Hugging Face's logo

Transformers documentation

FLAVA

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Model ini dipublikasikan di HF papers pada 2021-12-08 dan disumbangkan ke Hugging Face Transformers pada 2022-05-11.

FLAVA

Ikhtisar

Model FLAVA diusulkan dalam FLAVA: A Foundational Language And Vision Alignment Model oleh Amanpreet Singh, Ronghang Hu, Vedanuj Goswami, Guillaume Couairon, Wojciech Galuba, Marcus Rohrbach, dan Douwe Kiela, dan diterima di CVPR 2022.

Kertas ini bertujuan untuk membuat satu model fondasi terpadu yang dapat bekerja di seluruh tugas multimodal penglihatan, bahasa, serta penglihatan-dan-bahasa.

Abstrak dari makalah tersebut adalah sebagai berikut:

Model-model visi dan visi-bahasa terkini mengandalkan pra-pelatihan visio-linguistik berskala besar untuk mencapai kinerja yang baik pada berbagai tugas turunan. Secara umum, model-model semacam ini biasanya bersifat lintas-modal (kontrastif) atau multi-modal (dengan fusi lebih awal), tetapi tidak keduanya; dan mereka sering kali hanya menargetkan modalitas atau tugas tertentu. Arah yang menjanjikan adalah menggunakan satu model universal holistik tunggal, sebagai “fondasi”, yang menargetkan semua modalitas sekaligus — model fondasi visi dan bahasa yang sejati harus baik dalam tugas-tugas visi, tugas-tugas bahasa, serta tugas-tugas visi dan bahasa lintas-modal dan multi-modal. Kami memperkenalkan FLAVA sebagai model semacam itu dan menunjukkan kinerja yang mengesankan pada berbagai 35 tugas yang mencakup modalitas target tersebut.

Model ini disumbangkan oleh aps. Kode aslinya dapat ditemukan di sini.

FlavaConfig

kelas transformers.FlavaConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneimage_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = Nonetext_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = Nonemultimodal_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = Noneimage_codebook_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = Nonehidden_size: int = 768layer_norm_eps: float = 1e-12projection_dim: int = 768init_codebook: bool = Truelogit_scale_init_value: float = 2.6592initializer_range: float = 0.02ce_ignore_index: int = -100mim_weight: float = 1.0mlm_weight: float = 1.0global_contrastive_weight: float = 1.0itm_weight: float = 1.0mmm_image_weight: float = 1.0mmm_text_weight: float = 1.0global_backprop_contrastive: bool = Trueskip_unmasked_multimodal_encoder: bool = Truereturn_loss: bool = Truetie_word_embeddings: bool = Trueinitializer_factor: float = 1.0 )

Parameter

  • image_config (dict, opsional) — Kamus opsi konfigurasi yang digunakan untuk menginisialisasi FlavaImageConfig.
  • text_config (Union[dict[str, Any], ~configuration_utils.PreTrainedConfig], opsional) — Objek config atau dictionary dari text backbone.
  • multimodal_config (dict, opsional) — Kamus opsi konfigurasi yang digunakan untuk menginisialisasi FlavaMultimodalConfig.
  • image_codebook_config (dict, opsional) — Kamus opsi konfigurasi yang digunakan untuk menginisialisasi FlavaCodebookConfig.
  • hidden_size (int, opsional, default 768) — Dimensi dari representasi tersembunyi.
  • layer_norm_eps (float, opsional, defaultnya 1e-12) — Epsilon yang digunakan oleh lapisan normalisasi lapisan.
  • projection_dim (int, opsional, defaultnya 768) — Dimensi dari lapisan proyeksi teks dan visi.
  • init_codebook (bool, opsional, defaultnya True) — Apakah akan menginisialisasi codebook
  • logit_scale_init_value (float, opsional, default 2.6592) — Nilai awal dari parameter logit_scale. Default digunakan sesuai implementasi FLAVA/CLIP asli.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
  • ce_ignore_index (int, opsional, default -100) — Indeks cross entropy yang diabaikan.
  • mim_weight (float, opsional, default 1.0) — Bobot yang diberikan pada loss unimodal MIM (Masked Image Modeling)
  • mlm_weight (float, opsional, default 1.0) — Bobot yang diberikan pada loss unimodal MLM (Masked Language Modeling)
  • global_contrastive_weight (float, opsional, default 1.0) — Bobot yang diberikan pada global contrastive cross-alignment loss.
  • itm_weight (float, opsional, default 1.0) — Bobot yang akan diberikan pada loss multimodal pencocokan gambar-teks.
  • mmm_image_weight (float, opsional, default 1.0) — Bobot yang diberikan pada bagian gambar dari loss MMM.
  • mmm_text_weight (float, opsional, default 1.0) — Bobot yang diberikan pada bagian teks dari loss MMM.
  • global_backprop_contrastive (bool, opsional, default True) — Apakah akan menggunakan global backpropgation melalui semua worker dalam contrastive loss.
  • skip_unmasked_multimodal_encoder (bool, opsional, defaultnya True) — Apakah akan melewati eksekusi unmasked multimodal encoder yang output-nya tidak digunakan oleh FLAVA losses.
  • return_loss (bool, opsional, defaultnya True) — Apakah akan mengembalikan loss atau tidak
  • tie_word_embeddings (bool, opsional, default True) — Apakah akan mengikat bobot embedding sesuai dengan pemetaan tied_weights_keys model.
  • initializer_factor (float, opsional, default 1.0) — Faktor untuk menginisialisasi semua matriks bobot (sebaiknya dipertahankan pada 1, digunakan secara internal untuk pengujian inisialisasi).

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari FlavaModel. Kelas ini digunakan untuk membuat instans model Flava berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari facebook/flava-full

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import FlavaConfig, FlavaModel, FlavaForPreTraining

>>> # Initializing a FlavaConfig with style configuration
>>> configuration = FlavaConfig()

>>> # Initializing a FlavaModel and FlavaForPreTraining model (with random weights) from the style configuration
>>> model = FlavaModel(configuration)
>>> model_pre = FlavaForPreTraining(configuration)

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

FlavaTextConfig

kelas transformers.FlavaTextConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 30522type_vocab_size: int = 2max_position_embeddings: int = 512hidden_size: int = 768num_hidden_layers: int = 12num_attention_heads: int = 12intermediate_size: int = 3072hidden_act: str = 'gelu'hidden_dropout_prob: float | int = 0.0attention_probs_dropout_prob: float | int = 0.0initializer_range: float = 0.02layer_norm_eps: float = 1e-12pad_token_id: int | None = 0qkv_bias: bool = True )

Parameter

  • vocab_size (int, opsional, default 30522) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
  • type_vocab_size (int, opsional, default 2) — Ukuran kosakata dari token_type_ids.
  • max_position_embeddings (int, opsional, default 512) — Panjang maksimum urutan yang mungkin digunakan dengan model ini.
  • hidden_size (int, opsional, default 768) — Dimensi dari representasi tersembunyi.
  • num_hidden_layers (int, opsional, default 12) — Jumlah lapisan tersembunyi dalam decoder Transformer.
  • num_attention_heads (int, opsional, default 12) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
  • intermediate_size (int, opsional, default 3072) — Dimensi representasi MLP.
  • hidden_act (str, opsional, defaultnya gelu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
  • hidden_dropout_prob (Union[float, int], opsional, default 0.0) — Probabilitas dropout untuk semua lapisan fully connected di embeddings, encoder, dan pooler.
  • attention_probs_dropout_prob (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
  • layer_norm_eps (float, opsional, defaultnya 1e-12) — Epsilon yang digunakan oleh lapisan normalisasi lapisan.
  • pad_token_id (int, opsional, default 0) — ID token yang digunakan untuk padding dalam kosakata.
  • qkv_bias (bool, opsional, defaultnya True) — Apakah akan menambahkan bias ke queries, keys, dan values.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari FlavaModel. Kelas ini digunakan untuk membuat instans model Flava berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari facebook/flava-full

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import FlavaTextConfig, FlavaTextModel

>>> # Initializing a FlavaTextModel with  style configuration
>>> configuration = FlavaTextConfig()

>>> # Initializing a FlavaTextModel model (with random weights) from the style configuration
>>> model = FlavaTextModel(configuration)

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

FlavaImageConfig

kelas transformers.FlavaImageConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 768num_hidden_layers: int = 12num_attention_heads: int = 12intermediate_size: int = 3072hidden_act: str = 'gelu'hidden_dropout_prob: float | int = 0.0attention_probs_dropout_prob: float | int = 0.0initializer_range: float = 0.02layer_norm_eps: float = 1e-12image_size: int | list[int] | tuple[int, int] = 224patch_size: int | list[int] | tuple[int, int] = 16num_channels: int = 3qkv_bias: bool = Truemask_token: bool = Truevocab_size: int = 8192 )

