VisionTextDualEncoder

概述

VisionTextDualEncoderModel 可以用来初始化一个视觉-文本双编码器模型，使用任何预训练的视觉自动编码模型作为视觉编码器 (例如 ViT, BEiT, DeiT) 和任何预训练的文本自动编码模型作为文本编码器 (例如 RoBERTa, BERT)。在视觉和文本编码器的顶部添加了两个投影层，以将输出嵌入投影到共享的潜在空间。投影层是随机初始化的，因此模型应该在下游任务上进行微调。此模型可以用于对齐视觉-文本嵌入，使用类似 CLIP 的对比图像-文本训练，然后可以用于零样本视觉任务，例如图像分类或检索。

在 LiT: Zero-Shot Transfer with Locked-image Text Tuning 中，展示了如何利用预训练的（锁定/冻结的）图像和文本模型进行对比学习，从而在新出现的零样本视觉任务（如图像分类或检索）中产生显著的改进。

VisionTextDualEncoderConfig

class transformers.VisionTextDualEncoderConfig

< source >

( projection_dim = 512 logit_scale_init_value = 2.6592 **kwargs )

参数

projection_dim (int, 可选, 默认为 512) — 文本和视觉投影层的维度。
logit_scale_init_value (float, 可选, 默认为 2.6592) — logit_scale 参数的初始值。默认值与原始 CLIP 实现中使用的值相同。
kwargs (可选) — 关键字参数字典。

VisionTextDualEncoderConfig 是用于存储 VisionTextDualEncoderModel 配置的配置类。它用于根据指定的参数实例化 VisionTextDualEncoderModel 模型，定义文本模型和视觉模型配置。

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 ViTConfig, BertConfig, VisionTextDualEncoderConfig, VisionTextDualEncoderModel

>>> # Initializing a BERT and ViT configuration
>>> config_vision = ViTConfig()
>>> config_text = BertConfig()

>>> config = VisionTextDualEncoderConfig.from_vision_text_configs(config_vision, config_text, projection_dim=512)

>>> # Initializing a BERT and ViT model (with random weights)
>>> model = VisionTextDualEncoderModel(config=config)

>>> # Accessing the model configuration
>>> config_vision = model.config.vision_config
>>> config_text = model.config.text_config

>>> # Saving the model, including its configuration
>>> model.save_pretrained("vit-bert")

>>> # loading model and config from pretrained folder
>>> vision_text_config = VisionTextDualEncoderConfig.from_pretrained("vit-bert")
>>> model = VisionTextDualEncoderModel.from_pretrained("vit-bert", config=vision_text_config)

from_vision_text_configs

< source >

( vision_config: PretrainedConfig text_config: PretrainedConfig **kwargs ) → VisionTextDualEncoderConfig

VisionTextDualEncoderConfig

配置对象的一个实例

从文本模型配置和视觉模型配置实例化 VisionTextDualEncoderConfig (或派生类)。

VisionTextDualEncoderProcessor

class transformers.VisionTextDualEncoderProcessor

< source >

( image_processor = None tokenizer = None **kwargs )

参数

image_processor (AutoImageProcessor, 可选) — 图像处理器是必需的输入。
tokenizer (PreTrainedTokenizer, optional) — 标记器是必需的输入。

构建一个 VisionTextDualEncoder 处理器，它将图像处理器和标记器包装到单个处理器中。

VisionTextDualEncoderProcessor 提供 AutoImageProcessor 和 AutoTokenizer 的所有功能。有关更多信息，请参阅 __call__() 和 decode()。

batch_decode

< source >

( *args **kwargs )

此方法将其所有参数转发到 VisionTextDualEncoderTokenizer 的 batch_decode()。有关更多信息，请参阅此方法的文档字符串。

decode

< source >

( *args **kwargs )

此方法将其所有参数转发到 VisionTextDualEncoderTokenizer 的 decode()。有关更多信息，请参阅此方法的文档字符串。

Pytorch

隐藏 Pytorch 内容

VisionTextDualEncoderModel

class transformers.VisionTextDualEncoderModel

< source >

( config: typing.Optional[transformers.models.vision_text_dual_encoder.configuration_vision_text_dual_encoder.VisionTextDualEncoderConfig] = None vision_model: typing.Optional[transformers.modeling_utils.PreTrainedModel] = None text_model: typing.Optional[transformers.modeling_utils.PreTrainedModel] = None )

