Transformers

( vision_config = None qformer_config = None text_config = None num_query_tokens = 32 image_text_hidden_size = 256 image_token_index = None **kwargs )

引數

vision_config (dict, 可選) — 用於初始化 Blip2VisionConfig 的配置選項字典。
qformer_config (dict, 可選) — 用於初始化 Blip2QFormerConfig 的配置選項字典。
text_config (dict, 可選) — 用於初始化任何 PretrainedConfig 的配置選項字典。
num_query_tokens (int, 可選, 預設為 32) — 透過 Transformer 的查詢 token 數量。
image_text_hidden_size (int, 可選, 預設為 256) — 影像文字融合層的隱藏狀態維度。
image_token_index (int, 可選) — 特殊影像 token 的 token 索引。
kwargs (可選) — 關鍵字引數字典。

Blip2Config 是用於儲存 Blip2ForConditionalGeneration 配置的配置類。它用於根據指定引數例項化 BLIP-2 模型，定義視覺模型、Q-Former 模型和語言模型配置。使用預設值例項化配置將產生與 BLIP-2 Salesforce/blip2-opt-2.7b 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 (
...     Blip2VisionConfig,
...     Blip2QFormerConfig,
...     OPTConfig,
...     Blip2Config,
...     Blip2ForConditionalGeneration,
... )

>>> # Initializing a Blip2Config with Salesforce/blip2-opt-2.7b style configuration
>>> configuration = Blip2Config()

>>> # Initializing a Blip2ForConditionalGeneration (with random weights) from the Salesforce/blip2-opt-2.7b style configuration
>>> model = Blip2ForConditionalGeneration(configuration)

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

>>> # We can also initialize a Blip2Config from a Blip2VisionConfig, Blip2QFormerConfig and any PretrainedConfig

>>> # Initializing BLIP-2 vision, BLIP-2 Q-Former and language model configurations
>>> vision_config = Blip2VisionConfig()
>>> qformer_config = Blip2QFormerConfig()
>>> text_config = OPTConfig()

>>> config = Blip2Config.from_text_vision_configs(vision_config, qformer_config, text_config)

from_vision_qformer_text_configs

( vision_config: Blip2VisionConfig qformer_config: Blip2QFormerConfig text_config: typing.Optional[transformers.configuration_utils.PretrainedConfig] = None **kwargs ) → Blip2Config

引數

vision_config (dict) — 用於初始化 Blip2VisionConfig 的配置選項字典。
qformer_config (dict) — 用於初始化 Blip2QFormerConfig 的配置選項字典。
text_config (dict, 可選) — 用於初始化任何 PretrainedConfig 的配置選項字典。

Blip2Config

一個配置物件的例項

從 BLIP-2 視覺模型、Q-Former 和語言模型配置例項化 Blip2Config (或派生類)。

Blip2VisionConfig

class transformers.Blip2VisionConfig

( hidden_size = 1408 intermediate_size = 6144 num_hidden_layers = 39 num_attention_heads = 16 image_size = 224 patch_size = 14 hidden_act = 'gelu' layer_norm_eps = 1e-06 attention_dropout = 0.0 initializer_range = 1e-10 qkv_bias = True **kwargs )

引數

hidden_size (int, 可選, 預設為 1408) — 編碼器層和池化層的維度。
intermediate_size (int, 可選, 預設為 6144) — Transformer 編碼器中“中間”（即前饋）層的維度。
num_hidden_layers (int, 可選, 預設為 39) — Transformer 編碼器中的隱藏層數量。
num_attention_heads (int, 可選, 預設為 16) — Transformer 編碼器中每個注意力層的注意力頭數量。
image_size (int, 可選, 預設為 224) — 每張影像的大小（解析度）。
patch_size (int, 可選, 預設為 14) — 每個補丁的大小（解析度）。
hidden_act (str 或 function, 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）。如果為字串，支援 "gelu"、"relu"、"selu" 和 "gelu_new" "gelu"。layer_norm_eps (float, 可選, 預設為 1e-5): 層歸一化層使用的 epsilon。
attention_dropout (float, 可選, 預設為 0.0) — 注意力機率的 dropout 比率。
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。
qkv_bias (bool, 可選, 預設為 True) — 是否在自注意力層中為查詢和值新增偏差。