Parameter

  • hidden_size (int, opsional, default 768) — Dimensi dari representasi tersembunyi.
  • num_hidden_layers (int, opsional, default 12) — Jumlah lapisan tersembunyi dalam decoder Transformer.
  • num_attention_heads (int, opsional, default 12) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
  • intermediate_size (int, opsional, default 3072) — Dimensi representasi MLP.
  • hidden_act (str, opsional, defaultnya gelu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
  • hidden_dropout_prob (Union[float, int], opsional, default 0.0) — Probabilitas dropout untuk semua lapisan fully connected di embeddings, encoder, dan pooler.
  • attention_probs_dropout_prob (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
  • layer_norm_eps (float, opsional, defaultnya 1e-12) — Epsilon yang digunakan oleh lapisan normalisasi lapisan.
  • image_size (Union[int, list[int], tuple[int, int]], opsional, defaultnya 224) — Ukuran (resolusi) dari setiap gambar.
  • patch_size (Union[int, list[int], tuple[int, int]], opsional, defaultnya 16) — Ukuran (resolusi) dari setiap patch.
  • num_channels (int, opsional, defaultnya 3) — Jumlah saluran input.
  • qkv_bias (bool, opsional, defaultnya True) — Apakah akan menambahkan bias ke queries, keys, dan values.
  • mask_token (bool, opsional, default True) — Apakah akan menggunakan mask token atau tidak. Digunakan dalam loss MIM (Masked Image Modeling) untuk FLAVA.
  • vocab_size (int, opsional, default 8192) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari FlavaModel. Kelas ini digunakan untuk membuat instans model Flava berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari facebook/flava-full

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import FlavaImageConfig, FlavaImageModel

>>> # Initializing a FlavaImageModel with  style configuration
>>> configuration = FlavaImageConfig()

>>> # Initializing a FlavaImageModel model (with random weights) from the style configuration
>>> model = FlavaImageModel(configuration)

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

FlavaMultimodalConfig

kelas transformers.FlavaMultimodalConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int = 768num_hidden_layers: int = 6num_attention_heads: int = 12intermediate_size: int = 3072hidden_act: str = 'gelu'hidden_dropout_prob: float | int = 0.0attention_probs_dropout_prob: float | int = 0.0initializer_range: float = 0.02layer_norm_eps: float = 1e-12qkv_bias: bool = Trueuse_cls_token: bool = True )

Parameter

  • hidden_size (int, opsional, default 768) — Dimensi dari representasi tersembunyi.
  • num_hidden_layers (int, opsional, default 6) — Jumlah lapisan tersembunyi dalam decoder Transformer.
  • num_attention_heads (int, opsional, default 12) — Jumlah attention head untuk setiap lapisan attention di decoder Transformer.
  • intermediate_size (int, opsional, default 3072) — Dimensi representasi MLP.
  • hidden_act (str, opsional, defaultnya gelu) — Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, "gelu", "relu", "silu", dan sebagainya.
  • hidden_dropout_prob (Union[float, int], opsional, default 0.0) — Probabilitas dropout untuk semua lapisan fully connected di embeddings, encoder, dan pooler.
  • attention_probs_dropout_prob (Union[float, int], opsional, default 0.0) — Rasio dropout untuk probabilitas perhatian.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.
  • layer_norm_eps (float, opsional, defaultnya 1e-12) — Epsilon yang digunakan oleh lapisan normalisasi lapisan.
  • qkv_bias (bool, opsional, defaultnya True) — Apakah akan menambahkan bias ke queries, keys, dan values.
  • use_cls_token (bool, opsional, default True) — Apakah akan menggunakan token CLS tambahan untuk pengaturan multimodal. Biasanya diperlukan oleh model FLAVA.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari FlavaModel. Kelas ini digunakan untuk membuat instans model Flava berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari facebook/flava-full

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import FlavaMultimodalConfig, FlavaMultimodalModel

>>> # Initializing a FlavaMultimodalModel with  style configuration
>>> configuration = FlavaMultimodalConfig()

>>> # Initializing a FlavaMultimodalModel model (with random weights) from the style configuration
>>> model = FlavaMultimodalModel(configuration)

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

FlavaImageCodebookConfig

kelas transformers.FlavaImageCodebookConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonenum_groups: int = 4input_channels: int = 3num_blocks_per_group: int = 2hidden_size: int = 256vocab_size: int = 8192freeze: bool = Trueinitializer_range: float = 0.02 )

Parameter

  • num_groups (int, opsional, default 4) — Jumlah grup yang akan dibuat. Parameter ini saat ini tidak memengaruhi model dan digunakan untuk beberapa perhitungan serta estimasi internal.
  • input_channels (int, opsional, defaultnya 3) — Jumlah saluran input.
  • num_blocks_per_group (int, opsional, default 2) — Jumlah blok berbasis conv per grup.
  • hidden_size (int, opsional, default 256) — Dimensi dari representasi tersembunyi.
  • vocab_size (int, opsional, default 8192) — Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh input_ids.
  • freeze (bool, defaultnya True) — Apakah akan membekukan bobot model.
  • initializer_range (float, opsional, defaultnya 0.02) — Standar deviasi dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot.

Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari FlavaModel. Kelas ini digunakan untuk membuat instans model Flava berdasarkan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari facebook/flava-full

Objek konfigurasi mewarisi dari PreTrainedConfig dan dapat digunakan untuk mengontrol output model. Baca dokumentasi dari PreTrainedConfig untuk informasi lebih lanjut.

Contoh:

>>> from transformers import FlavaImageCodebookConfig, FlavaImageCodebook

>>> # Initializing a FlavaImageCodebook with style configuration
>>> configuration = FlavaImageCodebookConfig()

>>> # Initializing a FlavaImageCodebook model (with random weights) from the style configuration
>>> model = FlavaImageCodebook(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

FlavaProcessor

kelas transformers.FlavaProcessor

< >

( image_processor = Nonetokenizer = None**kwargs )

Parameter

  • image_processor (FlavaImageProcessor) — Prosesor gambar adalah input yang wajib.
  • tokenizer (BertTokenizer) — Tokenizer adalah input yang wajib.

Membangun FlavaProcessor yang membungkus image processor dan tokenizer menjadi satu processor.

FlavaProcessor menyediakan semua fungsionalitas dari FlavaImageProcessor dan BertTokenizer. Lihat ~FlavaImageProcessor dan ~BertTokenizer untuk informasi lebih lanjut.

__call__

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonetext: str | list[str] | list[list[str]] | None = Nonevideos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = Noneaudio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None**kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'> )

Parameter

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], opsional) — Gambar yang akan dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika mengirimkan gambar dengan nilai piksel antara 0 dan 1, atur do_rescale=False.
  • text (Union[str, list[str], list[list[str]]], opsional) — Sequens atau batch dari sequens yang akan dienkod. Setiap sequens dapat berupa string atau daftar string (string yang sudah dipretokenisasi). Jika Anda memasukkan input yang sudah dipretokenisasi, atur is_split_into_words=True untuk menghindari ambiguitas dengan input yang di-batch.
  • videos (Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]], opsional) — Video yang akan dipreprocess. Mengharapkan satu video atau batch video dengan nilai piksel berkisar dari 0 hingga 255. Jika mengirimkan video dengan nilai piksel antara 0 dan 1, atur do_rescale=False.
  • audio (Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]], opsional) — Audio atau batch audio yang akan disiapkan. Setiap audio dapat berupa array NumPy atau tensor PyTorch. Jika berupa array NumPy/tensor PyTorch, setiap audio harus memiliki bentuk (C, T), di mana C adalah jumlah channel, dan T adalah panjang sampel dari audio tersebut.
  • return_tensors (str atau TensorType, opsional) — Jika diset, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah:
    • 'pt': Mengembalikan objek PyTorch torch.Tensor.
    • 'np': Mengembalikan objek NumPy np.ndarray.
  • **kwargs (ProcessingKwargs, opsional) — Opsi pemrosesan tambahan untuk setiap modalitas (teks, gambar, video, audio). Parameter spesifik model tercantum di atas; lihat kelas TypedDict untuk daftar lengkap argumen yang didukung.