参数

config (VisionEncoderDecoderConfig) — 具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() 方法以加载模型权重。

此类可用于初始化视觉-文本双编码器模型，其中任何预训练的视觉自动编码模型作为视觉编码器，任何预训练的文本模型作为文本编码器。视觉和文本编码器通过 from_pretrained() 方法加载。投影层会自动添加到模型中，并且应该在下游任务（如对比图像-文本建模）上进行微调。

在 LiT：使用锁定图像文本调整的零样本迁移中，展示了如何利用预训练（锁定/冻结）的图像和文本模型进行对比学习，从而在新兴的零样本视觉任务（如图像分类或检索）上产生显着改进。

在此 Vision-Text-Dual-Encoder 模型经过训练/微调后，可以像任何其他模型一样保存/加载（有关更多信息，请参见示例）。

此模型继承自 PreTrainedModel。查看超类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头等）。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块，并查阅 PyTorch 文档，了解与常规用法和行为相关的所有事项。

forward

< source >

( input_ids: typing.Optional[torch.LongTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None return_loss: typing.Optional[bool] = None token_type_ids: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.clip.modeling_clip.CLIPOutput or tuple(torch.FloatTensor)

参数

input_ids (torch.LongTensor，形状为 (batch_size, sequence_length)) — 词汇表中输入序列标记的索引。默认情况下，如果您提供填充，则会忽略填充。

可以使用 AutoTokenizer 获取索引。有关详细信息，请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.__call__()。

什么是输入 ID？
attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 掩码，以避免在填充标记索引上执行注意力机制。在 [0, 1] 中选择的掩码值：
- 1 表示未被掩码的标记，
- 0 表示被掩码的标记。
什么是注意力掩码？
position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列标记的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

什么是位置 ID？
pixel_values (torch.FloatTensor，形状为 (batch_size, num_channels, height, width)) — 像素值。默认情况下，如果您提供填充，则会忽略填充。可以使用图像处理器获取像素值（例如，如果您使用 ViT 作为编码器，则应使用 AutoImageProcessor）。有关详细信息，请参见 ViTImageProcessor.__call__()。
return_loss (bool，可选) — 是否返回对比损失。
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，可选) — 是否返回 ModelOutput 而不是普通元组。

transformers.models.clip.modeling_clip.CLIPOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.clip.modeling_clip.CLIPOutput 或 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包括各种元素，具体取决于配置 (VisionTextDualEncoderConfig) 和输入。

loss (torch.FloatTensor，形状为 (1,)，可选，当 return_loss 为 True 时返回) — 图像-文本相似度的对比损失。
logits_per_image (torch.FloatTensor，形状为 (image_batch_size, text_batch_size)) — image_embeds 和 text_embeds 之间缩放的点积分数。这表示图像-文本相似度得分。
logits_per_text (torch.FloatTensor，形状为 (text_batch_size, image_batch_size)) — text_embeds 和 image_embeds 之间缩放的点积分数。这表示文本-图像相似度得分。
text_embeds (torch.FloatTensor，形状为 (batch_size, output_dim) — 通过将投影层应用于 CLIPTextModel 的池化输出而获得的文本嵌入。
image_embeds (torch.FloatTensor，形状为 (batch_size, output_dim) — 通过将投影层应用于 CLIPVisionModel 的池化输出而获得的图像嵌入。
text_model_output (BaseModelOutputWithPooling) — CLIPTextModel 的输出。
vision_model_output (BaseModelOutputWithPooling) — CLIPVisionModel 的输出。

VisionTextDualEncoderModel 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内定义，但应在此之后调用 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，而后者会静默忽略它们。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import (
...     VisionTextDualEncoderModel,
...     VisionTextDualEncoderProcessor,
...     AutoImageProcessor,
...     AutoTokenizer,
... )

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
>>> image_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")
>>> processor = VisionTextDualEncoderProcessor(image_processor, tokenizer)
>>> model = VisionTextDualEncoderModel.from_vision_text_pretrained(
...     "google/vit-base-patch16-224", "google-bert/bert-base-uncased"
... )

