。

一个未经任何特定头部处理的原始隐藏状态的ViLT模型。这是一个PyTorch torch.nn.Module <https://pytorch.ac.cn/docs/stable/nn.html#torch.nn.Module> 子类。将其用作常规PyTorch模块,并请参考PyTorch文档了解所有与一般使用和行为相关的内容。

正向传递

< >

( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None pixel_values: Optional = None pixel_mask: Optional = None head_mask: Optional = None inputs_embeds: Optional = None image_embeds: Optional = None image_token_type_idx: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.BaseModelOutputWithPooling or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 的形状为 ({0})) — 输入序列标记的词汇索引。索引可以通过 AutoTokenizer 获取。详情请参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入ID?
  • attention_mask (torch.FloatTensor 的形状为 ({0})非必需) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在 [0, 1]

  • token_type_ids (torch.LongTensor 的形状为 ({0})非必需) — 用于指示输入的第一和第二部分的标记段索引。索引选择在 [0, 1]

  • pixel_values(《torch.FloatTensor》形状(batch_size, num_channels, height, width))—像素值。像素值可以通过AutoImageProcessor获取。关于更详细的信息,请参阅ViltImageProcessor.call()
  • pixel_mask(《torch.LongTensor》形状(batch_size, height, width)可选)—避免在填充像素值上执行注意力的掩码。掩码值选择的范围为[0, 1]

    • 1表示像素是真实的(即未掩码),
    • 0表示像素是填充的(即掩码)。什么是注意力掩码? <../glossary.html#attention-mask>
  • head_mask(《torch.FloatTensor》形状(num_heads,)(num_layers, num_heads)可选)—遮蔽自注意力模块中选定的头。掩码值选择的范围为[0, 1]

    • 1表示头部未被掩码,
    • 0表示头部被掩码。
  • inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size)可选) — 可以选择不传递 input_ids,而是直接传递嵌入表示。当您希望对如何将 input_ids 索引转换为相关向量有更多控制时,这种情况很有用,比模型内部嵌入查找矩阵更灵活。
  • image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size)可选) — 可以选择不传递 pixel_values,而是直接传递嵌入表示。当您希望更灵活地将 pixel_values 转换为补丁嵌入时,这种情况很有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回的张力下方的 attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关返回张量下hidden_states的详细情况,请参阅更多。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是纯元组。

返回值

transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

返回一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False),根据配置(例如ViltConfig)和输入包含各个元素。

  • last_hidden_state (torch.FloatTensor 的形状为 (batch_size, sequence_length, hidden_size)) — 模型最后层输出处的隐藏状态序列。

  • pooler_output (torch.FloatTensor 的形状为 (batch_size, hidden_size)) — 通过用于辅助预训练任务的层进一步处理后,序列首令牌(分类令牌)的最后层隐藏状态。例如,对于 BERT-family 模型,这返回在通过一个线性层和一个 tanh 激活函数处理后,分类令牌的结果。线性层的权重在预训练期间从下一个句子预测(分类)目标训练得到。

  • hidden_states (tuple(torch.FloatTensor)可选,在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 的元组(如果模型有嵌入层,则为嵌入输出之后,每个层的输出一个)。

    在每个层输出处的模型的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 实例为 shapebatch_size, num_heads, sequence_length, sequence_length)title 的元组(每个层一个)。

    在注意力softmax之后的注意权重,用于在自注意力头中计算加权平均。

ViltModel的forward方法,覆盖了__call__特殊方法。

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

示例

>>> from transformers import ViltProcessor, ViltModel
>>> from PIL import Image
>>> import requests

>>> # prepare image and text
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = "hello world"

>>> processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-mlm")
>>> model = ViltModel.from_pretrained("dandelin/vilt-b32-mlm")

>>> inputs = processor(image, text, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state

ViltForMaskedLM

class transformers.ViltForMaskedLM

< >

( config )

参数

  • config (ViltConfig) — 包含所有模型参数的模型配置类。使用配置文件初始化不会加载模型相关的权重,只加载配置。查看from_pretrained()方法加载模型权重。