FlavaImageProcessor

kelas transformers.FlavaImageProcessor

< >

( **kwargs: *<class 'transformers.models.flava.image_processing_flava.FlavaImageProcessorKwargs'> )

Parameter

  • do_convert_rgb (bool, kwargs, opsional) — Apakah akan mengonversi gambar ke RGB.
  • do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran gambar.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, defaultnya {'height' -- 224, 'width': 224}): Menggambarkan dimensi input maksimum untuk model.
  • default_to_square (bool, kwargs, opsional, defaultnya True) — Apakah akan menggunakan gambar persegi sebagai default saat melakukan resize, jika size berupa int.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, defaultnya {'height' -- 224, 'width': 224}): Ukuran gambar keluaran setelah menerapkan center_crop.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, defaultnya 3) — Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum PILImageResampling. Hanya berpengaruh jika do_resize diatur ke True.
  • do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang pada gambar.
  • rescale_factor (float, kwargs, opsional, default 0.00392156862745098) — Faktor rescale untuk menskalakan ulang gambar jika do_rescale diatur ke True.
  • do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi gambar.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsional, defaultnya [0.48145466, 0.4578275, 0.40821073]) — Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsional, defaultnya [0.26862954, 0.26130258, 0.27577711]) — Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • do_pad (bool, kwargs, opsional) — Apakah akan melakukan padding pada gambar. Padding dilakukan ke ukuran terbesar dalam batch atau ke ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model.
  • pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran dalam {"height": int, "width" int} untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika pad_size tidak disediakan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika do_pad=True.
  • do_center_crop (bool, kwargs, opsional, default True) — Apakah akan melakukan center crop pada gambar.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Hanya ChannelDimension.FIRST yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Format dimensi channel untuk gambar input. Jika tidak diset, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari:
    • "channels_first" atau ChannelDimension.FIRST: gambar dalam format (num_channels, height, width).
    • "channels_last" atau ChannelDimension.LAST: gambar dalam format (height, width, num_channels).
    • "none" atau ChannelDimension.NONE: gambar dalam format (height, width).
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Mengembalikan tensor bertumpuk jika diset ke 'pt', selain itu mengembalikan daftar tensor.
  • disable_grouping (bool, kwargs, opsional) — Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan bukan dalam batch. Jika None, akan diatur ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157
  • image_seq_length (int, kwargs, opsional) — Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini seharusnya diatur sebagai atribut prosesor pada model-model mendatang.
  • return_image_mask (bool, kwargs, opsional, default False) — Apakah akan mengembalikan image mask. Dapat ditimpa oleh parameter return_image_mask di preprocess.
  • input_size_patches (int, kwargs, opsional, default 14) — Jumlah patch pada gambar dalam arah tinggi dan lebar. 14x14 = total 196 patch. Dapat ditimpa oleh parameter input_size_patches di preprocess.
  • total_mask_patches (int, kwargs, opsional, defaultnya 75) — Jumlah total patch yang harus di-mask. Dapat ditimpa oleh parameter total_mask_patches di preprocess.
  • mask_group_min_patches (int, kwargs, opsional, default 16) — Jumlah minimum patch yang harus di-mask. Dapat ditimpa oleh parameter mask_group_min_patches di preprocess.
  • mask_group_max_patches (int, kwargs, opsional) — Jumlah maksimum patch yang harus dimasker. Dapat ditimpa oleh parameter mask_group_max_patches di preprocess.
  • mask_group_min_aspect_ratio (float, kwargs, opsional, default 0.3) — Rasio aspek minimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_min_aspect_ratio di preprocess.
  • mask_group_max_aspect_ratio (float, kwargs, opsional) — Rasio aspek maksimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_max_aspect_ratio di preprocess.
  • return_codebook_pixels (bool, kwargs, opsional, default False) — Apakah akan mengembalikan nilai piksel codebook.
  • codebook_do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran input untuk codebook menjadi ukuran tertentu. Dapat ditimpa oleh parameter codebook_do_resize di preprocess. codebook_size.
  • codebook_size (dict[str, *kwargs*, int], opsional, defaultnya {"height" -- 224, "width": 224}): Mengubah ukuran input untuk codebook ke ukuran yang diberikan. Dapat ditimpa oleh parameter codebook_size di preprocess.
  • codebook_resample (PILImageResampling, kwargs, opsional, defaultnya PILImageResampling.LANCZOS) — Filter resampling yang digunakan jika mengubah ukuran gambar codebook. Dengan torchvision < 0.27, LANCZOS tidak didukung untuk torch Tensors dan BICUBIC digunakan sebagai alternatif terdekat. Dapat ditimpa oleh parameter codebook_resample di preprocess.
  • codebook_do_center_crop (bool, kwargs, opsional, default True) — Apakah akan memotong input untuk codebook di bagian tengah. Jika ukuran input lebih kecil dari codebook_crop_size di sepanjang sisi mana pun, gambar akan dipad dengan 0 dan kemudian dipotong di tengah. Dapat ditimpa oleh parameter codebook_do_center_crop di preprocess.
  • codebook_crop_size (dict[str, *kwargs*, int], opsional, default {"height" -- 224, "width": 224}): Ukuran output yang diinginkan untuk input codebook saat menerapkan center-cropping. Dapat ditimpa oleh parameter codebook_crop_size di preprocess.
  • codebook_do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang input untuk codebook dengan skala yang ditentukan codebook_rescale_factor. Dapat ditimpa oleh parameter codebook_do_rescale di preprocess.
  • codebook_rescale_factor (int, kwargs atau float, opsional, default 1/255) — Menentukan faktor skala yang digunakan jika melakukan rescaling pada gambar codebook. Dapat ditimpa oleh parameter codebook_rescale_factor di preprocess.
  • codebook_do_map_pixels (bool, kwargs, opsional, default True) — Apakah memetakan nilai piksel dari input codebook ke (1 - 2e)x + e. Dapat ditimpa oleh parameter codebook_do_map_pixels di preprocess.
  • codebook_do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi input untuk codebook dengan codebook_image_mean dan codebook_image_std. Dapat ditimpa oleh parameter codebook_do_normalize di preprocess.
  • codebook_image_mean (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, default [0, 0, 0]) — Urutan nilai rata-rata untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_mean di preprocess.
  • codebook_image_std (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, defaultnya [0.5, 0.5, 0.5]) — Urutan simpangan baku untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_std di preprocess.

Membangun pemroses gambar FlavaImageProcessor.

praproses

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]**kwargs: *<class 'transformers.models.flava.image_processing_flava.FlavaImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Parameter

