Transformers 文档

混合视觉转换器 (ViT Hybrid)

Hugging Face's logo
加入Hugging Face社区

并获得增强文档体验

开始使用

混合视觉Transformer (ViT Hybrid)

此模型仅处于维护模式,我们不接受任何更改其代码的新的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:v4.40.2。您可以通过运行以下命令来执行此操作: pip install -U transformers==4.40.2

概述

混合视觉Transformer (ViT) 模型由Alexey Dosovitskiy、Lucas Beyer、Alexander Kolesnikov、Dirk Weissenborn、Xiaohua Zhai、Thomas Unterthiner、Mostafa Dehghani、Matthias Minderer、Georg Heigold、Sylvain Gelly、Jakob Uszkoreit和Neil Houlsby在An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale中提出。这是第一篇成功在ImageNet上训练Transformer编码器的论文,与常见的卷积架构相比,取得了非常好的结果。ViT混合模型是普通视觉Transformer的一个轻微变体,它利用了一个卷积主干网络(具体来说是BiT),其特征被用作Transformer的初始“token”。

论文的摘要如下:

虽然Transformer架构已成为自然语言处理任务的事实标准,但其在计算机视觉中的应用仍然有限。在视觉领域,注意力机制要么与卷积神经网络结合使用,要么用来替换卷积神经网络的某些组件,同时保持其整体结构不变。我们证明了这种对CNN的依赖并非必要,直接应用于图像块序列的纯Transformer可以在图像分类任务中表现出色。当在大量数据上进行预训练并迁移到多个中等或小型图像识别基准(ImageNet、CIFAR-100、VTAB等)时,视觉Transformer (ViT) 与最先进的卷积神经网络相比取得了优异的结果,同时训练所需的计算资源大大减少。

此模型由nielsr贡献。原始代码(用JAX编写)可以在这里找到。

使用缩放点积注意力 (SDPA)

PyTorch 将本地的缩放点积注意力 (SDPA) 运算符作为 torch.nn.functional 的一部分包含在内。此函数包含多种实现,可以根据输入和使用的硬件应用。有关更多信息,请参阅官方文档GPU 推理页面。

当实现可用时,torch>=2.1.1 默认使用 SDPA,但您也可以在 from_pretrained() 中设置 attn_implementation="sdpa" 以明确请求使用 SDPA。

from transformers import ViTHybridForImageClassification
model = ViTHybridForImageClassification.from_pretrained("google/vit-hybrid-base-bit-384", attn_implementation="sdpa", torch_dtype=torch.float16)
...

为了获得最佳加速效果,我们建议以半精度(例如 torch.float16torch.bfloat16)加载模型。

在本地基准测试(A100-40GB、PyTorch 2.3.0、操作系统 Ubuntu 22.04)中,使用 float32google/vit-hybrid-base-bit-384 模型,我们在推理过程中观察到以下加速效果。

批次大小 平均推理时间(毫秒),急切模式 平均推理时间(毫秒),sdpa 模型 加速倍数,Sdpa / 急切模式 (x)
1 29 18 1.61
2 26 18 1.44
4 25 18 1.39
8 34 24 1.42

资源

以下是帮助您开始使用 ViT Hybrid 的官方 Hugging Face 和社区(由🌎表示)资源列表。

图像分类

如果您有兴趣提交要在此处包含的资源,请随时打开一个拉取请求,我们将对其进行审查!理想情况下,资源应演示一些新内容,而不是重复现有资源。

ViTHybridConfig

transformers.ViTHybridConfig

< >

( backbone_config = None backbone = None use_pretrained_backbone = False use_timm_backbone = False backbone_kwargs = None 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 = 224 patch_size = 1 num_channels = 3 backbone_featmap_shape = [1, 1024, 24, 24] qkv_bias = True **kwargs )