這是用於儲存 Blip2VisionModel 配置的配置類。它用於根據指定引數例項化 BLIP-2 視覺編碼器，定義模型架構。例項化預設配置將產生與 BLIP-2 Salesforce/blip2-opt-2.7b 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 Blip2VisionConfig, Blip2VisionModel

>>> # Initializing a Blip2VisionConfig with Salesforce/blip2-opt-2.7b style configuration
>>> configuration = Blip2VisionConfig()

>>> # Initializing a Blip2VisionModel (with random weights) from the Salesforce/blip2-opt-2.7b style configuration
>>> model = Blip2VisionModel(configuration)

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

Blip2QFormerConfig

class transformers.Blip2QFormerConfig

( 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 initializer_range = 0.02 layer_norm_eps = 1e-12 pad_token_id = 0 position_embedding_type = 'absolute' cross_attention_frequency = 2 encoder_hidden_size = 1408 use_qformer_text_input = False **kwargs )

引數

vocab_size (int, 可選, 預設為 30522) — Q-Former 模型的詞彙表大小。定義了呼叫模型時 inputs_ids 可以表示的不同 token 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）。如果為字串，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 dropout 機率。
attention_probs_dropout_prob (float, 可選, 預設為 0.1) — 注意力機率的 dropout 比率。
max_position_embeddings (int, 可選, 預設為 512) — 該模型可能使用的最大序列長度。通常為了以防萬一設定為較大值（例如 512 或 1024 或 2048）。
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, optional, defaults to 0) — 用於填充標記的索引。
position_embedding_type (str, optional, defaults to "absolute") — 位置嵌入的型別。選擇 "absolute"、"relative_key"、"relative_key_query" 之一。對於位置嵌入，請使用 "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*。
cross_attention_frequency (int, optional, defaults to 2) — 向 Transformer 層新增交叉注意的頻率。
encoder_hidden_size (int, optional, defaults to 1408) — 用於交叉注意的隱藏狀態的隱藏大小。
use_qformer_text_input (bool, optional, defaults to False) — 是否使用 BERT 風格的嵌入。

這是配置類，用於儲存 Blip2QFormerModel 的配置。它用於根據指定引數例項化 BLIP-2 查詢 Transformer (Q-Former) 模型，定義模型架構。使用預設值例項化配置將生成與 BLIP-2 Salesforce/blip2-opt-2.7b 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。

請注意，Blip2QFormerModel 與帶交錯交叉注意的 BertLMHeadModel 非常相似。

示例

>>> from transformers import Blip2QFormerConfig, Blip2QFormerModel

>>> # Initializing a BLIP-2 Salesforce/blip2-opt-2.7b style configuration
>>> configuration = Blip2QFormerConfig()

>>> # Initializing a model (with random weights) from the Salesforce/blip2-opt-2.7b style configuration
>>> model = Blip2QFormerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

Blip2Processor

class transformers.Blip2Processor

( image_processor tokenizer num_query_tokens = None **kwargs )

引數

image_processor (BlipImageProcessor) — BlipImageProcessor 的一個例項。影像處理器是必需輸入。
tokenizer (AutoTokenizer) — [‘PreTrainedTokenizer`] 的一個例項。分詞器是必需輸入。
num_query_tokens (int, optional) — Qformer 用作查詢的標記數，應與模型配置中的標記數相同。

構造一個 BLIP-2 處理器，它將 BLIP 影像處理器和 OPT/T5 分詞器包裝成一個單一的處理器。

BlipProcessor 提供 BlipImageProcessor 和 AutoTokenizer 的所有功能。有關更多資訊，請參閱 __call__() 和 decode() 的文件字串。

batch_decode

( *args **kwargs )

