Transformers

( text_config = None vision_config = None projection_dim = 640 temperature_init_value = 1.0 initializer_range = 0.02 **kwargs )

引數

text_config (dict, 可選) — 用於初始化 AlignTextConfig 的配置選項字典。
vision_config (dict, 可選) — 用於初始化 AlignVisionConfig 的配置選項字典。
projection_dim (int, 可選, 預設為 640) — 文字和視覺投影層的維度。
temperature_init_value (float, 可選, 預設為 1.0) — *溫度* 引數的初始值。預設值與原始 ALIGN 實現中的一致。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。
kwargs (可選) — 關鍵字引數字典。

AlignConfig 是用於儲存 AlignModel 配置的配置類。它用於根據指定的引數例項化 ALIGN 模型，定義文字模型和視覺模型配置。使用預設值例項化配置將生成與 ALIGN kakaobrain/align-base 架構類似的配置。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請閱讀 PretrainedConfig 的文件。

示例

>>> from transformers import AlignConfig, AlignModel

>>> # Initializing a AlignConfig with kakaobrain/align-base style configuration
>>> configuration = AlignConfig()

>>> # Initializing a AlignModel (with random weights) from the kakaobrain/align-base style configuration
>>> model = AlignModel(configuration)

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

>>> # We can also initialize a AlignConfig from a AlignTextConfig and a AlignVisionConfig
>>> from transformers import AlignTextConfig, AlignVisionConfig

>>> # Initializing ALIGN Text and Vision configurations
>>> config_text = AlignTextConfig()
>>> config_vision = AlignVisionConfig()

>>> config = AlignConfig.from_text_vision_configs(config_text, config_vision)

from_text_vision_configs

( text_config: AlignTextConfig vision_config: AlignVisionConfig **kwargs ) → AlignConfig

AlignConfig

一個配置物件的例項

從 Align 文字模型配置和 Align 視覺模型配置例項化 AlignConfig (或其派生類)。

AlignTextConfig

class transformers.AlignTextConfig

( vocab_size = 30522 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 512 type_vocab_size = 2 initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 0 position_embedding_type = 'absolute' use_cache = True **kwargs )

引數

vocab_size (int, 可選, 預設為 30522) — Align 文字模型的詞彙表大小。定義了呼叫 AlignTextModel 時傳入的 inputs_ids 可以表示的不同詞符的數量。
hidden_size (int, 可選, 預設為 768) — 編碼器層和池化層的維度。
num_hidden_layers (int, 可選, 預設為 12) — Transformer 編碼器中的隱藏層數量。
num_attention_heads (int, 可選, 預設為 12) — Transformer 編碼器中每個注意力層的注意力頭數量。
intermediate_size (int, 可選, 預設為 3072) — Transformer 編碼器中“中間”（通常稱為前饋）層的維度。
hidden_act (str 或 Callable, 可選, 預設為 "gelu") — 編碼器和池化器中的非線性啟用函式（函式或字串）。如果是字串，支援 "gelu", "relu", "silu" 和 "gelu_new"。
hidden_dropout_prob (float, 可選, 預設為 0.1) — 嵌入、編碼器和池化器中所有全連線層的丟棄機率。
attention_probs_dropout_prob (float, 可選, 預設為 0.1) — 注意力機率的丟棄比率。
max_position_embeddings (int, 可選, 預設為 512) — 此模型可能使用的最大序列長度。通常設定為較大值以防萬一（例如，512、1024 或 2048）。
type_vocab_size (int, 可選, 預設為 2) — 呼叫 AlignTextModel 時傳入的 token_type_ids 的詞彙表大小。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。
layer_norm_eps (float, 可選, 預設為 1e-12) — 層歸一化層使用的 epsilon。
pad_token_id (int, 可選, 預設為 0) — 填充詞符 ID。
position_embedding_type (str, 可選, 預設為 "absolute") — 位置嵌入的型別。選擇 "absolute", "relative_key", "relative_key_query" 之一。對於位置嵌入，使用 "absolute"。有關 "relative_key" 的更多資訊，請參閱 Self-Attention with Relative Position Representations (Shaw et al.)。有關 "relative_key_query" 的更多資訊，請參閱 Improve Transformer Models with Better Relative Position Embeddings (Huang et al.) 中的 *方法 4*。
use_cache (bool, 可選, 預設為 True) — 模型是否應返回最後的鍵/值注意力（並非所有模型都使用）。僅當 config.is_decoder=True 時相關。