>>> # contrastive training
>>> urls = [
...     "http://images.cocodataset.org/val2017/000000039769.jpg",
...     "https://farm3.staticflickr.com/2674/5850229113_4fe05d5265_z.jpg",
... ]
>>> images = [Image.open(requests.get(url, stream=True).raw) for url in urls]
>>> inputs = processor(
...     text=["a photo of a cat", "a photo of a dog"], images=images, return_tensors="pt", padding=True
... )
>>> outputs = model(
...     input_ids=inputs.input_ids,
...     attention_mask=inputs.attention_mask,
...     pixel_values=inputs.pixel_values,
...     return_loss=True,
... )
>>> loss, logits_per_image = outputs.loss, outputs.logits_per_image  # this is the image-text similarity score

>>> # save and load from pretrained
>>> model.save_pretrained("vit-bert")
>>> model = VisionTextDualEncoderModel.from_pretrained("vit-bert")

>>> # inference
>>> outputs = model(**inputs)
>>> logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
>>> probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the label probabilities

TensorFlow

隐藏 TensorFlow 内容

FlaxVisionTextDualEncoderModel

class transformers.FlaxVisionTextDualEncoderModel

< source >

( config: VisionTextDualEncoderConfig input_shape: typing.Optional[typing.Tuple] = None seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True **kwargs )

参数

config (VisionTextDualEncoderConfig) — 具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() 方法以加载模型权重。
dtype (jax.numpy.dtype, 可选, 默认为 jax.numpy.float32) — 计算的数据类型。可以是 jax.numpy.float32, jax.numpy.float16 (在 GPU 上) 和 jax.numpy.bfloat16 (在 TPUs 上) 之一。

这可以用于在 GPU 或 TPUs 上启用混合精度训练或半精度推理。如果指定，所有计算都将使用给定的 dtype 执行。

请注意，这仅指定计算的 dtype，不影响模型参数的 dtype。

如果您希望更改模型参数的 dtype，请参阅 to_fp16() 和 to_bf16()。

在此 Vision-Text-Dual-Encoder 模型经过训练/微调后，可以像任何其他模型一样保存/加载（有关更多信息，请参见示例）。

此模型继承自 PreTrainedModel。查看超类文档，了解库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、修剪头等）。

此模型也是 flax.linen.Module 的子类。可以像常规的 Flax linen Module 一样使用它，并参考 Flax 文档以了解所有与通用用法和行为相关的内容。

最后，此模型支持 JAX 固有的功能，例如

call

< source >

( input_ids pixel_values attention_mask = None position_ids = None token_type_ids = None params: dict = None dropout_rng: <function PRNGKey at 0x7f787eb14310> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.clip.modeling_flax_clip.FlaxCLIPOutput 或 tuple(torch.FloatTensor)

参数

input_ids (形状为 (batch_size, sequence_length) 的 numpy.ndarray) — 词汇表中输入序列 tokens 的索引。默认情况下，如果您提供 padding，则会被忽略。

索引可以使用 AutoTokenizer 获得。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 IDs？
attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — Mask，用于避免在 padding token 索引上执行 attention。 Mask 值在 [0, 1] 中选择:
- 1 代表 未被 mask 的 tokens,
- 0 代表 被 mask 的 tokens。
什么是 attention masks？
position_ids (形状为 (batch_size, sequence_length) 的 numpy.ndarray, 可选) — 位置 embeddings 中每个输入序列 tokens 的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

什么是位置 IDs？
pixel_values (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 像素值。默认情况下，如果您提供 padding，则会被忽略。像素值可以使用图像处理器获得 (例如，如果您使用 ViT 作为编码器，则应使用 AutoImageProcessor)。有关详细信息，请参阅 ViTImageProcessor.call()。
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 而不是普通 tuple。

transformers.models.clip.modeling_flax_clip.FlaxCLIPOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.clip.modeling_flax_clip.FlaxCLIPOutput 或 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 (VisionTextDualEncoderConfig) 和输入。

logits_per_image:(形状为 (image_batch_size, text_batch_size) 的jnp.ndarray) — image_embeds 和 text_embeds 之间缩放的点积分数。这表示图像-文本相似度分数。
logits_per_text:(形状为 (text_batch_size, image_batch_size) 的jnp.ndarray) — text_embeds 和 image_embeds 之间缩放的点积分数。这表示文本-图像相似度分数。
text_embeds(形状为 (batch_size, output_dim) 的jnp.ndarray) — 通过将 projection layer 应用于 FlaxCLIPTextModel 的 pooled output 获得的文本 embeddings。
image_embeds(形状为 (batch_size, output_dim) 的jnp.ndarray) — 通过将 projection layer 应用于 FlaxCLIPVisionModel 的 pooled output 获得的图像 embeddings。
text_model_output(FlaxBaseModelOutputWithPooling): FlaxCLIPTextModel 的输出。
vision_model_output(FlaxBaseModelOutputWithPooling): FlaxCLIPVisionModel 的输出。