在预训练期间在顶部添加语言建模头的ViLT模型。

此模型是PyTorch torch.nn.Module_子类。将其用作常规PyTorch模块,并查阅PyTorch文档以获取与通用使用和行为有关的所有信息。

正向传递

< >

( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None pixel_values: 可选 = None pixel_mask: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None image_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。索引可以通过 AutoTokenizer 获得。有关详细信息,请见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入ID?
  • attention_mask (torch.FloatTensor 形状 (batch_size, sequence_length), 可选) — 避免在填充标记索引上执行注意力的掩码。所选掩码值在 [0, 1] 内:

    • 1 表示 未掩码 的标记,
    • 0 表示 掩码 的标记。《什么是注意力掩码?
    • token_type_ids (torch.LongTensor 形状 (batch_size, sequence_length), 可选) — 用于指示输入的前后部分的段标记索引。索引在 [0, 1] 内选择:

      • 0 对应于 句子A 标记,
      • 1 对应于 句子B 标记。《什么是标记类型ID?
      • pixel_values(形状为 (batch_size, num_channels, height, width)torch.FloatTensor)— 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 ViltImageProcessor.call()
      • pixel_mask(形状为(batch_size, height, width),可选)—— 用于避免在填充像素值上执行注意力的掩码。掩码值选择在 [0, 1] 中:

        • 1 表示真实的像素(即 非掩码),
        • 0 表示填充的像素(即 掩码)。 什么是注意力掩码? <../glossary.html#attention-mask>
      • head_mask(形状为 (num_heads,)(num_layers, num_heads)可选)—— 用于无效化自注意力模块中选定的头的掩码。掩码值选择在 [0, 1] 中:

        • 1 表示頭部 未掩码
        • 0 表示头部 掩码
      • inputs_embeds (torch.FloatTensor of shape (batch_size, sequence_length, hidden_size), optional) — 可选,您可以选择直接传递嵌入表示而不是 input_ids,这在您想对将 input_ids 索引转换为相关向量有更多控制权时很有用,比模型内部嵌入查找矩阵更灵活。
      • image_embeds (torch.FloatTensor of shape (batch_size, num_patches, hidden_size), optional) — 可选,您可以选择直接传递嵌入表示而不是 pixel_values,这在您想对将 pixel_values 转换为补丁嵌入有更多控制权时很有用。
      • output_attentions (bool, optional) — 是否返回所有注意力层的张量。有关更多详细信息,请参阅返回张量下的 attentions
      • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。更多详情请参考返回的张量中的 hidden_states
      • return_dict (bool, 可选) — 是否返回ModelOutput而不是普通的元组。
      • labels (形状为(batch_size, sequence_length)的torch.LongTensor,可选) — 用于计算掩码语言建模损失的标签。索引应在 [-100, 0, …, config.vocab_size] 范围内(见 input_ids 说明文档)-100 索引的标记将被忽略(被掩码),损失只计算标签在 [0, …, config.vocab_size] 范围内的标记。

      返回值

      transformers.modeling_outputs.MaskedLMOutputtuple(torch.FloatTensor)

      A transformers.modeling_outputs.MaskedLMOutput或一个由torch.FloatTensor组成的元组(如果传递了return_dict=False或有config.return_dict=False),包含根据配置(ViltConfig)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) — 掩码语言建模(MLM)损失。

      • logits (形状为(batch_size, sequence_length, config.vocab_size)的torch.FloatTensor) — 语言建模头部的预测分数(SoftMax前的每个词汇表的分数)。

      • hidden_states (tuple(torch.FloatTensor)可选,在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 的元组(如果模型有嵌入层,则为嵌入输出之后,每个层的输出一个)。

        在每个层输出处的模型的隐藏状态,加上可选的初始嵌入输出。

      • attentions (tuple(torch.FloatTensor)可选,在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 实例为 shapebatch_size, num_heads, sequence_length, sequence_length)title 的元组(每个层一个)。

        在注意力softmax之后的注意权重,用于在自注意力头中计算加权平均。

《ViltForMaskedLM》前向方法,重写了`__call__`特殊方法。

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

示例

>>> from transformers import ViltProcessor, ViltForMaskedLM
>>> import requests
>>> from PIL import Image
>>> import re
>>> import torch

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = "a bunch of [MASK] laying on a [MASK]."