這是用於儲存 AlignTextModel 配置的配置類。它用於根據指定的引數例項化 ALIGN 文字編碼器，定義模型架構。使用預設值例項化配置將生成與 ALIGN kakaobrain/align-base 架構的文字編碼器類似的配置。這裡的預設值複製自 BERT。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請閱讀 PretrainedConfig 的文件。

示例

>>> from transformers import AlignTextConfig, AlignTextModel

>>> # Initializing a AlignTextConfig with kakaobrain/align-base style configuration
>>> configuration = AlignTextConfig()

>>> # Initializing a AlignTextModel (with random weights) from the kakaobrain/align-base style configuration
>>> model = AlignTextModel(configuration)

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

AlignVisionConfig

class transformers.AlignVisionConfig

( num_channels: int = 3 image_size: int = 600 width_coefficient: float = 2.0 depth_coefficient: float = 3.1 depth_divisor: int = 8 kernel_sizes: list = [3, 3, 5, 3, 5, 5, 3] in_channels: list = [32, 16, 24, 40, 80, 112, 192] out_channels: list = [16, 24, 40, 80, 112, 192, 320] depthwise_padding: list = [] strides: list = [1, 2, 2, 2, 1, 2, 1] num_block_repeats: list = [1, 2, 2, 3, 3, 4, 1] expand_ratios: list = [1, 6, 6, 6, 6, 6, 6] squeeze_expansion_ratio: float = 0.25 hidden_act: str = 'swish' hidden_dim: int = 2560 pooling_type: str = 'mean' initializer_range: float = 0.02 batch_norm_eps: float = 0.001 batch_norm_momentum: float = 0.99 drop_connect_rate: float = 0.2 **kwargs )

引數

num_channels (int, 可選, 預設為 3) — 輸入通道的數量。
image_size (int, 可選, 預設為 600) — 輸入影像大小。
width_coefficient (float, 可選, 預設為 2.0) — 每個階段網路寬度的縮放係數。
depth_coefficient (float, 可選, 預設為 3.1) — 每個階段網路深度的縮放係數。
depth_divisor int, 可選, 預設為 8) — 網路寬度的單位。
kernel_sizes (list[int], 可選, 預設為 [3, 3, 5, 3, 5, 5, 3]) — 每個塊中使用的核大小列表。
in_channels (list[int], 可選, 預設為 [32, 16, 24, 40, 80, 112, 192]) — 卷積層在每個塊中使用的輸入通道大小列表。
out_channels (list[int], 可選, 預設為 [16, 24, 40, 80, 112, 192, 320]) — 卷積層在每個塊中使用的輸出通道大小列表。
depthwise_padding (list[int], 可選, 預設為 []) — 帶有方形填充的塊索引列表。
strides (list[int], 可選, 預設為 [1, 2, 2, 2, 1, 2, 1]) — 卷積層在每個塊中使用的步幅大小列表。
num_block_repeats (list[int], 可選, 預設為 [1, 2, 2, 3, 3, 4, 1]) — 每個塊重複的次數列表。
expand_ratios (list[int], 可選, 預設為 [1, 6, 6, 6, 6, 6, 6]) — 每個塊的縮放係數列表。
squeeze_expansion_ratio (float, 可選, 預設為 0.25) — 壓縮擴充套件比。
hidden_act (str 或 function, 可選, 預設為 "silu") — 每個塊中的非線性啟用函式（函式或字串）。如果為字串，支援 "gelu", "relu", "selu", "gelu_new", "silu" 和 "mish"。
hidden_dim (int, 可選, 預設為 1280) — 分類頭之前的層的隱藏維度。
pooling_type (str 或 function, 可選, 預設為 "mean") — 在密集分類頭之前應用的最終池化型別。可用選項為 [`"mean"`, `"max"`]。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的截斷正態初始化器的標準差。
batch_norm_eps (float, 可選, 預設為 1e-3) — 批次歸一化層使用的 epsilon。
batch_norm_momentum (float, 可選, 預設為 0.99) — 批次歸一化層使用的動量。
drop_connect_rate (float, 可選, 預設為 0.2) — 跳過連線的丟棄率。