此方法將其所有引數轉發到 PreTrainedTokenizer 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 PreTrainedTokenizer 的 decode()。有關此方法的更多資訊，請參閱其文件字串。

Blip2VisionModel

class transformers.Blip2VisionModel

( config: Blip2VisionConfig )

引數

config (Blip2VisionConfig) — 包含模型所有引數的模型配置類。用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法以載入模型權重。

裸 Blip 2 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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( pixel_values: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None interpolate_pos_encoding: bool = False ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)

引數

pixel_values (形狀為 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor，可選) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲得。有關詳細資訊，請參閱 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
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 而不是普通的元組。
interpolate_pos_encoding (bool, defaults to False) — 是否插值預訓練的位置編碼。

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

一個 transformers.modeling_outputs.BaseModelOutputWithPooling 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置 (Blip2Config) 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 (形狀為 (batch_size, hidden_size) 的 torch.FloatTensor) — 經過用於輔助預訓練任務的層進一步處理後，序列的第一個標記（分類標記）的最後一層隱藏狀態。例如，對於 BERT 家族模型，這會在經過線性層和 tanh 啟用函式處理後返回分類標記。線性層權重在預訓練期間根據下一句預測（分類）目標進行訓練。
hidden_states (tuple(torch.FloatTensor), 可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個用於嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出一個）。

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), 可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每個層一個）。

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。

Blip2VisionModel 的 forward 方法，重寫了 __call__ 特殊方法。

儘管前向傳播的實現需要在該函式中定義，但之後應呼叫 Module 例項而不是直接呼叫此函式，因為前者負責執行預處理和後處理步驟，而後者會默默地忽略它們。

Blip2QFormerModel

class transformers.Blip2QFormerModel

( config: Blip2QFormerConfig )

引數

config (Blip2QFormerConfig) — 包含模型所有引數的模型配置類。用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法以載入模型權重。

BLIP-2 查詢 Transformer (Q-Former)。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( query_embeds: FloatTensor query_length: typing.Optional[int] = None attention_mask: typing.Optional[torch.FloatTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None encoder_hidden_states: typing.Optional[torch.FloatTensor] = None encoder_attention_mask: typing.Optional[torch.FloatTensor] = None past_key_values: typing.Optional[tuple[tuple[torch.FloatTensor]]] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 tuple(torch.FloatTensor)

引數

query_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor) — 用於注意力計算的隱藏狀態。如果是交叉注意力，將用於查詢（即，鍵和值將使用 encoder_hidden_states）。
query_length (int, 可選) — 查詢的長度，通常基於查詢標記的數量。如果未提供值，query_length 將由 query_embeds 推斷。
attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor，可選) — 遮罩，用於避免在填充標記索引上執行注意力。遮罩值選擇為 [0, 1]：
- 1 表示標記未被遮罩，
- 0 表示標記被遮罩。
什麼是注意力遮罩？
head_mask (形狀為 (num_heads,) 或 (num_layers, num_heads) 的 torch.FloatTensor，可選) — 用於使自注意力模組的選定頭部無效的遮罩。遮罩值選擇為 [0, 1]：
- 1 表示頭部未被遮罩，
- 0 表示頭部被遮罩。
encoder_hidden_states (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor，可選) — 編碼器最後一層輸出的隱藏狀態序列。如果模型配置為解碼器，則用於交叉注意力。
encoder_attention_mask (形狀為 (batch_size, sequence_length) 的 torch.FloatTensor，可選) — 用於避免在編碼器輸入填充標記索引上執行注意力的遮罩。如果模型配置為解碼器，則此遮罩在交叉注意力中使用。遮罩值選擇為 [0, 1]：
- 1 表示標記未被遮罩，
- 0 表示標記被遮罩。
past_key_values (tuple[tuple[torch.FloatTensor]], 可選) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速順序解碼。這通常包括模型在解碼上一階段返回的 past_key_values，當 use_cache=True 或 config.use_cache=True 時。