>>> processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-mlm")
>>> model = ViltForMaskedLM.from_pretrained("dandelin/vilt-b32-mlm")

>>> # prepare inputs
>>> encoding = processor(image, text, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**encoding)

>>> tl = len(re.findall("\[MASK\]", text))
>>> inferred_token = [text]

>>> # gradually fill in the MASK tokens, one by one
>>> with torch.no_grad():
...     for i in range(tl):
...         encoded = processor.tokenizer(inferred_token)
...         input_ids = torch.tensor(encoded.input_ids)
...         encoded = encoded["input_ids"][0][1:-1]
...         outputs = model(input_ids=input_ids, pixel_values=encoding.pixel_values)
...         mlm_logits = outputs.logits[0]  # shape (seq_len, vocab_size)
...         # only take into account text features (minus CLS and SEP token)
...         mlm_logits = mlm_logits[1 : input_ids.shape[1] - 1, :]
...         mlm_values, mlm_ids = mlm_logits.softmax(dim=-1).max(dim=-1)
...         # only take into account text
...         mlm_values[torch.tensor(encoded) != 103] = 0
...         select = mlm_values.argmax().item()
...         encoded[select] = mlm_ids[select].item()
...         inferred_token = [processor.decode(encoded)]

>>> selected_token = ""
>>> encoded = processor.tokenizer(inferred_token)
>>> output = processor.decode(encoded.input_ids[0], skip_special_tokens=True)
>>> print(output)
a bunch of cats laying on a couch.

ViltForQuestionAnswering

transformers.ViltForQuestionAnswering

< >

( config )

参数

  • config(《ViltConfig》)— 包含所有模型参数的模型配置类。使用配置文件初始化不会加载模型的相关权重,只加载配置。请查看from_pretrained() 方法来加载模型权重。

视觉问答的Vilt模型变压器,其顶部有一个分类器头部(位于[CLS]标记的最终隐藏状态之上的线性层),例如用于VQAv2。

此模型是PyTorch torch.nn.Module_子类。将其用作常规PyTorch模块,并查阅PyTorch文档以获取与通用使用和行为有关的所有信息。

正向传递

< >

( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None pixel_values: 可选 = None pixel_mask: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None image_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (形状为 ({0})torch.LongTensor) — 词汇表中的输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()输入ID是什么?
  • attention_mask (形状为 ({0})torch.FloatTensor,可选) — 避免在填充标记索引上执行注意力的掩码。掩码值在 [0, 1] 区间内选择:

  • token_type_ids (形状为 ({0})torch.LongTensor,可选) — 表示输入的第一部分和第二部分的分区标记索引。索引在 [0, 1] 中选择:

  • pixel_values (torch.FloatTensor 形状为 (batch_size, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 ViltImageProcessor.call()
  • pixel_mask (torch.LongTensor 形状为 (batch_size, height, width)可选) — 避免对填充像素值执行注意的掩码。掩码值介于 [0, 1] 之间:

    • 1 表示真实的像素(即 未掩码),
    • 0 表示填充像素(即 掩码)。注意掩码是什么? <../glossary.html#attention-mask>
  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 使自注意模块中选择的头失效的掩码。掩码值介于 [0, 1] 之间:

    • 1 表示头部 未掩码
    • 0 表示头部 掩码
  • inputs_embeds (torch.FloatTensor 形状为 ({0}, hidden_size)可选) — 可选地,而不是传递 input_ids,您可以选择直接传递嵌入表示。如果您希望比模型内嵌入查找矩阵有更多控制权,以便将 input_ids 索引转换为相关向量,则这是有用的。
  • image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size)可选) — 可选地,而不是传递 pixel_values,您可以选择直接传递嵌入表示。如果希望更多地控制如何将 pixel_values 转换为补丁嵌入则很有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。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 (形状为(batch_size, num_labels)torch.FloatTensor可选) — 计算视觉问答损失时的标签。此张量必须是批处理中给定示例的所有适用答案的一_hot编码,或者是一个表示哪些答案适用的软编码,其中1.0是最高分。