這是一個配置類，用於儲存 AlignVisionModel 的配置。它用於根據指定的引數例項化 ALIGN 視覺編碼器，定義模型架構。使用預設值例項化配置將生成與 ALIGN kakaobrain/align-base 架構的視覺編碼器類似的配置。預設值複製自 EfficientNet (efficientnet-b7)

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請閱讀 PretrainedConfig 的文件。

示例

>>> from transformers import AlignVisionConfig, AlignVisionModel

>>> # Initializing a AlignVisionConfig with kakaobrain/align-base style configuration
>>> configuration = AlignVisionConfig()

>>> # Initializing a AlignVisionModel (with random weights) from the kakaobrain/align-base style configuration
>>> model = AlignVisionModel(configuration)

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

AlignProcessor

class transformers.AlignProcessor

( image_processor tokenizer )

引數

image_processor (EfficientNetImageProcessor) — 影像處理器是必需的輸入。
tokenizer ([BertTokenizer, BertTokenizerFast]) — 分詞器是必需的輸入。

構建一個 ALIGN 處理器，它將 EfficientNetImageProcessor 和 BertTokenizer/BertTokenizerFast 封裝成一個單一的處理器，該處理器繼承了影像處理器和分詞器功能。有關更多資訊，請參閱 __call__() 和 decode()。傳遞 kwargs 的首選方式是每個模態一個字典，請參閱下面的用法示例。

from transformers import AlignProcessor
from PIL import Image
model_id = "kakaobrain/align-base"
processor = AlignProcessor.from_pretrained(model_id)

processor(
    images=your_pil_image,
    text=["What is that?"],
    images_kwargs = {"crop_size": {"height": 224, "width": 224}},
    text_kwargs = {"padding": "do_not_pad"},
    common_kwargs = {"return_tensors": "pt"},
)

batch_decode

( *args **kwargs )

此方法將其所有引數轉發至 BertTokenizerFast 的 batch_decode()。有關更多資訊，請參閱此方法的文件字串。

decode

( *args **kwargs )

此方法將其所有引數轉發給 BertTokenizerFast 的 decode()。請參閱此方法的文件字串以獲取更多資訊。

AlignModel

class transformers.AlignModel

( config: AlignConfig )

引數

config (AlignConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型關聯的權重，只會載入配置。要載入模型權重，請檢視 from_pretrained() 方法。

裸 Align 模型，輸出原始隱藏狀態，頂部沒有任何特定頭部。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其用作常規 PyTorch 模組，並參考 PyTorch 文件中有關一般用法和行為的所有內容。

forward

( input_ids: typing.Optional[torch.LongTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None return_loss: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.align.modeling_align.AlignOutput 或 tuple(torch.FloatTensor)

引數

input_ids (torch.LongTensor 形狀為 (batch_size, sequence_length), 可選) — 詞彙表中輸入序列 token 的索引。預設情況下會忽略填充。

可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是輸入 ID？
pixel_values (torch.FloatTensor 形狀為 (batch_size, num_channels, image_size, image_size), 可選) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲取。有關詳細資訊，請參閱 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
attention_mask (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 用於避免對填充 token 索引執行注意力的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示 token 未被掩蓋，
- 0 表示 token 已被掩蓋。
什麼是注意力掩碼？
token_type_ids (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 段落 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：
- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
什麼是 token 型別 ID？
position_ids (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 每個輸入序列 token 在位置嵌入中的位置索引。在 [0, config.n_positions - 1] 範圍內選擇。

什麼是位置 ID？
head_mask (torch.Tensor 形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示頭部未被掩蓋，
- 0 表示頭部已被掩蓋。
inputs_embeds (torch.Tensor 形狀為 (batch_size, sequence_length, hidden_size), 可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想對如何將 input_ids 索引轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，這很有用。
return_loss (bool, 可選) — 是否返回對比損失。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool, 可選) — 是否返回 ModelOutput 而不是純元組。

transformers.models.align.modeling_align.AlignOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.align.modeling_align.AlignOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False 時），包含根據配置（AlignConfig）和輸入的不同元素。