允許兩種格式：
- 一個 Cache 例項，請參閱我們的 kv 快取指南；
- 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量。這也被稱為傳統快取格式。
模型將輸出與輸入相同的快取格式。如果未傳入 past_key_values，將返回傳統快取格式。

如果使用 past_key_values，使用者可以選擇僅輸入最後一個 input_ids（那些沒有將過去的鍵值狀態提供給此模型的）形狀為 (batch_size, 1)，而不是所有 input_ids 形狀為 (batch_size, sequence_length)。
use_cache (bool, 可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，可用於加速解碼（參見 past_key_values）。
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 而不是普通的元組。

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

一個 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置 (Blip2Config) 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 (形狀為 (batch_size, hidden_size) 的 torch.FloatTensor) — 經過用於輔助預訓練任務的層進一步處理後，序列的第一個標記（分類標記）的最後一層隱藏狀態。例如，對於 BERT 家族模型，這會在經過線性層和 tanh 啟用函式處理後返回分類標記。線性層權重在預訓練期間根據下一句預測（分類）目標進行訓練。
hidden_states (tuple(torch.FloatTensor), 可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（一個用於嵌入層的輸出，如果模型有嵌入層，+ 每個層的輸出一個）。

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), 可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每個層一個）。

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), 可選, 當傳入 output_attentions=True 和 config.add_cross_attention=True 或 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 torch.FloatTensor 元組（每個層一個）。

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, 可選，當傳入 use_cache=True 或 config.use_cache=True 時返回) — 它是一個 Cache 例項。有關更多詳細資訊，請參閱我們的 kv 快取指南。

包含預先計算的隱藏狀態（自注意力塊和可選的交叉注意力塊中的鍵和值，如果 config.is_encoder_decoder=True），可用於加速順序解碼（參見 past_key_values 輸入）。

Blip2QFormerModel 的 forward 方法，重寫了 __call__ 特殊方法。

Blip2Model

class transformers.Blip2Model

( config: Blip2Config )

引數

config (Blip2Config) — 包含模型所有引數的模型配置類。用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法以載入模型權重。

用於生成文字和影像特徵的 BLIP-2 模型。該模型由視覺編碼器、查詢 Transformer (Q-Former) 和語言模型組成。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( pixel_values: FloatTensor input_ids: FloatTensor attention_mask: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None interpolate_pos_encoding: bool = False **kwargs: typing_extensions.Unpack[transformers.models.blip_2.modeling_blip_2.KwargsForCausalLM] ) → transformers.models.blip_2.modeling_blip_2.Blip2ForConditionalGenerationModelOutput 或 tuple(torch.FloatTensor)

引數

pixel_values (形狀為 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲得。有關詳細資訊，請參閱 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
input_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor，可選) — 語言模型詞彙表中輸入序列標記的索引。可以可選地提供輸入標記作為文字提示，語言模型可以繼續。

索引可以使用 Blip2Processor 獲得。有關詳細資訊，請參閱 Blip2Processor.__call__()。

什麼是輸入 ID？
attention_mask (形狀為 (batch_size, sequence_length) 的 torch.LongTensor，可選) — 遮罩，用於避免在填充標記索引上執行注意力。遮罩值選擇為 [0, 1]：
- 1 表示標記未被遮罩，
- 0 表示標記被遮罩。
什麼是注意力遮罩？
decoder_input_ids (形狀為 (batch_size, target_sequence_length) 的 torch.LongTensor，可選) — 解碼器輸入序列標記在詞彙表中的索引。

索引可以使用 AutoTokenizer 獲得。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.__call__()。

什麼是解碼器輸入 ID？
decoder_attention_mask (形狀為 (batch_size, target_sequence_length) 的 torch.BoolTensor，可選) — 預設行為：生成一個忽略 decoder_input_ids 中填充標記的張量。預設情況下也將使用因果遮罩。