返回值

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.SequenceClassifierOutput 或一个包含torch.FloatTensor的元组(如果传递了return_dict=False或当config.return_dict=False时),具体取决于配置(ViltConfig)和输入。

  • 损失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。

  • 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,在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 的元组(如果模型有嵌入层,则为嵌入输出之后,每个层的输出一个)。

    在每个层输出处的模型的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 实例为 shapebatch_size, num_heads, sequence_length, sequence_length)title 的元组(每个层一个)。

    在注意力softmax之后的注意权重,用于在自注意力头中计算加权平均。

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

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

示例

>>> from transformers import ViltProcessor, ViltForQuestionAnswering
>>> import requests
>>> from PIL import Image

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = "How many cats are there?"

>>> processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
>>> model = ViltForQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")

>>> # prepare inputs
>>> encoding = processor(image, text, return_tensors="pt")

>>> # forward pass
>>> outputs = model(**encoding)
>>> logits = outputs.logits
>>> idx = logits.argmax(-1).item()
>>> print("Predicted answer:", model.config.id2label[idx])
Predicted answer: 2

ViltForImagesAndTextClassification

transformers.ViltForImagesAndTextClassification

< >

( config )

参数

  • input_idstorch.LongTensor,形状为({0}))—输入序列标记的索引,这些索引来自词汇表。索引可以通过AutoTokenizer获得。有关详细信息,请参阅PreTrainedTokenizer.encode()PreTrainedTokenizer.call()输入ID是什么?
  • attention_mask (torch.FloatTensor 的形状 ({0})可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选自 [0, 1]

  • token_type_ids (torch.LongTensor 的形状 ({0})可选) — 地标标记索引以指示输入的第一和第二部分。索引选自 [0, 1]

  • pixel_values (torch.FloatTensor 的形状 (batch_size, num_images, num_channels, height, width)) — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息,请参阅 ViltImageProcessor.call()
  • pixel_mask (torch.LongTensor 的形状为 (batch_size, num_images, height, width)可选) — 避免对填充像素值执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示实际的像素(即 未掩码),
    • 0 表示填充的像素(即 掩码)。 什么是注意力掩码? <../glossary.html#attention-mask>__
  • head_mask (torch.FloatTensor 的形状为 (num_heads,)(num_layers, num_heads)可选) — 使自我注意力模块中选定的头无效的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示头 未掩码
    • 0 表示头 掩码
  • inputs_embeds (torch.FloatTensor 的形状为 ({0}, hidden_size)可选) — 可选地,您可以选择直接传递嵌入表示而不是传递 input_ids。这非常有用,如果您想比模型内部的嵌入查找矩阵有更多的控制权来转换 input_ids 索引到相关向量。
  • image_embeds (torch.FloatTensor 的形状 (batch_size, num_images, num_patches, hidden_size)可选) — 可选地,您可以选择直接传递一个嵌入表示,而不是传递 pixel_values。如果您想更多地控制如何将 pixel_values 转换为补丁嵌入,这将很有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回一个 ModelOutput,而不是一个普通的元组。

Vilt模型,顶部有分类头,用于自然语言视觉推理,例如NLVR2。

正向传递

< >

( input_ids: 可选 = Noneattention_mask: 可选 = Nonetoken_type_ids: 可选 = Nonepixel_values: 可选 = Nonepixel_mask: 可选 = Nonehead_mask: 可选 = Noneinputs_embeds: 可选 = Noneimage_embeds: 可选 = Nonelabels: 可选 = Noneoutput_attentions: 可选 = Noneoutput_hidden_states: 可选 = Nonereturn_dict: 可选 = None ) transformers.models.vilt.modeling_vilt.ViltForImagesAndTextClassificationOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape ({0})) — 输入序列 token 的索引。索引可以通过使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入 ID?
  • attention_masktorch.FloatTensor 形状为 ({0})可选)—— 避免对填充标记索引执行注意力的掩码。掩码值选择在 [0, 1]