参数

  • backbone_config (Union[Dict[str, Any], PretrainedConfig], 可选) — 主干网络的配置,可以是字典或主干网络的配置对象。
  • backbone (str, 可选) — 当 backbone_configNone 时要使用的主干网络名称。如果 use_pretrained_backboneTrue,则会从 timm 或 transformers 库中加载相应的预训练权重。如果 use_pretrained_backboneFalse,则加载主干网络的配置并使用它以随机权重初始化主干网络。
  • use_pretrained_backbone (bool可选,默认为 False) — 是否使用预训练的骨干网络权重。
  • use_timm_backbone (bool可选,默认为 False) — 是否从 timm 库加载 backbone。如果为 False,则从 transformers 库加载骨干网络。
  • backbone_kwargs (dict可选) — 加载检查点时传递给 AutoBackbone 的关键字参数,例如 {'out_indices': (0, 1, 2, 3)}。如果设置了 backbone_config,则不能指定此参数。
  • hidden_size (int可选,默认为 768) — 编码器层和池化层的维度。
  • num_hidden_layers (int可选,默认为 12) — Transformer 编码器中隐藏层的数量。
  • num_attention_heads (int可选,默认为 12) — Transformer 编码器中每个注意力层的注意力头的数量。
  • intermediate_size (int可选,默认为 3072) — Transformer 编码器中“中间”(即前馈)层的维度。
  • hidden_act (strfunction可选,默认为 "gelu") — 编码器和池化器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""gelu_new"
  • hidden_dropout_prob (float可选,默认为 0.0) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。
  • attention_probs_dropout_prob (float可选,默认为 0.0) — 注意力概率的 dropout 比率。
  • layer_norm_eps (float可选,默认为 1e-12) — 层归一化层使用的 epsilon。
  • image_size (int可选,默认为 224) — 每个图像的大小(分辨率)。
  • patch_size (int可选,默认为 1) — 每个 patch 的大小(分辨率)。
  • num_channels (int可选,默认为 3) — 输入通道的数量。
  • backbone_featmap_shape (List[int]可选,默认为 [1, 1024, 24, 24]) — 仅用于 hybrid 嵌入类型。骨干网络特征图的形状。
  • qkv_bias (bool可选,默认为 True) — 是否向查询、键和值添加偏置。

这是用于存储 ViTHybridModel 配置的配置类。它用于根据指定的参数实例化 ViT Hybrid 模型,定义模型架构。使用默认值实例化配置将产生与 ViT Hybrid google/vit-hybrid-base-bit-384 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 中的文档以获取更多信息。

示例

>>> from transformers import ViTHybridConfig, ViTHybridModel

>>> # Initializing a ViT Hybrid vit-hybrid-base-bit-384 style configuration
>>> configuration = ViTHybridConfig()

>>> # Initializing a model (with random weights) from the vit-hybrid-base-bit-384 style configuration
>>> model = ViTHybridModel(configuration)

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

ViTHybridImageProcessor

transformers.ViTHybridImageProcessor

< >

( do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_rgb: bool = True **kwargs )

参数

  • do_resize (bool可选,默认为 True) — 是否将图像的(高度,宽度)尺寸调整为指定的 size。可以在 preprocess 方法中通过 do_resize 覆盖。
  • size (Dict[str, int] 可选,默认为 {"shortest_edge" -- 224}):调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。可以在 preprocess 方法中通过 size 覆盖。
  • resample (PILImageResampling可选,默认为 PILImageResampling.BICUBIC) — 如果调整图像大小,则使用哪个重采样滤镜。可以在 preprocess 方法中通过 resample 覆盖。
  • do_center_crop (bool可选,默认为 True) — 是否将图像中心裁剪到指定的 crop_size。可以在 preprocess 方法中通过 do_center_crop 覆盖。
  • crop_size (Dict[str, int] 可选,默认为 224) — 应用 center_crop 后输出图像的大小。可以在 preprocess 方法中通过 crop_size 覆盖。
  • do_rescale (bool可选,默认为 True) — 是否按指定的比例 rescale_factor 重新缩放图像。可以在 preprocess 方法中通过 do_rescale 覆盖。
  • rescale_factor (intfloat可选,默认为 1/255) — 如果重新缩放图像,则使用哪个比例因子。可以在 preprocess 方法中通过 rescale_factor 覆盖。 do_normalize — 是否标准化图像。可以在 preprocess 方法中通过 do_normalize 覆盖。
  • image_mean (floatList[float]可选,默认为 IMAGENET_STANDARD_MEAN) — 如果标准化图像,则使用哪个均值。这是一个浮点数或长度等于图像通道数的浮点数列表。可以在 preprocess 方法中的 image_mean 参数中覆盖。
  • image_std (floatList[float]可选,默认为 IMAGENET_STANDARD_STD) — 如果标准化图像,则使用哪个标准差。这是一个浮点数或长度等于图像通道数的浮点数列表。可以在 preprocess 方法中的 image_std 参数中覆盖。可以在 preprocess 方法中的 image_std 参数中覆盖。
  • do_convert_rgb (bool可选,默认为 True) — 是否将图像转换为 RGB。

构造 ViT Hybrid 图像处理器。

预处理

< >

( images: Union do_resize: bool = None size: Dict = None resample: Resampling = None do_center_crop: bool = None crop_size: int = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None do_convert_rgb: bool = None return_tensors: Union = None data_format: Optional = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None **kwargs )