僅當使用編碼器-解碼器語言模型（如 T5）時才相關。
output_attentions (bool, optional) — 是否返回所有注意力層的注意力張量。有關詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool, optional) — 是否返回所有層的隱藏狀態。有關詳細資訊，請參閱返回張量下的 hidden_states。
labels (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算遮罩語言模型損失的標籤。索引應為 [0, ..., config.vocab_size] 或 -100 (參見 input_ids 文件字串)。索引設定為 -100 的標記將被忽略（遮罩），損失僅針對標籤在 [0, ..., config.vocab_size] 中的標記計算。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通的元組。
interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。

transformers.models.blip_2.modeling_blip_2.Blip2ForConditionalGenerationModelOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.blip_2.modeling_blip_2.Blip2ForConditionalGenerationModelOutput 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 (Blip2Config) 和輸入而變化的各種元素。

loss (torch.FloatTensor, 可選, 當提供 labels 時返回, 形狀為 (1,) 的 torch.FloatTensor) — 語言模型的語言建模損失。
logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言模型的語言建模頭部預測分數。
vision_outputs (torch.FloatTensor, 可選, 預設為 None) — 視覺編碼器的輸出。
qformer_outputs (tuple[torch.FloatTensor], 可選, 預設為 None) — Q-Former（查詢 Transformer）的輸出。
language_model_outputs (CausalLMOutputWithPast 或 Seq2SeqLMOutput) — 語言模型的輸出。

Blip2Model 前向方法，覆蓋 __call__ 特殊方法。

示例

>>> from PIL import Image
>>> import requests
>>> from transformers import Blip2Processor, Blip2Model
>>> import torch

>>> device = "cuda" if torch.cuda.is_available() else "cpu"

>>> processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
>>> model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b", torch_dtype=torch.float16)
>>> model.to(device)
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> prompt = "Question: how many cats are there? Answer:"
>>> inputs = processor(images=image, text=prompt, return_tensors="pt").to(device, torch.float16)

>>> outputs = model(**inputs)

獲取文字特徵

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None decoder_input_ids: typing.Optional[torch.Tensor] = None decoder_attention_mask: typing.Optional[torch.Tensor] = None labels: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None **kwargs: typing_extensions.Unpack[transformers.models.blip_2.modeling_blip_2.KwargsForCausalLM] ) → text_outputs (CausalLMOutputWithPast, 或 tuple(torch.FloatTensor) 如果 return_dict=False)

引數

input_ids (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。預設情況下，填充將被忽略。

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) — 遮罩，用於避免在填充標記索引上執行注意力。遮罩值在 [0, 1] 中選擇：
- 1 表示**未遮罩**的標記，
- 0 表示**已遮罩**的標記。
什麼是注意力遮罩？
decoder_input_ids (torch.LongTensor，形狀為 (batch_size, target_sequence_length)，可選) — 詞彙表中解碼器輸入序列標記的索引。

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

什麼是解碼器輸入 ID？

T5 使用 pad_token_id 作為 decoder_input_ids 生成的起始標記。如果使用 past_key_values，可以選擇只輸入最後一個 decoder_input_ids（參見 past_key_values）。

要了解如何為預訓練準備 decoder_input_ids，請參閱 T5 訓練。
decoder_attention_mask (torch.BoolTensor，形狀為 (batch_size, target_sequence_length)，可選) — 預設行為：生成一個忽略 decoder_input_ids 中填充標記的張量。預設情況下也將使用因果遮罩。
labels (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算遮罩語言模型損失的標籤。索引應為 [0, ..., config.vocab_size] 或 -100 (參見 input_ids 文件字串)。索引設定為 -100 的標記將被忽略（遮罩），損失僅針對標籤在 [0, ..., config.vocab_size] 中的標記計算。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通的元組。

text_outputs (CausalLMOutputWithPast, 或 tuple(torch.FloatTensor) 如果 return_dict=False)

