参数

• **images** (`ImageInput`) — 要预处理的图像。期望是像素值范围从 0 到 255 的单张或一批图像。如果传入的图像像素值在 0 到 1 之间，请设置 `do_rescale=False`。
• **do_resize** (`bool`, *可选的*, 默认为 `self.do_resize`) — 是否调整图像大小。
• **size** (`Dict[str, int]`, *可选的*, 默认为 `self.size`) — 控制调整大小后的图像尺寸。图像的最短边将调整为 `size["shortest_edge"]` 大小，同时保持宽高比。如果调整大小后的图像的最长边 > `int(size["shortest_edge"] * (1333 / 800))`，则再次调整图像大小，使最长边等于 `int(size["shortest_edge"] * (1333 / 800))`。
• **size_divisor** (`int`, *可选的*, 默认为 `self.size_divisor`) — 图像将被调整为该值的倍数的尺寸。
• **resample** (`PILImageResampling`, *可选的*, 默认为 `self.resample`) — 如果调整图像大小，则使用的重采样滤波器。仅当 `do_resize` 设置为 `True` 时有效。
• **do_rescale** (`bool`, *可选的*, 默认为 `self.do_rescale`) — 是否将图像值重新缩放到 [0 - 1] 之间。
• **rescale_factor** (`float`, *可选的*, 默认为 `self.rescale_factor`) — 如果 `do_rescale` 设置为 `True`，则用于重新缩放图像的缩放因子。
• **do_normalize** (`bool`, *可选的*, 默认为 `self.do_normalize`) — 是否对图像进行归一化。
• **image_mean** (`float` 或 `List[float]`, *可选的*, 默认为 `self.image_mean`) — 如果 `do_normalize` 设置为 `True`，则用于归一化图像的图像均值。
• **image_std** (`float` 或 `List[float]`, *可选的*, 默认为 `self.image_std`) — 如果 `do_normalize` 设置为 `True`，则用于归一化图像的图像标准差。
• **do_pad** (`bool`, *可选的*, 默认为 `self.do_pad`) — 是否将图像填充到批次中的 `(max_height, max_width)` 大小。如果为 `True`，则还会创建并返回像素掩码。
• return_tensors (str 或 TensorType, 可选) — 返回的张量类型。可以是以下之一：
  • Unset: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension 或 str, 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 (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则通道维度格式将从输入图像中推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

参数

• input_ids (形状为 ({0}) 的 torch.LongTensor) — 词汇表中输入序列 token 的索引。可以使用 AutoTokenizer 获得索引。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。什么是输入 IDs？
• attention_mask (形状为 ({0}) 的 torch.FloatTensor, 可选) — 掩码，用于避免在 padding token 索引上执行注意力机制。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。什么是注意力掩码？
• token_type_ids (形状为 ({0}) 的 torch.LongTensor, 可选) — 分段 token 索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。什么是 token 类型 IDs？
• pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。可以使用 AutoImageProcessor 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) 的 torch.LongTensor, 可选) — 掩码，用于避免在 padding 像素值上执行注意力机制。掩码值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即未被掩盖），
  • 0 表示像素是 padding（即被掩盖）。 什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor, 可选) — 掩码，用于使自注意力模块的选定 head 失效。掩码值在 [0, 1] 中选择：
  • 1 表示 head 未被掩盖，
  • 0 表示 head 被掩盖。
• inputs_embeds (形状为 ({0}, hidden_size) 的 torch.FloatTensor, 可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• image_embeds (形状为 (batch_size, num_patches, hidden_size) 的 torch.FloatTensor, 可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望更好地控制如何将 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。 有关更多详细信息，请参见返回张量下的 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，请参见返回张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

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

• last_hidden_state (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层的输出端的隐藏状态序列。