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Gambar yang akan dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika mengirimkan gambar dengan nilai piksel antara 0 dan 1, atur do_rescale=False.
  • do_convert_rgb (bool, kwargs, opsional) — Apakah akan mengonversi gambar ke RGB.
  • do_resize (bool, kwargs, opsional) — Apakah akan mengubah ukuran gambar.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Menggambarkan dimensi input maksimum untuk model.
  • default_to_square (bool, kwargs, opsional) — Apakah akan menggunakan gambar persegi sebagai default saat mengubah ukuran, jika size berupa int.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran gambar keluaran setelah menerapkan center_crop.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Filter resampling yang digunakan jika mengubah ukuran gambar. Ini dapat berupa salah satu enum PILImageResampling. Hanya berpengaruh jika do_resize diatur ke True.
  • do_rescale (bool, kwargs, opsional) — Apakah akan melakukan penskalaan ulang pada gambar.
  • rescale_factor (float, kwargs, opsional) — Faktor rescale untuk menskalakan ulang gambar jika do_rescale diatur ke True.
  • do_normalize (bool, kwargs, opsional) — Apakah akan menormalisasi gambar.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsional) — Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsional) — Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • do_pad (bool, kwargs, opsional) — Apakah akan melakukan padding pada gambar. Padding dilakukan ke ukuran terbesar dalam batch atau ke ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model.
  • pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran dalam {"height": int, "width" int} untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika pad_size tidak disediakan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika do_pad=True.
  • do_center_crop (bool, kwargs, opsional) — Apakah akan melakukan center crop pada gambar.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Hanya ChannelDimension.FIRST yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Format dimensi channel untuk gambar input. Jika tidak diset, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari:
    • "channels_first" atau ChannelDimension.FIRST: gambar dalam format (num_channels, height, width).
    • "channels_last" atau ChannelDimension.LAST: gambar dalam format (height, width, num_channels).
    • "none" atau ChannelDimension.NONE: gambar dalam format (height, width).
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Mengembalikan tensor bertumpuk jika diset ke 'pt', selain itu mengembalikan daftar tensor.
  • disable_grouping (bool, kwargs, opsional) — Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan bukan dalam batch. Jika None, akan diatur ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157
  • image_seq_length (int, kwargs, opsional) — Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini seharusnya diatur sebagai atribut prosesor pada model-model mendatang.
  • return_image_mask (bool, kwargs, opsional, default False) — Apakah akan mengembalikan image mask. Dapat ditimpa oleh parameter return_image_mask di preprocess.
  • input_size_patches (int, kwargs, opsional, default 14) — Jumlah patch pada gambar dalam arah tinggi dan lebar. 14x14 = total 196 patch. Dapat ditimpa oleh parameter input_size_patches di preprocess.
  • total_mask_patches (int, kwargs, opsional, defaultnya 75) — Jumlah total patch yang harus di-mask. Dapat ditimpa oleh parameter total_mask_patches di preprocess.
  • mask_group_min_patches (int, kwargs, opsional, default 16) — Jumlah minimum patch yang harus di-mask. Dapat ditimpa oleh parameter mask_group_min_patches di preprocess.
  • mask_group_max_patches (int, kwargs, opsional) — Jumlah maksimum patch yang harus dimasker. Dapat ditimpa oleh parameter mask_group_max_patches di preprocess.
  • mask_group_min_aspect_ratio (float, kwargs, opsional, default 0.3) — Rasio aspek minimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_min_aspect_ratio di preprocess.
  • mask_group_max_aspect_ratio (float, kwargs, opsional) — Rasio aspek maksimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_max_aspect_ratio di preprocess.
  • return_codebook_pixels (bool, kwargs, opsional, default False) — Apakah akan mengembalikan nilai piksel codebook.
  • codebook_do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran input untuk codebook menjadi ukuran tertentu. Dapat ditimpa oleh parameter codebook_do_resize di preprocess. codebook_size.
  • codebook_size (dict[str, *kwargs*, int], opsional, defaultnya {"height" -- 224, "width": 224}): Mengubah ukuran input untuk codebook ke ukuran yang diberikan. Dapat ditimpa oleh parameter codebook_size di preprocess.
  • codebook_resample (PILImageResampling, kwargs, opsional, defaultnya PILImageResampling.LANCZOS) — Filter resampling yang digunakan jika mengubah ukuran gambar codebook. Dengan torchvision < 0.27, LANCZOS tidak didukung untuk torch Tensors dan BICUBIC digunakan sebagai alternatif terdekat. Dapat ditimpa oleh parameter codebook_resample di preprocess.
  • codebook_do_center_crop (bool, kwargs, opsional, default True) — Apakah akan memotong input untuk codebook di bagian tengah. Jika ukuran input lebih kecil dari codebook_crop_size di sepanjang sisi mana pun, gambar akan dipad dengan 0 dan kemudian dipotong di tengah. Dapat ditimpa oleh parameter codebook_do_center_crop di preprocess.
  • codebook_crop_size (dict[str, *kwargs*, int], opsional, default {"height" -- 224, "width": 224}): Ukuran output yang diinginkan untuk input codebook saat menerapkan center-cropping. Dapat ditimpa oleh parameter codebook_crop_size di preprocess.
  • codebook_do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang input untuk codebook dengan skala yang ditentukan codebook_rescale_factor. Dapat ditimpa oleh parameter codebook_do_rescale di preprocess.
  • codebook_rescale_factor (int, kwargs atau float, opsional, default 1/255) — Menentukan faktor skala yang digunakan jika melakukan rescaling pada gambar codebook. Dapat ditimpa oleh parameter codebook_rescale_factor di preprocess.
  • codebook_do_map_pixels (bool, kwargs, opsional, default True) — Apakah memetakan nilai piksel dari input codebook ke (1 - 2e)x + e. Dapat ditimpa oleh parameter codebook_do_map_pixels di preprocess.
  • codebook_do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi input untuk codebook dengan codebook_image_mean dan codebook_image_std. Dapat ditimpa oleh parameter codebook_do_normalize di preprocess.
  • codebook_image_mean (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, default [0, 0, 0]) — Urutan nilai rata-rata untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_mean di preprocess.
  • codebook_image_std (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, defaultnya [0.5, 0.5, 0.5]) — Urutan simpangan baku untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_std di preprocess.

Mengembalikan

~image_processing_base.BatchFeature

  • data (dict) — Kamus berisi daftar/array/tensor yang dikembalikan oleh metode call (‘pixel_values’, dll.).
  • tensor_type (Union[None, str, TensorType], opsional) — Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi.

FlavaImageProcessorPil

kelas transformers.FlavaImageProcessorPil

< >

( **kwargs: *<class 'transformers.models.flava.image_processing_pil_flava.FlavaImageProcessorKwargs'> )

Parameter

  • do_convert_rgb (bool, kwargs, opsional) — Apakah akan mengonversi gambar ke RGB.
  • do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran gambar.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, defaultnya {'height' -- 224, 'width': 224}): Menggambarkan dimensi input maksimum untuk model.
  • default_to_square (bool, kwargs, opsional, defaultnya True) — Apakah akan menggunakan gambar persegi sebagai default saat melakukan resize, jika size berupa int.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, defaultnya {'height' -- 224, 'width': 224}): Ukuran gambar keluaran setelah menerapkan center_crop.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, defaultnya 3) — Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum PILImageResampling. Hanya berpengaruh jika do_resize diatur ke True.
  • do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang pada gambar.
  • rescale_factor (float, kwargs, opsional, default 0.00392156862745098) — Faktor rescale untuk menskalakan ulang gambar jika do_rescale diatur ke True.
  • do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi gambar.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsional, defaultnya [0.48145466, 0.4578275, 0.40821073]) — Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsional, defaultnya [0.26862954, 0.26130258, 0.27577711]) — Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • do_pad (bool, kwargs, opsional) — Apakah akan melakukan padding pada gambar. Padding dilakukan ke ukuran terbesar dalam batch atau ke ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model.
  • pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran dalam {"height": int, "width" int} untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika pad_size tidak disediakan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika do_pad=True.
  • do_center_crop (bool, kwargs, opsional, default True) — Apakah akan melakukan center crop pada gambar.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Hanya ChannelDimension.FIRST yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Format dimensi channel untuk gambar input. Jika tidak diset, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari:
    • "channels_first" atau ChannelDimension.FIRST: gambar dalam format (num_channels, height, width).
    • "channels_last" atau ChannelDimension.LAST: gambar dalam format (height, width, num_channels).
    • "none" atau ChannelDimension.NONE: gambar dalam format (height, width).
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Mengembalikan tensor bertumpuk jika diset ke 'pt', selain itu mengembalikan daftar tensor.
  • disable_grouping (bool, kwargs, opsional) — Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan bukan dalam batch. Jika None, akan diatur ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157
  • image_seq_length (int, kwargs, opsional) — Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini seharusnya diatur sebagai atribut prosesor pada model-model mendatang.
  • return_image_mask (bool, kwargs, opsional, default False) — Apakah akan mengembalikan image mask. Dapat ditimpa oleh parameter return_image_mask di preprocess.
  • input_size_patches (int, kwargs, opsional, default 14) — Jumlah patch pada gambar dalam arah tinggi dan lebar. 14x14 = total 196 patch. Dapat ditimpa oleh parameter input_size_patches di preprocess.
  • total_mask_patches (int, kwargs, opsional, defaultnya 75) — Jumlah total patch yang harus di-mask. Dapat ditimpa oleh parameter total_mask_patches di preprocess.
  • mask_group_min_patches (int, kwargs, opsional, default 16) — Jumlah minimum patch yang harus di-mask. Dapat ditimpa oleh parameter mask_group_min_patches di preprocess.
  • mask_group_max_patches (int, kwargs, opsional) — Jumlah maksimum patch yang harus dimasker. Dapat ditimpa oleh parameter mask_group_max_patches di preprocess.
  • mask_group_min_aspect_ratio (float, kwargs, opsional, default 0.3) — Rasio aspek minimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_min_aspect_ratio di preprocess.
  • mask_group_max_aspect_ratio (float, kwargs, opsional) — Rasio aspek maksimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_max_aspect_ratio di preprocess.
  • return_codebook_pixels (bool, kwargs, opsional, default False) — Apakah akan mengembalikan nilai piksel codebook.
  • codebook_do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran input untuk codebook menjadi ukuran tertentu. Dapat ditimpa oleh parameter codebook_do_resize di preprocess. codebook_size.
  • codebook_size (dict[str, *kwargs*, int], opsional, defaultnya {"height" -- 224, "width": 224}): Mengubah ukuran input untuk codebook ke ukuran yang diberikan. Dapat ditimpa oleh parameter codebook_size di preprocess.
  • codebook_resample (PILImageResampling, kwargs, opsional, defaultnya PILImageResampling.LANCZOS) — Filter resampling yang digunakan jika mengubah ukuran gambar codebook. Dengan torchvision < 0.27, LANCZOS tidak didukung untuk torch Tensors dan BICUBIC digunakan sebagai alternatif terdekat. Dapat ditimpa oleh parameter codebook_resample di preprocess.
  • codebook_do_center_crop (bool, kwargs, opsional, default True) — Apakah akan memotong input untuk codebook di bagian tengah. Jika ukuran input lebih kecil dari codebook_crop_size di sepanjang sisi mana pun, gambar akan dipad dengan 0 dan kemudian dipotong di tengah. Dapat ditimpa oleh parameter codebook_do_center_crop di preprocess.
  • codebook_crop_size (dict[str, *kwargs*, int], opsional, default {"height" -- 224, "width": 224}): Ukuran output yang diinginkan untuk input codebook saat menerapkan center-cropping. Dapat ditimpa oleh parameter codebook_crop_size di preprocess.
  • codebook_do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang input untuk codebook dengan skala yang ditentukan codebook_rescale_factor. Dapat ditimpa oleh parameter codebook_do_rescale di preprocess.
  • codebook_rescale_factor (int, kwargs atau float, opsional, default 1/255) — Menentukan faktor skala yang digunakan jika melakukan rescaling pada gambar codebook. Dapat ditimpa oleh parameter codebook_rescale_factor di preprocess.
  • codebook_do_map_pixels (bool, kwargs, opsional, default True) — Apakah memetakan nilai piksel dari input codebook ke (1 - 2e)x + e. Dapat ditimpa oleh parameter codebook_do_map_pixels di preprocess.
  • codebook_do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi input untuk codebook dengan codebook_image_mean dan codebook_image_std. Dapat ditimpa oleh parameter codebook_do_normalize di preprocess.
  • codebook_image_mean (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, default [0, 0, 0]) — Urutan nilai rata-rata untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_mean di preprocess.
  • codebook_image_std (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, defaultnya [0.5, 0.5, 0.5]) — Urutan simpangan baku untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_std di preprocess.