loss (torch.FloatTensor，形狀為 (1,), 可選, 當 return_loss 為 True 時返回) — 影像-文字相似度的對比損失。
logits_per_image (torch.FloatTensor 形狀為 (image_batch_size, text_batch_size)) — image_embeds 和 text_embeds 之間的縮放點積分數。這表示影像-文字相似性分數。
logits_per_text (torch.FloatTensor 形狀為 (text_batch_size, image_batch_size)) — text_embeds 和 image_embeds 之間的縮放點積分數。這表示文字-影像相似性分數。
text_embeds (torch.FloatTensor 形狀為 (batch_size, output_dim) — 透過將投影層應用於 AlignTextModel 的池化輸出而獲得的文字嵌入。
image_embeds (torch.FloatTensor 形狀為 (batch_size, output_dim) — AlignVisionModel 的輸出。
text_model_output (<class '~modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions'>.text_model_output, 預設為 None) — AlignTextModel 的輸出。
vision_model_output (<class '~modeling_outputs.BaseModelOutputWithPoolingAndNoAttention'>.vision_model_output, 預設為 None) — AlignVisionModel 的輸出。

AlignModel 的前向方法，覆蓋了 __call__ 特殊方法。

雖然前向傳播的配方需要在該函式中定義，但此後應呼叫 Module 例項，而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默忽略它們。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, AlignModel

>>> model = AlignModel.from_pretrained("kakaobrain/align-base")
>>> processor = AutoProcessor.from_pretrained("kakaobrain/align-base")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

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

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

get_text_features

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → text_features (torch.FloatTensor 形狀為 (batch_size, output_dim)

引數

input_ids (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 詞彙表中輸入序列 token 的索引。預設情況下會忽略填充。

可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是輸入 ID？
attention_mask (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 用於避免對填充 token 索引執行注意力的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示 token 未被掩蓋，
- 0 表示 token 已被掩蓋。
什麼是注意力掩碼？
token_type_ids (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 段落 token 索引，用於指示輸入的第一個和第二個部分。索引在 [0, 1] 中選擇：
- 0 對應於 句子 A token，
- 1 對應於 句子 B token。
什麼是 token 型別 ID？
position_ids (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 每個輸入序列 token 在位置嵌入中的位置索引。在 [0, config.n_positions - 1] 範圍內選擇。

什麼是位置 ID？
head_mask (torch.Tensor 形狀為 (num_heads,) 或 (num_layers, num_heads), 可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值在 [0, 1] 中選擇：
- 1 表示頭部未被掩蓋，
- 0 表示頭部已被掩蓋。
inputs_embeds (torch.Tensor 形狀為 (batch_size, sequence_length, hidden_size), 可選) — 可選地，你可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果你想對如何將 input_ids 索引轉換為關聯向量有比模型內部嵌入查詢矩陣更多的控制，這很有用。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool, optional) — 是否返回一個 ModelOutput 物件而不是一個普通元組。

text_features (torch.FloatTensor, 形狀為 (batch_size, output_dim)

透過將投影層應用於 AlignTextModel 的池化輸出而獲得的文字嵌入。

示例

>>> from transformers import AutoTokenizer, AlignModel

>>> model = AlignModel.from_pretrained("kakaobrain/align-base")
>>> tokenizer = AutoTokenizer.from_pretrained("kakaobrain/align-base")

>>> inputs = tokenizer(["a photo of a cat", "a photo of a dog"], padding=True, return_tensors="pt")
>>> text_features = model.get_text_features(**inputs)

get_image_features

( pixel_values: typing.Optional[torch.FloatTensor] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → image_features (torch.FloatTensor of shape (batch_size, output_dim)

引數

pixel_values (torch.FloatTensor of shape (batch_size, num_channels, image_size, image_size), optional) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲取。有關詳細資訊，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
output_hidden_states (bool, optional) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的 hidden_states。
return_dict (bool, optional) — 是否返回一個 ModelOutput 物件而不是一個普通元組。

image_features (torch.FloatTensor, 形狀為 (batch_size, output_dim)

透過將投影層應用於 AlignVisionModel 的池化輸出而獲得的影像嵌入。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, AlignModel

>>> model = AlignModel.from_pretrained("kakaobrain/align-base")
>>> processor = AutoProcessor.from_pretrained("kakaobrain/align-base")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

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

>>> image_features = model.get_image_features(**inputs)

AlignTextModel

class transformers.AlignTextModel

( config: AlignTextConfig add_pooling_layer: bool = True )