• pooler_output (torch.FloatTensor，形状为 (batch_size, hidden_size)) — 序列的第一个 token (分类 token) 的最后一层隐藏状态，在通过用于辅助预训练任务的层进一步处理之后。例如，对于 BERT 系列模型，这返回通过线性层和 tanh 激活函数处理后的分类 token。线性层权重通过预训练期间的下一句预测 (分类) 目标进行训练。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则为嵌入输出，+ 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列 token 的索引。可以使用 AutoTokenizer 获取索引。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是输入 ID？
• attention_mask (torch.FloatTensor，形状为 (batch_size, sequence_length), optional) — 掩码，用于避免在 padding token 索引上执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩盖，
  • 0 表示 token 被掩盖。 什么是注意力掩码？
• token_type_ids (torch.LongTensor，形状为 (batch_size, sequence_length), optional) — 分段 token 索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。 什么是 token 类型 ID？
• 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。 有关详细信息，请参阅 ViltImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width), optional) — 掩码，用于避免在 padding 像素值上执行注意力。掩码值在 [0, 1] 中选择：
  • 1 表示像素是真实的 (即未被掩盖)，
  • 0 表示像素是 padding (即被掩盖)。 什么是注意力掩码？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads), optional) — 掩码，用于使自注意力模块的选定头无效。掩码值在 [0, 1] 中选择：
  • 1 表示头未被掩盖，
  • 0 表示头被掩盖。
• inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size), optional) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。如果您希望比模型的内部嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size), optional) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望更好地控制如何将 pixel_values 转换为 patch 嵌入，这将非常有用。
• output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回的张量下的 attentions。
• output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回的张量下的 hidden_states。
• return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
• labels (torch.LongTensor，形状为 (batch_size, sequence_length), optional) — 用于计算掩码语言建模损失的标签。索引应在 [-100, 0, …, config.vocab_size] 中 (参见 input_ids 文档字符串) 索引设置为 -100 的 Token 将被忽略 (掩码)，损失仅针对标签在 [0, …, config.vocab_size] 中的 Token 计算

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

• loss (torch.FloatTensor，形状为 (1,), optional, 当提供 labels 时返回) — 掩码语言建模 (MLM) 损失。

• logits (torch.FloatTensor，形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数 (SoftMax 之前每个词汇表 token 的分数)。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则为嵌入输出，+ 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 ({0})) — 词汇表中输入序列 tokens 的索引。 索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。 什么是 input IDs？
• attention_mask (torch.FloatTensor，形状为 ({0})，可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 tokens 未被掩盖，
  • 0 表示 tokens 已被掩盖。什么是 attention masks？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 片段 token 索引，用于指示输入的第一个和第二个部分。 索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。什么是 token type IDs？
• 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 ViltImageProcessor.call()。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在 padding 像素值上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即未被掩盖），
  • 0 表示像素是 padding（即已被掩盖）。 什么是 attention masks？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 head 未被掩盖，
  • 0 表示 head 已被掩盖。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您想要更精细地控制如何将 pixel_values 转换为 patch embeddings，这将非常有用。
• output_attentions (bool，可选) — 是否返回所有 attention 层的 attentions tensors。 有关更多详细信息，请参见返回的 tensors 下的 attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参见返回的 tensors 下的 hidden_states。
• return_dict (bool，可选) — 是否返回 ModelOutput 而不是纯粹的 tuple。
• labels (torch.FloatTensor，形状为 (batch_size, num_labels)，可选) — 用于计算视觉问答损失的标签。 此 tensor 必须是 batch 中给定示例的所有适用答案的 one-hot 编码，或者是指示哪些答案适用的 soft 编码，其中 1.0 是最高分。

一个 transformers.modeling_outputs.SequenceClassifierOutput 或 torch.FloatTensor 的 tuple (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含取决于配置 (ViltConfig) 和输入的各种元素。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 分类（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（如果 config.num_labels==1，则为回归）得分（在 SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则为嵌入输出，+ 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 ({0})) — 词汇表中输入序列 tokens 的索引。索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。 什么是输入 IDs？
• attention_mask (torch.FloatTensor，形状为 ({0})，可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 token 未被 mask，
  • 0 表示 token 已被 mask。 什么是 attention mask？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 分段 token 索引，用于指示输入的第一部分和第二部分。 索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。 什么是 token 类型 IDs？
• 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。 请参阅 ViltImageProcessor.call() 以了解详情。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在 padding 像素值上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即未被 mask），
  • 0 表示像素是 padding（即已被 mask）。 什么是 attention mask？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 head 未被 mask，
  • 0 表示 head 已被 mask。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您想要比如何将 pixel_values 转换为 patch embeddings 更精细地控制，这将非常有用。
• output_attentions (bool，可选) — 是否返回所有 attention 层的 attention tensors。 有关更多详细信息，请参阅返回的 tensors 下的 attentions。
• output_hidden_states (bool，可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参阅返回的 tensors 下的 hidden_states。
• return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通 tuple。
• labels (torch.LongTensor，形状为 (batch_size,)，可选) — 二分类标签。

一个 transformers.models.vilt.modeling_vilt.ViltForImagesAndTextClassificationOutput 或一个 torch.FloatTensor 的 tuple (如果传递 return_dict=False 或当 config.return_dict=False 时)，包含各种元素，具体取决于配置 (ViltConfig) 和输入。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 分类（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（如果 config.num_labels==1，则为回归）得分（在 SoftMax 之前）。
• hidden_states (List[tuple(torch.FloatTensor)]，可选，当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的 tuple 列表 (每个图像-文本对一个 tuple，每个 tuple 包含 embeddings 的输出 + 每个层的输出一个 tuple)，形状为 (batch_size, sequence_length, hidden_size)。 模型在每一层输出的 hidden-states 加上初始 embedding 输出。
• attentions (List[tuple(torch.FloatTensor)]，可选，当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的 tuple 列表 (每个图像-文本对一个 tuple，每个 tuple 包含 attention 权重，形状为 (batch_size, num_heads, sequence_length, sequence_length)。 attention softmax 之后的 Attention 权重，用于计算 self-attention heads 中的加权平均值。