Membangun pemroses gambar FlavaImageProcessor.

praproses

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]**kwargs: *<class 'transformers.models.flava.image_processing_pil_flava.FlavaImageProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Parameter

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]) — Gambar yang akan dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika mengirimkan gambar dengan nilai piksel antara 0 dan 1, atur do_rescale=False.
  • do_convert_rgb (bool, kwargs, opsional) — Apakah akan mengonversi gambar ke RGB.
  • do_resize (bool, kwargs, opsional) — Apakah akan mengubah ukuran gambar.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Menggambarkan dimensi input maksimum untuk model.
  • default_to_square (bool, kwargs, opsional) — Apakah akan menggunakan gambar persegi sebagai default saat mengubah ukuran, jika size berupa int.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran gambar keluaran setelah menerapkan center_crop.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Filter resampling yang digunakan jika mengubah ukuran gambar. Ini dapat berupa salah satu enum PILImageResampling. Hanya berpengaruh jika do_resize diatur ke True.
  • do_rescale (bool, kwargs, opsional) — Apakah akan melakukan penskalaan ulang pada gambar.
  • rescale_factor (float, kwargs, opsional) — Faktor rescale untuk menskalakan ulang gambar jika do_rescale diatur ke True.
  • do_normalize (bool, kwargs, opsional) — Apakah akan menormalisasi gambar.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsional) — Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsional) — Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika do_normalize diatur ke True.
  • do_pad (bool, kwargs, opsional) — Apakah akan melakukan padding pada gambar. Padding dilakukan ke ukuran terbesar dalam batch atau ke ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model.
  • pad_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Ukuran dalam {"height": int, "width" int} untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang disediakan untuk pra-pemrosesan. Jika pad_size tidak disediakan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika do_pad=True.
  • do_center_crop (bool, kwargs, opsional) — Apakah akan melakukan center crop pada gambar.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Hanya ChannelDimension.FIRST yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, opsional) — Format dimensi channel untuk gambar input. Jika tidak diset, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari:
    • "channels_first" atau ChannelDimension.FIRST: gambar dalam format (num_channels, height, width).
    • "channels_last" atau ChannelDimension.LAST: gambar dalam format (height, width, num_channels).
    • "none" atau ChannelDimension.NONE: gambar dalam format (height, width).
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Mengembalikan tensor bertumpuk jika diset ke 'pt', selain itu mengembalikan daftar tensor.
  • disable_grouping (bool, kwargs, opsional) — Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan bukan dalam batch. Jika None, akan diatur ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157
  • image_seq_length (int, kwargs, opsional) — Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini seharusnya diatur sebagai atribut prosesor pada model-model mendatang.
  • return_image_mask (bool, kwargs, opsional, default False) — Apakah akan mengembalikan image mask. Dapat ditimpa oleh parameter return_image_mask di preprocess.
  • input_size_patches (int, kwargs, opsional, default 14) — Jumlah patch pada gambar dalam arah tinggi dan lebar. 14x14 = total 196 patch. Dapat ditimpa oleh parameter input_size_patches di preprocess.
  • total_mask_patches (int, kwargs, opsional, defaultnya 75) — Jumlah total patch yang harus di-mask. Dapat ditimpa oleh parameter total_mask_patches di preprocess.
  • mask_group_min_patches (int, kwargs, opsional, default 16) — Jumlah minimum patch yang harus di-mask. Dapat ditimpa oleh parameter mask_group_min_patches di preprocess.
  • mask_group_max_patches (int, kwargs, opsional) — Jumlah maksimum patch yang harus dimasker. Dapat ditimpa oleh parameter mask_group_max_patches di preprocess.
  • mask_group_min_aspect_ratio (float, kwargs, opsional, default 0.3) — Rasio aspek minimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_min_aspect_ratio di preprocess.
  • mask_group_max_aspect_ratio (float, kwargs, opsional) — Rasio aspek maksimum dari jendela mask. Dapat ditimpa oleh parameter mask_group_max_aspect_ratio di preprocess.
  • return_codebook_pixels (bool, kwargs, opsional, default False) — Apakah akan mengembalikan nilai piksel codebook.
  • codebook_do_resize (bool, kwargs, opsional, default True) — Apakah akan mengubah ukuran input untuk codebook menjadi ukuran tertentu. Dapat ditimpa oleh parameter codebook_do_resize di preprocess. codebook_size.
  • codebook_size (dict[str, *kwargs*, int], opsional, defaultnya {"height" -- 224, "width": 224}): Mengubah ukuran input untuk codebook ke ukuran yang diberikan. Dapat ditimpa oleh parameter codebook_size di preprocess.
  • codebook_resample (PILImageResampling, kwargs, opsional, defaultnya PILImageResampling.LANCZOS) — Filter resampling yang digunakan jika mengubah ukuran gambar codebook. Dengan torchvision < 0.27, LANCZOS tidak didukung untuk torch Tensors dan BICUBIC digunakan sebagai alternatif terdekat. Dapat ditimpa oleh parameter codebook_resample di preprocess.
  • codebook_do_center_crop (bool, kwargs, opsional, default True) — Apakah akan memotong input untuk codebook di bagian tengah. Jika ukuran input lebih kecil dari codebook_crop_size di sepanjang sisi mana pun, gambar akan dipad dengan 0 dan kemudian dipotong di tengah. Dapat ditimpa oleh parameter codebook_do_center_crop di preprocess.
  • codebook_crop_size (dict[str, *kwargs*, int], opsional, default {"height" -- 224, "width": 224}): Ukuran output yang diinginkan untuk input codebook saat menerapkan center-cropping. Dapat ditimpa oleh parameter codebook_crop_size di preprocess.
  • codebook_do_rescale (bool, kwargs, opsional, default True) — Apakah akan melakukan penskalaan ulang input untuk codebook dengan skala yang ditentukan codebook_rescale_factor. Dapat ditimpa oleh parameter codebook_do_rescale di preprocess.
  • codebook_rescale_factor (int, kwargs atau float, opsional, default 1/255) — Menentukan faktor skala yang digunakan jika melakukan rescaling pada gambar codebook. Dapat ditimpa oleh parameter codebook_rescale_factor di preprocess.
  • codebook_do_map_pixels (bool, kwargs, opsional, default True) — Apakah memetakan nilai piksel dari input codebook ke (1 - 2e)x + e. Dapat ditimpa oleh parameter codebook_do_map_pixels di preprocess.
  • codebook_do_normalize (bool, kwargs, opsional, default True) — Apakah akan menormalisasi input untuk codebook dengan codebook_image_mean dan codebook_image_std. Dapat ditimpa oleh parameter codebook_do_normalize di preprocess.
  • codebook_image_mean (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, default [0, 0, 0]) — Urutan nilai rata-rata untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_mean di preprocess.
  • codebook_image_std (Optional[Union[float, *kwargs*, Iterable[float]]], opsional, defaultnya [0.5, 0.5, 0.5]) — Urutan simpangan baku untuk setiap channel, yang digunakan saat menormalisasi gambar untuk codebook. Dapat ditimpa oleh parameter codebook_image_std di preprocess.

Mengembalikan

~image_processing_base.BatchFeature

  • data (dict) — Kamus berisi daftar/array/tensor yang dikembalikan oleh metode call (‘pixel_values’, dll.).
  • tensor_type (Union[None, str, TensorType], opsional) — Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi.

