参数

• images (ImageInput) — 要预处理的图像。期望单个或批量图像，像素值范围为 0 到 255。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, 默认为 self.do_resize) — 是否调整图像大小。
• size (dict[str, int], 可选, 默认为 self.size) — 格式为 {"height": h, "width": w} 的字典，指定调整大小后输出图像的尺寸。
• resample (PILImageResampling filter, optional, defaults to self.resample) — 图像大小调整时使用的 PILImageResampling 过滤器，例如 PILImageResampling.BILINEAR。仅当 do_resize 设置为 True 时有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否将图像值重新缩放为 [0 - 1] 之间。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则图像的重新缩放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float or list[float], optional, defaults to self.image_mean) — 如果 do_normalize 设置为 True，则图像使用的平均值。
• image_std (float or list[float], optional, defaults to self.image_std) — 如果 do_normalize 设置为 True，则图像使用的标准差。
• return_tensors (str or TensorType, optional) — 返回张量的类型。可以是以下之一：
  • 未设置：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回类型为 tf.Tensor 的批处理。
  • TensorType.PYTORCH 或 'pt'：返回类型为 torch.Tensor 的批处理。
  • TensorType.NUMPY 或 'np'：返回类型为 np.ndarray 的批处理。
  • TensorType.JAX 或 'jax'：返回类型为 jax.numpy.ndarray 的批处理。
• data_format (ChannelDimension or str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式。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)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or str, optional) — 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" 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)。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将图像转换为 RGB。

参数

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望单个或批量图像，像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像，请设置 do_rescale=False。
• do_resize (bool, optional) — 是否调整图像大小。
• size (dict[str, int], optional) — 描述模型最大输入维度。
• default_to_square (bool, optional) — 如果大小为整数，是否在调整大小后默认为正方形图像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 调整图像大小时使用的重采样过滤器。这可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, optional) — 是否对图像进行中心裁剪。
• crop_size (dict[str, int], optional) — 应用 center_crop 后输出图像的大小。
• do_rescale (bool, optional) — 是否重新缩放图像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 设置为 True，则图像的重新缩放因子。
• do_normalize (bool, optional) — 是否对图像进行归一化。
• image_mean (Union[float, list[float], NoneType]) — 用于归一化的图像平均值。仅当 do_normalize 设置为 True 时有效。
• image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时有效。
• do_convert_rgb (bool, optional) — 是否将图像转换为 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果设置为“pt”，则返回堆叠的张量，否则返回张量列表。
• data_format (~image_utils.ChannelDimension, optional) — 仅支持 ChannelDimension.FIRST。为与慢速处理器兼容而添加。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 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" 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)。
• device (torch.device, optional) — 处理图像的设备。如果未设置，则从输入图像推断设备。
• disable_grouping (bool, optional) — 是否禁用按大小对图像进行分组，以便单独处理而不是批量处理。如果为 None，则在图像位于 CPU 上时设置为 True，否则设置为 False。此选择基于经验观察，详情请参阅：https://github.com/huggingface/transformers/pull/38157

• data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

参数

• pixel_values (torch.Tensor of shape (batch_size, num_channels, image_size, image_size), optional) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• bool_masked_pos (torch.BoolTensor of shape (batch_size, num_patches), optional) — 布尔掩码位置。指示哪些补丁被掩码（1），哪些没有（0）。
• head_mask (torch.Tensor of shape (num_heads,) or (num_layers, num_heads), optional) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在 [0, 1]：
  • 1 表示头部未被掩码，
  • 0 表示头部被掩码。
• 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，请参见返回张量中的 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，请参见返回张量中的 hidden_states。
• interpolate_pos_encoding (bool, optional) — 是否插值预训练的位置编码。
• return_dict (bool, optional) — 是否返回 ModelOutput 而不是纯元组。

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置（ViTConfig）和输入的不同元素。

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

• pooler_output (torch.FloatTensor of shape (batch_size, hidden_size)) — 序列中第一个标记（分类标记）的最后一层隐藏状态，经过用于辅助预训练任务的层进一步处理。例如，对于 BERT 家族模型，这会在经过线性层和 tanh 激活函数处理后返回分类标记。线性层权重在预训练期间根据下一个句子预测（分类）目标进行训练。