  • token_type_idstorch.LongTensor 形状为 ({0})可选)—— 标记段索引以指示输入的第一个和第二个部分。索引选择在 [0, 1]

  • pixel_valuestorch.FloatTensor 形状为 (batch_size, num_channels, height, width))—— 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息请参阅 ViltImageProcessor.call()
  • pixel_mask (torch.LongTensor 形状 (batch_size, height, width), 可选) — 避免在对填充像素值执行注意力时的掩码。掩码值选择在 [0, 1]

    • 1 表示真实像素(即 未掩码),
    • 0 表示填充像素(即 掩码)。 什么是注意力掩码? <../glossary.html#attention-mask>__
  • head_mask (torch.FloatTensor 形状 (num_heads,)(num_layers, num_heads), 可选) — 扫描自注意力模块中选定的头部。掩码值选择在 [0, 1]

    • 1 表示头部 未掩码
    • 0 表示头部 掩码
  • inputs_embeds (torch.FloatTensor 形状 ({0}, hidden_size), 可选) — 可选地,而不是传递 input_ids,您可以选择直接传递嵌入表示。如果您想要比模型的内部嵌入查找矩阵更多的控制权来将 input_ids 索引转换为关联向量,这很有用。
  • image_embeds (torch.FloatTensor 的形状为 (batch_size, num_patches, hidden_size)可选) — 可以选择不传递 pixel_values,而直接传递嵌入表示。如果你想要更多控制如何将 pixel_values 转换为补丁嵌入,这非常有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 attentions
  • output_hidden_states (bool可选) — 是否返回所有层的隐藏状态。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而不是一个普通的元组。
  • labels (torch.LongTensor,形状为(batch_size,)可选) — 二值分类标签。

返回值

transformers.models.vilt.modeling_vilt.ViltForImagesAndTextClassificationOutputtuple(torch.FloatTensor)

如果传入return_dict=False或当config.return_dict=False时,返回ViltConfig)和输入不同,它将包括transformers.models.vilt.modeling_vilt.ViltForImagesAndTextClassificationOutput或一个torch.FloatTensor的元组。

  • 损失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。
  • 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 (List[tuple(torch.FloatTensor)]可选,当传入output_hidden_states=True时返回或当config.output_hidden_states=True) — 该模型的每个层输出的隐藏状态的元组的列表,形状为(batch_size, sequence_length, hidden_size),包括嵌入输出。
  • attentions (List[tuple(torch.FloatTensor)]可选,当传入output_attentions=True时返回或当config.output_attentions=True) — 包含每对图像和文本的注意力权重的列表,形状为(batch_size, num_heads, sequence_length, sequence_length)

ViltForImagesAndTextClassification的前向方法覆盖了特殊的__call__方法。

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

示例

>>> from transformers import ViltProcessor, ViltForImagesAndTextClassification
>>> import requests
>>> from PIL import Image

>>> image1 = Image.open(requests.get("https://lil.nlp.cornell.edu/nlvr/exs/ex0_0.jpg", stream=True).raw)
>>> image2 = Image.open(requests.get("https://lil.nlp.cornell.edu/nlvr/exs/ex0_1.jpg", stream=True).raw)
>>> text = "The left image contains twice the number of dogs as the right image."

>>> processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-nlvr2")
>>> model = ViltForImagesAndTextClassification.from_pretrained("dandelin/vilt-b32-finetuned-nlvr2")

>>> # prepare inputs
>>> encoding = processor([image1, image2], text, return_tensors="pt")

>>> # forward pass
>>> outputs = model(input_ids=encoding.input_ids, pixel_values=encoding.pixel_values.unsqueeze(0))
>>> logits = outputs.logits
>>> idx = logits.argmax(-1).item()
>>> print("Predicted answer:", model.config.id2label[idx])
Predicted answer: True

ViltForImageAndTextRetrieval

transformers.ViltForImageAndTextRetrieval

< >

( config )

参数

  • config (ViltConfig) — 包含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,只有配置。请查看 from_pretrained() 方法以加载模型权重。