FlavaForPreTraining

kelas transformers.FlavaForPreTraining

< >

( config: FlavaConfigimage_codebook: typing.Optional[torch.nn.Module] = None )

Parameter

  • config (FlavaConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.
  • image_codebook (torch.nn.Module, opsional) — Jika diberikan, image codebook akan diset ke nilai ini. Jika tidak, image codebook akan diinisialisasi menggunakan image_codebook_config yang didefinisikan dalam config sebagai parameter pertama.

Model FLAVA untuk pra-pelatihan yang menghasilkan kerugian, penanam, logit, dan keluaran transformer.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneinput_ids_masked: typing.Optional[torch.LongTensor] = Nonepixel_values: typing.Optional[torch.Tensor] = Nonecodebook_pixel_values: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Nonetoken_type_ids: typing.Optional[torch.Tensor] = Nonebool_masked_pos: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Noneimage_attention_mask: typing.Optional[torch.Tensor] = Noneskip_unmasked_multimodal_encoder: bool | None = Nonemlm_labels: typing.Optional[torch.Tensor] = Nonemim_labels: typing.Optional[torch.Tensor] = Noneitm_labels: typing.Optional[torch.Tensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool = Truereturn_dict: bool | None = Nonereturn_loss: bool | None = None**kwargs ) → FlavaForPreTrainingOutput or tuple(torch.Tensor)

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_len)) — Indeks token dari urutan input dalam kosakata. Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya. Apa itu input IDs?
  • input_ids_masked (torch.LongTensor dengan bentuk (batch_size, text_seq_len)) — Indeks token dari urutan input dalam kosakata. Ini adalah versi ter-mask dari tugas asli yang akan digunakan dengan MLM. Indeks dapat diperoleh menggunakan AutoTokenizer bersama dengan DataCollatorForMaskedLanguageModeling. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya. Apa itu input ID?
  • pixel_values (torch.Tensor dengan bentuk (batch_size, num_channels, image_size, image_size), opsional) — Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan FlavaImageProcessor. Lihat FlavaImageProcessor.call() untuk detailnya (FlavaProcessor menggunakan FlavaImageProcessor untuk memproses gambar).
  • codebook_pixel_values (torch.Tensor dengan bentuk (batch_size, num_image_patches, patch_size, patch_size, 3), opsional) — Nilai piksel untuk patch gambar yang digunakan untuk menghitung label codebook gambar untuk pemodelan gambar tersembunyi (masked image modeling).
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • token_type_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_len), opsional) — Indeks token segmen untuk menunjukkan bagian pertama dan kedua dari input. Indeks dipilih dari [0, 1]:
  • bool_masked_pos (torch.BoolTensor dengan bentuk (batch_size, image_num_patches)) — Posisi yang dimasker secara boolean. Menunjukkan patch mana yang dimasker (1) dan mana yang tidak (0).
  • position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].

    Apa itu ID posisi?

  • image_attention_mask (torch.Tensor dengan bentuk (batch_size, image_num_patches), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding khusus untuk gambar. Nilai mask dipilih dalam [0, 1]:
  • skip_unmasked_multimodal_encoder (*bool*, opsional) — Lewati semua perhitungan untuk encoder multimodal pada input yang tidak dimasker. Pra-pelatihan FLAVA saat ini tidak memerlukan embedding atau output multimodal yang tidak dimasker.
  • mlm_labels (torch.LongTensor dengan bentuk (batch_size, text_seq_len), opsional) — Label untuk menghitung loss pemodelan bahasa dan multimodal yang dimasking dari kiri ke kanan (prediksi kata berikutnya). Indeks harus berada dalam [-100, 0, ..., text_config.vocab_size - 1] (lihat docstring input_ids). Token dengan indeks yang diset ke -100 diabaikan (dimasking), loss hanya dihitung untuk token dengan label dalam [0, ..., text_config.vocab_size - 1].
  • mim_labels (torch.LongTensor dengan bentuk (batch_size, image_num_patches), opsional) — Label untuk menghitung loss pemodelan tersembunyi (masked modeling) gambar dan multimodal. Indeks harus berada dalam [-100, 0, ..., image_config.vocab_size - 1]. Token dengan indeks yang disetel ke -100 diabaikan (diterapkan masker), loss hanya dihitung untuk token dengan label dalam [0, ..., image_config.vocab_size - 1]. Jika tidak diberikan, label dibuat secara otomatis menggunakan image codebook yang ditugaskan ke model. Secara default, menggunakan FlavaImageCodebook. Lihat FlavaImageCodebook untuk memahami cara menghasilkan mim_labels.
  • itm_labels (torch.LongTensor dengan bentuk (batch_size, 1), opsional) — Label untuk menghitung loss pencocokan gambar-teks. 0 berarti pasangan tidak cocok dan 1 berarti cocok. Pasangan dengan nilai 0 juga akan dilewati dalam perhitungan loss MMM dan loss kontras global.
  • output_attentions (bool, opsional) — Apakah akan mengembalikan tensor attentions dari semua lapisan attention. Lihat attentions di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • output_hidden_states (bool, opsional, default True) — Apakah akan mengembalikan hidden states dari semua lapisan. Lihat hidden_states di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • return_dict (bool, opsional) — Apakah akan mengembalikan ModelOutput alih-alih tuple biasa.
  • return_loss (bool, opsional, default None) — Apakah akan mengembalikan loss yang dihitung atau tidak.

Mengembalikan

FlavaForPreTrainingOutput atau tuple(torch.Tensor)

FlavaForPreTrainingOutput atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

Metode forward dari FlavaForPreTraining menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • loss (torch.Tensor, opsional, dikembalikan saat return_loss bernilai True) — Total loss yang dihitung untuk model ini.
  • loss_info (~models.flava.modeling_flava.FlavaLosses, opsional) — Informasi detail untuk loss prapelatihan FLAVA. Periksa deskripsi kelas FlavaLosses untuk informasi tentang kunci-kuncinya.
  • image_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika pixel_values hadir) — Embedding gambar yang pada dasarnya adalah output terpool dari FlavaImageModel.
  • image_output (BaseModelOutputWithPooling, opsional, dikembalikan saat pixel_values ada) — Output dari FlavaImageModel.
  • text_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika input_ids hadir) — Embedding teks yang pada dasarnya adalah output ter-pool dari FlavaTextModel.
  • text_output (BaseModelOutputWithPooling, opsional, dikembalikan saat input_ids ada) — Output dari FlavaTextModel.
  • multimodal_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika input_ids dan pixel_values ada dan skip_unmasked_multimodal_encoder adalah None atau False) — Embedding multimodal yang pada dasarnya adalah output ter-pool dari FlavaTextModel.
  • multimodal_output (BaseModelOutputWithPooling, dikembalikan ketika input_ids dan pixel_values ada dan skip_unmasked_multimodal_encoder adalah None atau False) — Output dari FlavaMultimodalModel.
  • image_masked_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika pixel_values ada) — Embedding gambar yang pada dasarnya adalah output terpool dari FlavaImageModel. Menggunakan bool_masked_pos untuk membuat gambar yang dimasker.
  • image_masked_output (BaseModelOutputWithPooling, opsional, dikembalikan saat pixel_values ada) — Output dari FlavaImageModel. Menggunakan bool_masked_pos untuk membuat gambar yang dimasker.
  • text_masked_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan saat input_ids_masked hadir) — Embedding teks yang pada dasarnya adalah output terpool dari FlavaTextModel.
  • text_masked_output (BaseModelOutputWithPooling, opsional, dikembalikan saat input_ids_masked hadir) — Output dari FlavaTextModel.
  • multimodal_masked_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika input_ids dan pixel_values ada) — Embedding multimodal yang pada dasarnya adalah output terpool dari FlavaTextModel.
  • multimodal_masked_output (BaseModelOutputWithPooling, opsional, dikembalikan saat input_ids_masked dan pixel_values ada) — Output dari FlavaMultimodalModel.
  • mim_logits (torch.Tensor dengan bentuk (batch_size, num_image_patches, image_vocab_size) atau dengan bentuk (total_masked_patches, image_vocab_size) , opsional, dikembalikan ketika pixel_values hadir dan input_ids_masked tidak) — Logits untuk kerugian unimodal MIM. Menggunakan bool_masked_pos untuk mendapatkan patch yang dimasker. Output yang diratakan dikembalikan ketika bool_masked_pos memiliki beberapa patch yang dimasker.
  • mlm_logits (torch.Tensor dengan bentuk (batch_size, text_seq_length, text_vocab_size) atau dengan bentuk (total_masked_seq_length, text_vocab_size), opsional, dikembalikan ketika input_ids_masked hadir dan pixel_values tidak) — Logits untuk kerugian unimodal MLM. Output yang diratakan dikembalikan ketika input_ids_masked memiliki beberapa token yang dimasker.
  • itm_logits (torch.Tensor dengan bentuk (batch_size, 2), opsional, dikembalikan ketika input_ids_masked dan pixel_values ada) — Logits untuk loss ITM. Perhatikan bahwa loss ITM dihitung pada pasangan yang di-mask dalam FLAVA.
  • contrastive_logits_per_image (torch.Tensor dengan bentuk (image_batch_size, text_batch_size)) — Skor produk titik berskala antara image_embeddings dan text_embeddings yang telah melewati lapisan image_projection dan text_projection FLAVA masing-masing. Ini mewakili skor kemiripan gambar-teks. Ini dihitung pada gambar dan teks yang tidak dimasker.
  • contrastive_logits_per_text (torch.Tensor dengan bentuk (text_batch_size, image_batch_size)) — Skor hasil perkalian titik berskala antara text_embeddings dan image_embeddings yang telah melewati lapisan text_projection dan image_projection FLAVA masing-masing. Ini dihitung pada gambar dan teks yang tidak dimasker.
  • mmm_image_logits (torch.Tensor dengan bentuk (batch_size, num_image_patches, image_vocab_size) atau bentuk(total_masked_patches, image_vocab_size), opsional, dikembalikan ketika pixel_values dan input_ids_masked hadir) — Logits untuk loss multimodal gambar MMM. Menggunakan bool_masked_pos untuk mendapatkan patch yang dimasker. Output yang diratakan dikembalikan ketika bool_masked_pos memiliki beberapa patch yang dimasker.
  • mmm_text_logits (torch.Tensor dengan bentuk (batch_size, text_seq_length, text_vocab_size) atau bentuk (total_masked_seq_length, text_vocab_size), opsional, dikembalikan ketika pixel_values dan input_ids_masked hadir) — Logits untuk loss multimodal teks MMM. Output yang diratakan dikembalikan ketika input_ids_masked memiliki beberapa token yang dimasker.