引數

config (AlignTextConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，僅載入配置。請檢視 from_pretrained() 方法來載入模型權重。
add_pooling_layer (bool, optional, 預設為 True) — 是否新增池化層

沒有頭部或投影層的 ALIGN 文字模型。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其用作常規 PyTorch 模組，並參考 PyTorch 文件中有關一般用法和行為的所有內容。

forward

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions or tuple(torch.FloatTensor)

引數

input_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — 輸入序列標記在詞彙表中的索引。預設情況下將忽略填充。

索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參見 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是輸入 ID？
attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示未被掩蓋的標記，
- 0 表示被掩蓋的標記。
什麼是注意力掩碼？
token_type_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — 分段標記索引，用於指示輸入的第一個和第二個部分。索引選擇在 [0, 1] 之間：
- 0 對應於*句子 A* 標記，
- 1 對應於*句子 B* 標記。
什麼是標記型別 ID？
position_ids (torch.Tensor of shape (batch_size, sequence_length), optional) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為 [0, config.n_positions - 1]。

什麼是位置 ID？
head_mask (torch.Tensor of shape (num_heads,) or (num_layers, num_heads), optional) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示頭部未被掩蓋，
- 0 表示頭部被掩蓋。
inputs_embeds (torch.Tensor of shape (batch_size, sequence_length, hidden_size), optional) — 可選地，除了傳遞 input_ids 之外，您還可以選擇直接傳遞嵌入表示。如果您希望對如何將 input_ids 索引轉換為關聯向量（而不是模型的內部嵌入查詢矩陣）有更多控制，這會很有用。
output_attentions (bool, optional) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量中的 attentions。
output_hidden_states (bool, optional) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的 hidden_states。
return_dict (bool, optional) — 是否返回一個 ModelOutput 物件而不是一個普通元組。

transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)

一個 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或當 config.return_dict=False 時），包含根據配置 (AlignConfig) 和輸入的不同元素。

last_hidden_state (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。
pooler_output (torch.FloatTensor of shape (batch_size, hidden_size)) — 序列中第一個標記（分類標記）的最後一層隱藏狀態，經過用於輔助預訓練任務的層進一步處理。例如，對於 BERT 家族的模型，這返回經過線性層和 tanh 啟用函式處理後的分類標記。線性層權重在預訓練期間透過下一個句子預測（分類）目標進行訓練。
hidden_states (tuple(torch.FloatTensor), optional, 當傳遞 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則一個用於嵌入層的輸出，加上一個用於每個層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor), optional, 當傳遞 output_attentions=True 或當 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
cross_attentions (tuple(torch.FloatTensor), optional, 當傳遞 output_attentions=True 和 config.add_cross_attention=True 或當 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

解碼器交叉注意力層的注意力權重，在注意力 softmax 之後，用於計算交叉注意力頭中的加權平均。
past_key_values (Cache, optional, 當傳遞 use_cache=True 或當 config.use_cache=True 時返回) — 這是一個 Cache 例項。有關更多詳細資訊，請參閱我們的 kv 快取指南。

包含預計算的隱藏狀態（自注意力塊中的鍵和值，如果 config.is_encoder_decoder=True，則可選地在交叉注意力塊中），可用於（參見 past_key_values 輸入）加速順序解碼。

AlignTextModel 前向方法，覆蓋了 __call__ 特殊方法。

示例

>>> from transformers import AutoTokenizer, AlignTextModel

>>> model = AlignTextModel.from_pretrained("kakaobrain/align-base")
>>> tokenizer = AutoTokenizer.from_pretrained("kakaobrain/align-base")

>>> inputs = tokenizer(["a photo of a cat", "a photo of a dog"], padding=True, return_tensors="pt")

>>> outputs = model(**inputs)
>>> last_hidden_state = outputs.last_hidden_state
>>> pooled_output = outputs.pooler_output  # pooled (EOS token) states

AlignVisionModel

class transformers.AlignVisionModel

( config: AlignVisionConfig )

引數

config (AlignVisionConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，僅載入配置。請檢視 from_pretrained() 方法來載入模型權重。

沒有頭部或投影層的 ALIGN 視覺模型。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的通用方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其用作常規 PyTorch 模組，並參考 PyTorch 文件中有關一般用法和行為的所有內容。

forward