Vilt 模型转换器,顶部带有一个分类器头(CLS 标志的最终隐藏状态的线性层),用于图像到文本或文本到图像检索,例如 MSCOCO 和 F30K。

此模型是PyTorch torch.nn.Module_子类。将其用作常规PyTorch模块,并查阅PyTorch文档以获取与通用使用和行为有关的所有信息。

正向传递

< >

( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None pixel_values: 可选 = None pixel_mask: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None image_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状 ({0})) — 输入序列标记的索引。索引可以通过 AutoTokenizer 获取。详情见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入ID?
  • attention_mask (torch.FloatTensor 形状 ({0})可选) — 用于防止对填充标记索引执行注意力的掩码。掩码值选择在 [0, 1] 之间:

  • token_type_ids (torch.LongTensor尺寸为({0})可选) — 用以指示输入的第一个和第二个部分的片段标记索引。索引选择在[0, 1]

  • pixel_values (torch.FloatTensor尺寸为(batch_size, num_channels, height, width)) — 像素值。可以使用AutoImageProcessor来获取像素值。请参阅ViltImageProcessor.call()以获取详细信息。
  • pixel_mask (torch.LongTensor尺寸为(batch_size, height, width)可选) — 用于避免对填充像素值执行注意力的掩码。掩码值选取于[0, 1]

    • 1 对于真实像素(即非掩码),
    • 0 对于填充像素(即掩码)。什么是注意力掩码?<../glossary.html#attention-mask>
  • head_mask (torch.FloatTensor 的形状为 (num_heads,)(num_layers, num_heads)可选) — 用于取消自注意力模块中已选定头部的屏蔽掩码。屏蔽值在 [0, 1] 内选:

    • 1 表示该头部 未屏蔽
    • 0 表示该头部 已屏蔽
  • inputs_embeds (torch.FloatTensor 的形状为 ({0}, hidden_size)可选) — 可以选择直接传递一个嵌入表示,而不是传递 input_ids。这在您想要比模型内部的嵌入查找矩阵有更多控制如何将 input_ids 索引转换成相关向量时很有用。
  • image_embeds (torch.FloatTensor 的形状为 (batch_size, num_patches, hidden_size)可选) — 可以选择直接传递一个嵌入表示,而不是传递 pixel_values。这在您想要更精细地控制如何将 pixel_values 转换为 patch 嵌入时很有用。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。请参见返回张量下的 attentions 以获取更多详细信息。
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。请参见返回张量下的 hidden_states 以获取更多详细信息。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是普通的元组。
  • labels(《torch.LongTensor 形状为(batch_size,)的标量,可选)当前不支持标签。

返回值

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.SequenceClassifierOutput 或一个包含torch.FloatTensor的元组(如果传递了return_dict=False或当config.return_dict=False时),具体取决于配置(ViltConfig)和输入。

  • 损失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。

  • 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,在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 的元组(如果模型有嵌入层,则为嵌入输出之后,每个层的输出一个)。

    在每个层输出处的模型的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 实例为 shapebatch_size, num_heads, sequence_length, sequence_length)title 的元组(每个层一个)。

    在注意力softmax之后的注意权重,用于在自注意力头中计算加权平均。

《ViltForImageAndTextRetrieval》的前向方法,覆盖了特殊方法 __call__

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

示例

>>> from transformers import ViltProcessor, ViltForImageAndTextRetrieval
>>> import requests
>>> from PIL import Image

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> texts = ["An image of two cats chilling on a couch", "A football player scoring a goal"]

>>> processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-coco")
>>> model = ViltForImageAndTextRetrieval.from_pretrained("dandelin/vilt-b32-finetuned-coco")

>>> # forward pass
>>> scores = dict()
>>> for text in texts:
...     # prepare inputs
...     encoding = processor(image, text, return_tensors="pt")
...     outputs = model(**encoding)
...     scores[text] = outputs.logits[0, :].item()

ViltForTokenClassification

transformers.ViltForTokenClassification

< >

( config )

参数

  • config (ViltConfig) — 包含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,只会加载配置。查看 from_pretrained() 方法来加载模型权重。