Contoh:

>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import FlavaForPreTraining, AutoProcessor

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> model = FlavaForPreTraining.from_pretrained("facebook/flava-full")
>>> processor = AutoProcessor.from_pretrained("facebook/flava-full")

>>> text = ["a photo of a cat"]

>>> inputs = processor(
...     images=[image],
...     text=text,
...     return_masks=True,
...     return_codebook_pixels=True,
...     padding=True,
...     max_length=77,
...     return_tensors="pt",
... )


>>> output = model(**inputs)

FlavaModel

kelas transformers.FlavaModel

< >

( config: FlavaConfig )

Parameter

  • config (FlavaConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model Flava polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Nonepixel_values: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Nonetoken_type_ids: typing.Optional[torch.Tensor] = Nonebool_masked_pos: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Noneimage_attention_mask: typing.Optional[torch.Tensor] = Noneskip_multimodal_encoder: bool | None = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool = Truereturn_dict: bool | None = None**kwargs ) → FlavaModelOutput or tuple(torch.Tensor)

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, image_num_patches + text_seq_len)) — Indeks token dari urutan input dalam kosakata. Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya. Apa itu input IDs?
  • pixel_values (torch.Tensor dengan bentuk (batch_size, num_channels, image_size, image_size), opsional) — Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan FlavaImageProcessor. Lihat FlavaImageProcessor.call() untuk detailnya (FlavaProcessor menggunakan FlavaImageProcessor untuk memproses gambar).
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • token_type_ids (torch.LongTensor dengan bentuk (batch_size, image_num_patches + text_seq_len), opsional) — Indeks token segmen untuk menunjukkan bagian pertama dan kedua dari input. Indeks dipilih dari [0, 1]:
  • bool_masked_pos (torch.BoolTensor dengan bentuk (batch_size, image_num_patches)) — Posisi yang dimasker secara boolean. Menunjukkan patch mana yang dimasker (1) dan mana yang tidak (0).
  • position_ids (torch.LongTensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].

    Apa itu ID posisi?

  • image_attention_mask (torch.Tensor dengan bentuk (batch_size, image_num_patches), opsional) — Mask untuk menghindari eksekusi attention pada nilai piksel padding untuk input gambar. Nilai mask dipilih dalam [0, 1]:
    • 1 untuk nilai piksel yang asli (yaitu, tidak dimasker),
    • 0 untuk nilai piksel yang merupakan padding (yaitu, masked).
  • skip_multimodal_encoder (*bool*, opsional) — Lewati semua perhitungan untuk encoder multimodal. Berguna jika encoding multimodal tidak akan digunakan.
  • output_attentions (bool, opsional) — Apakah akan mengembalikan tensor attentions dari semua lapisan attention. Lihat attentions di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • output_hidden_states (bool, opsional, default True) — Apakah akan mengembalikan hidden states dari semua lapisan. Lihat hidden_states di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • return_dict (bool, opsional) — Apakah akan mengembalikan ModelOutput alih-alih tuple biasa.

Mengembalikan

FlavaModelOutput atau tuple(torch.Tensor)

FlavaModelOutput atau tuple dari torch.Tensor (jika return_dict=False diteruskan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

Metode forward dari FlavaModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • image_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika pixel_values hadir) — Embedding gambar yang pada dasarnya adalah output terpool dari FlavaImageModel.
  • image_output (BaseModelOutputWithPooling, opsional, dikembalikan saat pixel_values ada) — Output dari FlavaImageModel.
  • text_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika input_ids hadir) — Embedding teks yang pada dasarnya adalah output ter-pool dari FlavaTextModel.
  • text_output (BaseModelOutputWithPooling, opsional, dikembalikan saat input_ids ada) — Output dari FlavaTextModel.
  • multimodal_embeddings (torch.Tensor dengan bentuk (batch_size, output_dim), opsional, dikembalikan ketika input_ids dan pixel_values ada dan skip_multimodal_encoder adalah None atau False) — Embedding multimodal yang pada dasarnya adalah output ter-pool dari FlavaTextModel.
  • multimodal_output (BaseModelOutputWithPooling, dikembalikan ketika input_ids dan pixel_values ada dan skip_multimodal_encoder adalah None atau False) — Output dari FlavaMultimodalModel.

Contoh:

>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import AutoProcessor, FlavaModel

>>> model = FlavaModel.from_pretrained("facebook/flava-full")
>>> processor = AutoProcessor.from_pretrained("facebook/flava-full")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> inputs = processor(text=["a photo of a cat"], images=image, return_tensors="pt", padding=True)

>>> outputs = model(**inputs)

>>> image_embeddings = outputs.image_embeddings
>>> text_embeddings = outputs.text_embeddings
>>> multimodal_embeddings = outputs.multimodal_embeddings

>>> outputs.image_embeddings.shape
torch.Size([1, 197, 768])

>>> text_embeddings.shape
torch.Size([1, 7, 768])

>>> multimodal_embeddings.shape
torch.Size([1, 205, 768])

get_text_features

< >

( input_ids: Tensorattention_mask: typing.Optional[torch.Tensor] = Nonetoken_type_ids: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_length)) — Indeks token dari urutan input dalam kosakata. Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya. Apa itu input IDs?
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • token_type_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_length), opsional) — Indeks token segmen untuk menunjukkan bagian pertama dan kedua dari input. Indeks dipilih dari [0, 1]:
  • position_ids (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].

    Apa itu ID posisi?

Mengembalikan

BaseModelOutputWithPooling atau tuple(torch.Tensor)

A BaseModelOutputWithPooling atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

  • pooler_output (torch.Tensor dengan bentuk (batch_size, hidden_size)) — Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

Contoh:

>>> import torch
>>> from transformers import AutoProcessor, FlavaModel

>>> model = FlavaModel.from_pretrained("{0}")
>>> processor = AutoProcessor.from_pretrained("{0}")

>>> inputs = processor(
...     text=["a photo of a cat", "a photo of a dog"], max_length=77, padding="max_length", return_tensors="pt"
... )
>>> with torch.inference_mode():
...     text_features = model.get_text_features(**inputs)

get_image_features

< >

( pixel_values: Tensorbool_masked_pos: typing.Optional[torch.BoolTensor] = Noneinterpolate_pos_encoding: bool | None = Noneattention_mask: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parameter

  • pixel_values (torch.Tensor dengan bentuk (batch_size, num_channels, image_size, image_size)) — Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan FlavaImageProcessor. Lihat FlavaImageProcessor.call() untuk detailnya (FlavaProcessor menggunakan FlavaImageProcessor untuk memproses gambar).
  • bool_masked_pos (torch.BoolTensor dengan bentuk (batch_size, image_num_patches)) — Posisi yang dimasker secara boolean. Menunjukkan patch mana yang dimasker (1) dan mana yang tidak (0).
  • interpolate_pos_encoding (bool, opsional) — Apakah akan menginterpolasi encoding posisi yang telah dilatih sebelumnya.
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

Mengembalikan

BaseModelOutputWithPooling atau tuple(torch.Tensor)

A BaseModelOutputWithPooling atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

  • pooler_output (torch.Tensor dengan bentuk (batch_size, hidden_size)) — Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

Contoh:

>>> import torch
>>> from transformers import AutoProcessor, FlavaModel
>>> from transformers.image_utils import load_image

>>> model = FlavaModel.from_pretrained("{0}")
>>> processor = AutoProcessor.from_pretrained("{0}")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = load_image(url)

>>> inputs = processor(images=image, return_tensors="pt")

>>> with torch.inference_mode():
...     image_features = model.get_image_features(**inputs)

FlavaImageCodebook

kelas transformers.FlavaImageCodebook

< >

( config: FlavaImageCodebookConfig**kwargs: Any )

Parameter

  • config (FlavaImageCodebookConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.