参数

• input_ids (torch.LongTensor，形状为 ({0})) — 词汇表中输入序列 tokens 的索引。索引可以使用 AutoTokenizer 获得。 请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。 什么是输入 IDs？
• attention_mask (torch.FloatTensor，形状为 ({0})，可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 token 未被 mask，
  • 0 表示 token 已被 mask。 什么是 attention mask？
• token_type_ids (torch.LongTensor，形状为 ({0})，可选) — 分段 token 索引，用于指示输入的第一部分和第二部分。 索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。 什么是 token 类型 IDs？
• 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。 请参阅 ViltImageProcessor.call() 以了解详情。
• pixel_mask (torch.LongTensor，形状为 (batch_size, height, width)，可选) — 用于避免在 padding 像素值上执行 attention 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即未被 mask），
  • 0 表示像素是 padding（即已被 mask）。 什么是 attention mask？ <../glossary.html#attention-mask>__
• head_mask (torch.FloatTensor，形状为 (num_heads,) 或 (num_layers, num_heads)，可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。 Mask 值在 [0, 1] 中选择：
  • 1 表示 head 未被 mask，
  • 0 表示 head 已被 mask。
• inputs_embeds (torch.FloatTensor，形状为 ({0}, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联向量，这将非常有用。
• image_embeds (torch.FloatTensor，形状为 (batch_size, num_patches, hidden_size)，可选) — （可选）您可以选择直接传递嵌入表示，而不是传递 pixel_values。 如果您想要比如何将 pixel_values 转换为 patch embeddings 更精细地控制，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。详见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详见返回张量下的 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,) 的 torch.LongTensor, 可选) — 当前不支持标签。

一个 transformers.modeling_outputs.SequenceClassifierOutput 或 torch.FloatTensor 的 tuple (如果传递了 return_dict=False 或当 config.return_dict=False 时)，包含取决于配置 (ViltConfig) 和输入的各种元素。

• loss (torch.FloatTensor，形状为 (1,)，可选，当提供 labels 时返回) — 分类（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（如果 config.num_labels==1，则为回归）得分（在 SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则为嵌入输出，+ 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。

参数

• input_ids (形状为 ({0}) 的 torch.LongTensor) — 词汇表中输入序列 token 的索引。索引可以使用 AutoTokenizer 获得。 详见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详情。 什么是输入 ID？
• attention_mask (形状为 ({0}) 的 torch.FloatTensor, 可选) — 用于避免在 padding token 索引上执行 attention 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示 token 未被 mask，
  • 0 表示 token 已被 mask。 什么是注意力 Mask？
• token_type_ids (形状为 ({0}) 的 torch.LongTensor, 可选) — Segment token 索引，用于指示输入的第一部分和第二部分。索引在 [0, 1] 中选择：
  • 0 对应于 句子 A token，
  • 1 对应于 句子 B token。 什么是 token 类型 ID？
• 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 获得。 详见 ViltImageProcessor.call() 以了解详情。
• pixel_mask (形状为 (batch_size, height, width) 的 torch.LongTensor, 可选) — 用于避免在 padding 像素值上执行 attention 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示像素是真实的（即 未被 mask），
  • 0 表示像素是 padding（即 已被 mask）。 什么是注意力 Mask？ <../glossary.html#attention-mask>__
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor, 可选) — 用于 nullify self-attention 模块中选定 head 的 Mask。Mask 值在 [0, 1] 中选择：
  • 1 表示 head 未被 mask，
  • 0 表示 head 已被 mask。
• inputs_embeds (形状为 ({0}, hidden_size) 的 torch.FloatTensor, 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。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• image_embeds (形状为 (batch_size, num_patches, hidden_size) 的 torch.FloatTensor, 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 pixel_values。如果您希望更精细地控制如何将 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。详见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。详见返回张量下的 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, text_sequence_length) 的 torch.LongTensor, 可选) — 用于计算 token 分类损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。

transformers.modeling_outputs.TokenClassifierOutput 或 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 (ViltConfig) 和输入。

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

• logits (形状为 (batch_size, sequence_length, config.num_labels) 的 torch.FloatTensor) — 分类得分（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), optional, 当传递了 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (如果模型有嵌入层，则为嵌入输出，+ 每层输出一个)，形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的隐藏状态，加上可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传递了 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组 (每层一个)，形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 之后的注意力权重，用于计算自注意力头中的加权平均值。