ViLT 模型,顶部有一个标记分类头(文本标记的最后隐藏状态上的线性层),例如用于命名实体识别(NER)任务。

此模型是PyTorch torch.nn.Module_子类。将其用作常规PyTorch模块,并查阅PyTorch文档以获取与通用使用和行为有关的所有信息。

正向传递

< >

( input_ids: 可选 = None attention_mask: 可选 = None token_type_ids: 可选 = None pixel_values: 可选 = None pixel_mask: 可选 = None head_mask: 可选 = None inputs_embeds: 可选 = None image_embeds: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.TokenClassifierOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor of shape ({0})) — 输入序列标记在词汇表中的索引。可以通过 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入 ID?
  • 注意力掩码 (torch.FloatTensor 的形状为 ({0}),可选) — 以便避免对填充令牌索引执行注意力操作。掩码值在 [0, 1] 之间选择:
  • token_type_ids (torch.LongTensor 的形状为 ({0}),可选) — 用于指示输入第一部分和第二部分的段令牌索引。索引在 [0, 1] 之间选择:
  • pixel_values (torch.FloatTensor 的形状为 (batch_size, num_channels, height, width)) — 像素值。使用 AutoImageProcessor 可以获得像素值。有关详细信息,请参阅 ViltImageProcessor.call()
  • pixel_mask (形状为 (batch_size, height, width)torch.LongTensor可选)—— 避免对填充像素值执行注意力操作的掩码。掩码值选择的范围在 [0, 1]

    • 1 表示实际像素(即 未掩码),
    • 0 表示填充像素(即 掩码)。什么是注意力掩码? <../glossary.html#attention-mask>
  • head_mask (形状为 (num_heads,) 或 (num_layers, num_heads)torch.FloatTensor可选)—— 用于禁用自注意力模块中选择的头部的掩码。掩码值选择的范围在 [0, 1]

    • 1 表示头部未被 掩码
    • 0 表示头部被 掩码
  • inputs_embeds (形状为 ({0}, hidden_size)torch.FloatTensor可选)—— 如果您想传递嵌入表示而不是 input_ids,您可以选择直接传递。当您想要比模型内部的嵌入查找矩阵更多的控制权时,这很有用,以将 input_ids 索引转换为相关向量。
  • image_embeds (torch.FloatTensor 形状为 (batch_size, num_patches, hidden_size) 的向量,可选) — 可选地,你可以选择直接传递嵌入表示,而不是传递 pixel_values。如果你希望更多地控制如何将 pixel_values 转换为 patch 嵌入,这将非常有用。
  • output_attentions (bool可选) — 是否返回所有注意力层的注意力张量。更多详细信息请参阅返回张量中的 attentions
  • output_hidden_states (bool可选) — 是否返回所有层的隐藏状态。更多详细信息请参阅返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 对象而不是普通元组。
  • labels (torch.LongTensor 形状为 (batch_size, text_sequence_length), 可选) — 用于计算标记分类损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。

返回值

transformers.modeling_outputs.TokenClassifierOutputtuple(torch.FloatTensor)

A transformers.modeling_outputs.TokenClassifierOutput 或一个包含多种元素的元组,这些元素取决于配置(ViltConfig)和输入,如果传递 return_dict=False 或当 config.return_dict=False 时。

  • loss (torch.FloatTensor 形状为 (1,), 可选,在提供 labels 时返回) — 分类损失。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.num_labels)) — 分类分数(在 SoftMax 之前)。

  • hidden_states (tuple(torch.FloatTensor)可选,在传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 的元组(如果模型有嵌入层,则为嵌入输出之后,每个层的输出一个)。

    在每个层输出处的模型的隐藏状态,加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,在传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 实例为 shapebatch_size, num_heads, sequence_length, sequence_length)title 的元组(每个层一个)。

    在注意力softmax之后的注意权重,用于在自注意力头中计算加权平均。

《transformers.ViltForTokenClassification》的 forward 方法覆盖了特殊方法 __call__

尽管需要在函数内部定义前向传递的配方,但在之后调用Module实例而不是这个方法,因为前者负责运行预处理和后处理步骤,而后者则默默忽略它们。

< > 在 GitHub 上更新