• hidden_states (tuple(torch.FloatTensor), optional, 当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型有嵌入层，则包括嵌入层的输出，加上每一层的输出），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), optional, 当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  注意力 softmax 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

• pixel_values (torch.Tensor of shape (batch_size, num_channels, image_size, image_size), optional) — 与输入图像对应的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• bool_masked_pos (torch.BoolTensor of shape (batch_size, num_patches)) — 布尔掩码位置。指示哪些补丁被掩码（1），哪些没有（0）。
• head_mask (torch.Tensor of shape (num_heads,) or (num_layers, num_heads), optional) — 用于使自注意力模块的选定头部无效的掩码。掩码值选择在 [0, 1]：
  • 1 表示头部未被掩码，
  • 0 表示头部被掩码。
• 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，请参见返回张量中的 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，请参见返回张量中的 hidden_states。
• interpolate_pos_encoding (bool, optional) — 是否插入预训练位置编码。
• return_dict (bool, optional) — 是否返回ModelOutput而不是普通元组。

一个 transformers.modeling_outputs.MaskedImageModelingOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（ViTConfig）和输入而定的各种元素。

• loss (形状为 (1,) 的 torch.FloatTensor，可选，当提供 bool_masked_pos 时返回) — 重构损失。
• reconstruction (形状为 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 重构/完成的图像。
• hidden_states (tuple(torch.FloatTensor)，可选，当传入 output_hidden_states=True 时返回，或者
• 当 config.output_hidden_states=True 时) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则一个用于嵌入层的输出，加上一个用于每个阶段的输出）。模型在每个阶段输出的隐藏状态（也称为特征图）。
• attentions (tuple(torch.FloatTensor)，可选，当传入 output_attentions=True 时返回，或者当
• config.output_attentions=True 时): 形状为 (batch_size, num_heads, patch_size, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。注意力 softmax 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

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor，可选) — 对应输入图像的张量。像素值可以使用 {image_processor_class} 获取。有关详细信息，请参见 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 torch.Tensor，可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选自 [0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部已被遮蔽。
• 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）。
• output_attentions (bool, optional) — 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。有关详细信息，请参阅返回张量下的 hidden_states。
• interpolate_pos_encoding (bool, 可选) — 是否插入预训练位置编码。
• return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。

一个 transformers.modeling_outputs.ImageClassifierOutput 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（ViTConfig）和输入而定的各种元素。

• 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) — 形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元组（如果模型有嵌入层，则一个用于嵌入层的输出，加上一个用于每个阶段的输出）。模型在每个阶段输出的隐藏状态（也称为特征图）。

• attentions (tuple(torch.FloatTensor)，可选，当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, patch_size, sequence_length) 的 torch.FloatTensor 元组（每个层一个）。

  注意力 softmax 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

• pixel_values (np.ndarray, tf.Tensor, list[tf.Tensor] `dict[str, tf.Tensor] 或 dict[str, np.ndarray]，并且每个示例必须具有形状 (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，请参见 ViTImageProcessor.call()。
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 np.ndarray 或 tf.Tensor，可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选自 [0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部已被遮蔽。
• 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。此参数仅在 eager 模式下可用，在 graph 模式下将使用配置中的值。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量下的 hidden_states。此参数仅在 eager 模式下可用，在 graph 模式下将使用配置中的值。
• interpolate_pos_encoding (bool, 可选) — 是否插入预训练位置编码。
• return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。此参数在 eager 模式下可用，在 graph 模式下将始终设置为 True。
• training (bool, 可选，默认为 `False“) — 是否在训练模式下使用模型（某些模块如 dropout 模块在训练和评估之间有不同的行为）。

一个 transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或一个 tf.Tensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（ViTConfig）和输入而定的各种元素。

• last_hidden_state (tf.Tensor of shape (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