Model codebook gambar FLAVA terinspirasi dari encoder asli DALL-E. Menghasilkan hidden states mentah dan dapat digunakan untuk menghasilkan token gambar untuk sebuah gambar berdasarkan vocab DALL-E. Digunakan untuk menghasilkan label untuk MIM. Gunakan get_codebook_indices untuk mendapatkan token gambar untuk sebuah gambar.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( pixel_values: Tensor**kwargs )

get_codebook_indices

< >

( pixel_values: Tensor )

get_codebook_probs

< >

( pixel_values: Tensor )

FlavaTextModel

kelas transformers.FlavaTextModel

< >

( config: FlavaTextConfigadd_pooling_layer: bool = True )

Parameter

  • config (FlavaTextConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.
  • add_pooling_layer (bool, opsional, default True) — Apakah akan menambahkan lapisan pooling

Model Teks Flava polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( input_ids: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Nonetoken_type_ids: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.Tensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parameter

  • input_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_length)) — Indeks token dari urutan input dalam kosakata. Indeks dapat diperoleh menggunakan AutoTokenizer. Lihat PreTrainedTokenizer.encode() dan PreTrainedTokenizer.call() untuk detailnya. Apa itu input IDs?
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • token_type_ids (torch.LongTensor dengan bentuk (batch_size, text_seq_length), opsional) — Indeks token segmen untuk menunjukkan bagian pertama dan kedua dari input. Indeks dipilih dari [0, 1]:
  • position_ids (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Indeks posisi token dari setiap urutan input dalam position embeddings. Dipilih dalam rentang [0, config.n_positions - 1].

    Apa itu ID posisi?

  • output_attentions (bool, opsional) — Apakah akan mengembalikan tensor attentions dari semua lapisan attention. Lihat attentions di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • output_hidden_states (bool, opsional) — Apakah akan mengembalikan hidden states dari semua lapisan. Lihat hidden_states di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • return_dict (bool, opsional) — Apakah akan mengembalikan ModelOutput alih-alih tuple biasa.

Mengembalikan

BaseModelOutputWithPooling atau tuple(torch.Tensor)

A BaseModelOutputWithPooling atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

Metode forward dari FlavaTextModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

  • pooler_output (torch.Tensor dengan bentuk (batch_size, hidden_size)) — Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

FlavaImageModel

kelas transformers.FlavaImageModel

< >

( config: FlavaImageConfigadd_pooling_layer: bool = True )

Parameter

  • config (FlavaImageConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.
  • add_pooling_layer (bool, opsional, default True) — Apakah akan menambahkan lapisan pooling

Model Flava polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( pixel_values: typing.Optional[torch.Tensor] = Nonebool_masked_pos: typing.Optional[torch.BoolTensor] = Noneinterpolate_pos_encoding: bool | None = Noneattention_mask: typing.Optional[torch.Tensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parameter

  • pixel_values (torch.Tensor dengan bentuk (batch_size, num_channels, image_size, image_size), opsional) — Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan FlavaImageProcessor. Lihat FlavaImageProcessor.call() untuk detailnya (FlavaProcessor menggunakan FlavaImageProcessor untuk memproses gambar).
  • bool_masked_pos (torch.BoolTensor dengan bentuk (batch_size, image_num_patches)) — Posisi yang dimasker secara boolean. Menunjukkan patch mana yang dimasker (1) dan mana yang tidak (0).
  • interpolate_pos_encoding (bool, opsional) — Apakah akan menginterpolasi encoding posisi yang telah dilatih sebelumnya.
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • output_attentions (bool, opsional) — Apakah akan mengembalikan tensor attentions dari semua lapisan attention. Lihat attentions di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • output_hidden_states (bool, opsional) — Apakah akan mengembalikan hidden states dari semua lapisan. Lihat hidden_states di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • return_dict (bool, opsional) — Apakah akan mengembalikan ModelOutput alih-alih tuple biasa.

Mengembalikan

BaseModelOutputWithPooling atau tuple(torch.Tensor)

A BaseModelOutputWithPooling atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

Metode forward dari FlavaImageModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

  • pooler_output (torch.Tensor dengan bentuk (batch_size, hidden_size)) — Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

FlavaMultimodalModel

kelas transformers.FlavaMultimodalModel

< >

( config: FlavaMultimodalConfigadd_pooling_layer = True )

Parameter

  • config (FlavaMultimodalConfig) — Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode from_pretrained() untuk memuat bobot model.
  • add_pooling_layer (bool, opsional, default True) — Apakah akan menambahkan lapisan pooling

Model Flava polos yang menghasilkan hidden-states mentah tanpa head spesifik di atasnya.

Model ini mewarisi dari PreTrainedModel. Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran embedding input, memangkas kepala, dll.)

Model ini juga merupakan subclass dari torch.nn.Module PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum.

forward

< >

( hidden_states: Tensorattention_mask: typing.Optional[torch.Tensor] = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parameter

  • hidden_states (torch.Tensor dengan bentuk (batch_size, image_num_patches + text_seq_len, hidden_size)) — Hidden states yang digabungkan dari encoder unimodal.
  • attention_mask (torch.Tensor dengan bentuk (batch_size, sequence_length), opsional) — Mask untuk menghindari eksekusi attention pada indeks token padding. Nilai mask dipilih dari [0, 1]:
    • 1 untuk token yang tidak dimasker,
    • 0 untuk token yang dimasker.

    Apa itu attention mask?

  • output_attentions (bool, opsional) — Apakah akan mengembalikan tensor attentions dari semua lapisan attention. Lihat attentions di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • output_hidden_states (bool, opsional) — Apakah akan mengembalikan hidden states dari semua lapisan. Lihat hidden_states di bawah tensor yang dikembalikan untuk detail lebih lanjut.
  • return_dict (bool, opsional) — Apakah akan mengembalikan ModelOutput alih-alih tuple biasa.

Mengembalikan

BaseModelOutputWithPooling atau tuple(torch.Tensor)

A BaseModelOutputWithPooling atau tuple dari torch.Tensor (jika return_dict=False dilewatkan atau ketika config.return_dict=False) yang terdiri dari berbagai elemen tergantung pada konfigurasi (FlavaConfig) dan input.

Metode forward dari FlavaMultimodalModel menimpa metode khusus __call__.

Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance Module setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam.

  • last_hidden_state (torch.Tensor dengan bentuk (batch_size, sequence_length, hidden_size)) — Urutan hidden-states pada keluaran lapisan terakhir model.

  • pooler_output (torch.Tensor dengan bentuk (batch_size, hidden_size)) — Hidden-state lapisan terakhir dari token pertama dalam urutan (token klasifikasi) setelah diproses lebih lanjut melalui lapisan yang digunakan untuk tugas pra-pelatihan tambahan. Misalnya, untuk keluarga model BERT, ini mengembalikan token klasifikasi setelah diproses melalui lapisan linear dan fungsi aktivasi tanh. Bobot lapisan linear dilatih dari tujuan prediksi kalimat berikutnya (klasifikasi) selama pra-pelatihan.

  • hidden_states (tuple(torch.Tensor), opsional, dikembalikan saat output_hidden_states=True dilewatkan atau saat config.output_hidden_states=True) — Tuple dari torch.Tensor (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk (batch_size, sequence_length, hidden_size).

    Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional.

  • attentions (tuple(torch.Tensor), opsional, dikembalikan saat output_attentions=True dilewatkan atau saat config.output_attentions=True) — Tuple dari torch.Tensor (satu untuk setiap layer) dengan bentuk (batch_size, num_heads, sequence_length, sequence_length).

    Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala perhatian diri (self-attention).

Update on GitHub

←FastVLM Florence2→