FlaxVisionTextDualEncoderModel forward 方法，覆盖了 __call__ 特殊方法。

示例

>>> from PIL import Image
>>> import requests
>>> import jax
>>> from transformers import (
...     FlaxVisionTextDualEncoderModel,
...     VisionTextDualEncoderProcessor,
...     AutoImageProcessor,
...     AutoTokenizer,
... )

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
>>> image_processor = AutoImageProcesor.from_pretrained("google/vit-base-patch16-224")
>>> processor = VisionTextDualEncoderProcessor(image_processor, tokenizer)
>>> model = FlaxVisionTextDualEncoderModel.from_vision_text_pretrained(
...     "google/vit-base-patch16-224", "google-bert/bert-base-uncased"
... )

>>> # contrastive training
>>> urls = [
...     "http://images.cocodataset.org/val2017/000000039769.jpg",
...     "https://farm3.staticflickr.com/2674/5850229113_4fe05d5265_z.jpg",
... ]
>>> images = [Image.open(requests.get(url, stream=True).raw) for url in urls]
>>> inputs = processor(
...     text=["a photo of a cat", "a photo of a dog"], images=images, return_tensors="np", padding=True
... )
>>> outputs = model(
...     input_ids=inputs.input_ids,
...     attention_mask=inputs.attention_mask,
...     pixel_values=inputs.pixel_values,
... )
>>> logits_per_image = outputs.logits_per_image  # this is the image-text similarity score

>>> # save and load from pretrained
>>> model.save_pretrained("vit-bert")
>>> model = FlaxVisionTextDualEncoderModel.from_pretrained("vit-bert")

>>> # inference
>>> outputs = model(**inputs)
>>> logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
>>> probs = jax.nn.softmax(logits_per_image, axis=1)  # we can take the softmax to get the label probabilities

JAX

隐藏 JAX 内容

TFVisionTextDualEncoderModel

class transformers.TFVisionTextDualEncoderModel

< source >

( config: Optional[VisionTextDualEncoderConfig] = None vision_model: Optional[TFPreTrainedModel] = None text_model: Optional[TFPreTrainedModel] = None )

参数

config (VisionEncoderDecoderConfig) — 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() 方法以加载模型权重。

在此 Vision-Text-Dual-Encoder 模型经过训练/微调后，可以像任何其他模型一样保存/加载（有关更多信息，请参见示例）。

此模型继承自 TFPreTrainedModel。查看超类文档，了解库为其所有模型实现的通用方法 (例如下载或保存、调整输入 embeddings 大小、剪枝 heads 等)。

此模型也是 Keras Model 的子类。可以像常规的 Keras Model 一样使用它，并参考 TF 文档以了解所有与通用用法和行为相关的内容。

call

< source >

( input_ids: tf.Tensor | None = None pixel_values: tf.Tensor | None = None attention_mask: tf.Tensor | None = None position_ids: tf.Tensor | None = None return_loss: Optional[bool] = None token_type_ids: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False ) → transformers.models.clip.modeling_tf_clip.TFCLIPOutput 或 tuple(tf.Tensor)

参数

input_ids (形状为 (batch_size, sequence_length) 的 tf.Tensor) — 词汇表中输入序列 tokens 的索引。默认情况下，如果您提供 padding，则会被忽略。

索引可以使用 AutoTokenizer 获得。有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什么是输入 IDs？
attention_mask (形状为 (batch_size, sequence_length) 的 tf.Tensor, 可选) — Mask，用于避免在 padding token 索引上执行 attention。 Mask 值在 [0, 1] 中选择:
- 1 代表 未被 mask 的 tokens,
- 0 代表 被 mask 的 tokens。
什么是 attention masks？
position_ids (形状为 (batch_size, sequence_length) 的 tf.Tensor, 可选) — 位置 embeddings 中每个输入序列 tokens 的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