参数

  • images (ImageInput) — 需要预处理的图像。预期为单个或一批像素值范围在 0 到 255 之间的图像。如果传递像素值在 0 到 1 之间的图像,请将 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) — 调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。
  • resample (int, 可选, 默认为 self.resample) — 如果调整图像大小,则使用重采样滤波器。这可以是枚举 PILImageResampling 中的一个。仅当 do_resize 设置为 True 时才有效。
  • do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否将图像居中裁剪。
  • crop_size (Dict[str, int], 可选, 默认为 self.crop_size) — 中心裁剪的大小。仅当 do_center_crop 设置为 True 时才有效。
  • do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否重新缩放图像。
  • rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于重新缩放图像的重新缩放因子。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
  • image_std (floatList[float]可选,默认为 self.image_std) — 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可选,默认为 self.do_convert_rgb) — 是否将图像转换为 RGB。
  • return_tensors (strTensorType可选) — 要返回的张量类型。可以是以下之一:
    • 未设置:返回 np.ndarray 列表。
    • TensorType.TENSORFLOW'tf':返回 tf.Tensor 类型的批次。
    • TensorType.PYTORCH'pt':返回 torch.Tensor 类型的批次。
    • TensorType.NUMPY'np':返回 np.ndarray 类型的批次。
    • TensorType.JAX'jax':返回 jax.numpy.ndarray 类型的批次。
  • 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)。
    • 未设置:默认为输入图像的通道维度格式。
  • 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。

ViTHybridModel

transformers.ViTHybridModel

< >

( config: ViTHybridConfig add_pooling_layer: bool = True use_mask_token: bool = False )

参数

  • config (ViTHybridConfig) — 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关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

基本的 ViT Hybrid 模型转换器,输出原始隐藏状态,没有任何特定的头部。此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

forward

< >

( pixel_values: Optional = None bool_masked_pos: Optional = None head_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None interpolate_pos_encoding: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

参数

  • 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 ViTHybridImageProcessor.call()
  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块的选定头无效的掩码。在 [0, 1] 中选择掩码值:

    • 1 表示头 **未被掩码**,
    • 0 表示头 **被掩码**。
  • 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,请参阅返回张量中的 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,请参阅返回张量中的 hidden_states
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。
  • bool_masked_pos (torch.BoolTensor 形状为 (batch_size, num_patches)可选) — 布尔掩码位置。指示哪些补丁被掩码 (1) 以及哪些没有 (0)。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (ViTHybridConfig) 和输入而变化的各种元素。

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

  • pooler_output (torch.FloatTensor 形状为 (batch_size, hidden_size)) — 序列第一个标记(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的进一步处理。例如,对于 BERT 系列模型,这会返回经过线性层和 tanh 激活函数处理后的分类标记。线性层权重在预训练期间从下一句预测(分类)目标中训练得到。

  • hidden_states (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每一层的输出)形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出处的隐藏状态加上可选的初始嵌入输出。

  • attentions (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个)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。

ViTHybridModel 的 forward 方法覆盖了 __call__ 特殊方法。

尽管正向传递的配方需要在此函数内定义,但之后应该调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, ViTHybridModel
>>> 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("google/vit-hybrid-base-bit-384")
>>> model = ViTHybridModel.from_pretrained("google/vit-hybrid-base-bit-384")

>>> 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, 197, 768]

ViTHybridForImageClassification

transformers.ViTHybridForImageClassification

< >

( config: ViTHybridConfig )

参数

  • 配置 (ViTHybridConfig) — 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关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。

带有图像分类头的 ViT Hybrid 模型转换器(最终隐藏状态的 [CLS] token 上的线性层),例如用于 ImageNet。

此模型是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

forward

< >

( pixel_values: 可选 = None head_mask: 可选 = None labels: 可选 = None output_attentions: 可选 = None output_hidden_states: 可选 = None interpolate_pos_encoding: 可选 = None return_dict: 可选 = None ) transformers.modeling_outputs.ImageClassifierOutputtuple(torch.FloatTensor)

参数

  • 像素值 (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 ViTHybridImageProcessor.call()
  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads)可选) — 用于使自注意力模块的选定头无效的掩码。在 [0, 1] 中选择的掩码值:

    • 1 表示头未被掩盖
    • 0 表示头被掩盖
  • 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 而不是普通元组。
  • 标签 (torch.LongTensor 形状为 (batch_size,)可选) — 用于计算图像分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。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.ImageClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.ImageClassifierOutputtorch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置 (ViTHybridConfig) 和输入而异的各种元素。

  • 损失 (torch.FloatTensor 形状为 (1,)可选,在提供 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)。

  • 隐藏状态 (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加上每个阶段的输出)形状为 (batch_size, sequence_length, hidden_size)。模型在每个阶段输出处的隐藏状态(也称为特征图)。

  • 注意力 (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个)形状为 (batch_size, num_heads, patch_size, 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。

ViTHybridForImageClassification 的前向方法覆盖了 __call__ 特殊方法。

尽管正向传递的配方需要在此函数内定义,但之后应该调用 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,而后者则静默地忽略它们。

示例

>>> from transformers import AutoImageProcessor, ViTHybridForImageClassification
>>> 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("google/vit-hybrid-base-bit-384")
>>> model = ViTHybridForImageClassification.from_pretrained("google/vit-hybrid-base-bit-384")

>>> 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
< > 在 GitHub 上更新