• pooler_output (形状为 (batch_size, hidden_size) 的 tf.Tensor) — 序列第一个 token（分类 token）的最后一层隐藏状态，经线性层和 Tanh 激活函数进一步处理。线性层权重在预训练期间通过下一个句子预测（分类）目标进行训练。

  此输出通常不是输入语义内容的良好摘要，通常最好对整个输入序列的隐藏状态进行平均或池化。

• hidden_states (tuple(tf.Tensor)，可选，当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（一个用于嵌入层的输出 + 一个用于每个层的输出）。

  模型在每个层输出的隐藏状态加上初始嵌入输出。

• attentions (tuple(tf.Tensor)，可选，当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每个层一个）。

  注意力 softmax 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

• pixel_values (np.ndarray, tf.Tensor, list[tf.Tensor] `dict[str, tf.Tensor] 或 dict[str, np.ndarray]，且每个示例必须具有形状 (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，请参见 ViTImageProcessor.call()。
• head_mask (形状为 (num_heads,) 或 (num_layers, num_heads) 的 np.ndarray 或 tf.Tensor，可选) — 用于使自注意力模块的选定头部无效的掩码。掩码值选自 [0, 1]：
  • 1 表示头部未被遮蔽，
  • 0 表示头部已被遮蔽。
• 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。此参数仅在 eager 模式下可用，在 graph 模式下将使用配置中的值。
• output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参阅返回张量下的 hidden_states。此参数仅在 eager 模式下可用，在 graph 模式下将使用配置中的值。
• interpolate_pos_encoding (bool, 可选) — 是否插入预训练位置编码。
• return_dict (bool, 可选) — 是否返回ModelOutput而不是普通元组。此参数在 eager 模式下可用，在 graph 模式下将始终设置为 True。
• training (bool, 可选，默认为 `False“) — 是否在训练模式下使用模型（某些模块如 dropout 模块在训练和评估之间有不同的行为）。
• labels (形状为 (batch_size,) 的 tf.Tensor 或 np.ndarray，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）。

一个 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一个 tf.Tensor 元组（如果传入 return_dict=False 或当 config.return_dict=False 时），包含根据配置（ViTConfig）和输入而定的各种元素。

• loss (tf.Tensor，形状为 (batch_size, )，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 (tf.Tensor，形状为 (batch_size, config.num_labels)) — 分类（或回归，如果 config.num_labels==1）分数（SoftMax 之前）。

• hidden_states (tuple(tf.Tensor)，可选，当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元组（一个用于嵌入层的输出 + 一个用于每个层的输出）。

  模型在每个层输出的隐藏状态加上初始嵌入输出。

• attentions (tuple(tf.Tensor)，可选，当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 元组（每个层一个）。

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

一个 transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或一个 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（<class 'transformers.models.vit.configuration_vit.ViTConfig'>）和输入而定的各种元素。

• last_hidden_state (形状为 (batch_size, sequence_length, hidden_size) 的 jnp.ndarray) — 模型最后一层输出的隐藏状态序列。

• pooler_output (形状为 (batch_size, hidden_size) 的 jnp.ndarray) — 序列第一个 token（分类 token）的最后一层隐藏状态，经过线性层和 Tanh 激活函数进一步处理。线性层的权重在预训练期间通过下一句预测（分类）目标进行训练。

• hidden_states (tuple(jnp.ndarray), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — jnp.ndarray 的元组（一个用于嵌入层输出 + 每个层输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态加上初始嵌入输出。

• attentions (tuple(jnp.ndarray), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — jnp.ndarray 的元组（每个层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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

一个 transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput 或一个 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（<class 'transformers.models.vit.configuration_vit.ViTConfig'>）和输入而定的各种元素。

• logits (形状为 (batch_size, config.num_labels) 的 jnp.ndarray) — 分类（如果 config.num_labels==1，则为回归）分数（SoftMax 之前）。

• hidden_states (tuple(jnp.ndarray), 可选, 当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — jnp.ndarray 的元组（一个用于嵌入层输出 + 每个层输出一个），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每个层输出的隐藏状态加上初始嵌入输出。

• attentions (tuple(jnp.ndarray), 可选, 当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — jnp.ndarray 的元组（每个层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

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