什么是位置 IDs？
pixel_values (形状为 (batch_size, num_channels, height, width) 的 tf.Tensor) — 像素值。默认情况下，如果您提供 padding，则会被忽略。像素值可以使用图像处理器获得 (例如，如果您使用 ViT 作为编码器，则应使用 AutoImageProcessor)。有关详细信息，请参阅 ViTImageProcessor.call()。
return_loss (bool, 可选) — 是否返回对比损失。
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 而不是普通 tuple。

transformers.models.clip.modeling_tf_clip.TFCLIPOutput 或 tuple(tf.Tensor)

一个 transformers.models.clip.modeling_tf_clip.TFCLIPOutput 或 tf.Tensor 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 (VisionTextDualEncoderConfig) 和输入。

loss (形状为 (1,) 的 tf.Tensor, 可选, 当 return_loss 为 True 时返回) — 图像-文本相似度的对比损失。
logits_per_image:(形状为 (image_batch_size, text_batch_size) 的tf.Tensor) — image_embeds 和 text_embeds 之间缩放的点积分数。这表示图像-文本相似度分数。
logits_per_text:(形状为 (text_batch_size, image_batch_size) 的tf.Tensor) — text_embeds 和 image_embeds 之间缩放的点积分数。这表示文本-图像相似度分数。
text_embeds(形状为 (batch_size, output_dim) 的tf.Tensor) — 通过将 projection layer 应用于 TFCLIPTextModel 的 pooled output 获得的文本 embeddings。
image_embeds(形状为 (batch_size, output_dim) 的tf.Tensor) — 通过将 projection layer 应用于 TFCLIPVisionModel 的 pooled output 获得的图像 embeddings。
text_model_output(~modeling_tf_utils.TFBaseModelOutputWithPooling): TFCLIPTextModel 的输出。
vision_model_output(~modeling_tf_utils.TFBaseModelOutputWithPooling): TFCLIPVisionModel 的输出。

TFVisionTextDualEncoderModel forward 方法，覆盖了 __call__ 特殊方法。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import (
...     TFVisionTextDualEncoderModel,
...     VisionTextDualEncoderProcessor,
...     AutoImageProcessor,
...     AutoTokenizer,
... )

>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")
>>> image_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")
>>> processor = VisionTextDualEncoderProcessor(image_processor, tokenizer)
>>> model = TFVisionTextDualEncoderModel.from_vision_text_pretrained(
...     "google/vit-base-patch16-224", "google-bert/bert-base-uncased"
... )

>>> # contrastive training
>>> urls = [
...     "http://images.cocodataset.org/val2017/000000039769.jpg",
...     "https://farm3.staticflickr.com/2674/5850229113_4fe05d5265_z.jpg",
... ]
>>> images = [Image.open(requests.get(url, stream=True).raw) for url in urls]
>>> inputs = processor(
...     text=["a photo of a cat", "a photo of a dog"], images=images, return_tensors="np", padding=True
... )
>>> outputs = model(
...     input_ids=inputs.input_ids,
...     attention_mask=inputs.attention_mask,
...     pixel_values=inputs.pixel_values,
...     return_loss=True,
... )
>>> loss, logits_per_image = outputs.loss, outputs.logits_per_image  # this is the image-text similarity score

>>> # save and load from pretrained
>>> model.save_pretrained("vit-bert")
>>> model = TFVisionTextDualEncoderModel.from_pretrained("vit-bert")

>>> # inference
>>> outputs = model(**inputs)
>>> logits_per_image = outputs.logits_per_image  # this is the image-text similarity score
>>> probs = tf.nn.softmax(logits_per_image, axis=1)  # we can take the softmax to get the label probabilities

< > 更新在 GitHub 上

Transformers

VisionTextDualEncoder

概述

VisionTextDualEncoderConfig

class transformers.VisionTextDualEncoderConfig

from_vision_text_configs

VisionTextDualEncoderProcessor

class transformers.VisionTextDualEncoderProcessor

batch_decode

decode

VisionTextDualEncoderModel

class transformers.VisionTextDualEncoderModel

forward

FlaxVisionTextDualEncoderModel

class transformers.FlaxVisionTextDualEncoderModel

__call__

TFVisionTextDualEncoderModel

class transformers.TFVisionTextDualEncoderModel

call

call