語言模型輸出。如果 return_dict=True，輸出將是 CausalLMOutputWithPast，其中包含語言模型邏輯、過去的鍵值以及如果 output_hidden_states=True 則包含隱藏狀態。

示例

>>> import torch
>>> from transformers import AutoTokenizer, Blip2Model

>>> model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b")

>>> tokenizer = AutoTokenizer.from_pretrained("Salesforce/blip2-opt-2.7b")
>>> inputs = tokenizer(["a photo of a cat"], padding=True, return_tensors="pt")
>>> text_features = model.get_text_features(**inputs)

獲取影像特徵

( pixel_values: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None interpolate_pos_encoding: bool = False ) → vision_outputs (BaseModelOutputWithPooling 或 torch.FloatTensor 元組)

引數

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）。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通的元組。
interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。

vision_outputs (BaseModelOutputWithPooling 或 torch.FloatTensor 元組)

視覺模型輸出。如果 return_dict=True，則輸出是一個 BaseModelOutputWithPooling，其中包含影像特徵、池化影像特徵，如果 output_hidden_states=True，則還包含隱藏狀態。

示例

>>> import torch
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Blip2Model

>>> model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b")

>>> processor = AutoProcessor.from_pretrained("Salesforce/blip2-opt-2.7b")
>>> 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_outputs = model.get_image_features(**inputs)

獲取 Q-Former 特徵

( pixel_values: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None interpolate_pos_encoding: bool = False ) → vision_outputs (BaseModelOutputWithPooling 或 torch.FloatTensor 元組)

引數

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）。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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 而不是普通的元組。
interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。

vision_outputs (BaseModelOutputWithPooling 或 torch.FloatTensor 元組)

示例

>>> import torch
>>> from PIL import Image
>>> import requests
>>> from transformers import Blip2Processor, Blip2Model

>>> processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
>>> model = Blip2Model.from_pretrained("Salesforce/blip2-opt-2.7b")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> inputs = processor(images=image, return_tensors="pt")
>>> qformer_outputs = model.get_qformer_features(**inputs)

Blip2ForConditionalGeneration

class transformers.Blip2ForConditionalGeneration

( config: Blip2Config )

引數

config (Blip2Config) — 包含模型所有引數的模型配置類。使用配置檔案初始化不載入與模型關聯的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

BLIP-2 模型，用於在給定影像和可選文字提示的情況下生成文字。該模型由一個視覺編碼器、一個查詢轉換器（Q-Former）和一個語言模型組成。

可以選擇向模型傳遞 input_ids 作為文字提示，以便語言模型繼續提示。否則，語言模型將從 [BOS] (序列開始) token 開始生成文字。

請注意，Flan-T5 檢查點無法轉換為 float16。它們使用 bfloat16 預訓練。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( pixel_values: FloatTensor input_ids: FloatTensor attention_mask: typing.Optional[torch.LongTensor] = None decoder_input_ids: typing.Optional[torch.LongTensor] = None decoder_attention_mask: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None labels: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None interpolate_pos_encoding: bool = False use_cache: typing.Optional[bool] = None **kwargs: typing_extensions.Unpack[transformers.models.blip_2.modeling_blip_2.KwargsForCausalLM] ) → transformers.models.blip_2.modeling_blip_2.Blip2ForConditionalGenerationModelOutput 或 tuple(torch.FloatTensor)

引數

pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 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）。
input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 語言模型詞彙表中輸入序列標記的索引。可以可選地提供輸入標記作為文字提示，語言模型可以繼續生成。

可以使用 Blip2Processor 獲取索引。有關詳細資訊，請參閱 Blip2Processor.__call__()。

什麼是輸入 ID？
attention_mask (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 遮罩，用於避免在填充標記索引上執行注意力。遮罩值在 [0, 1] 中選擇：
- 1 表示**未遮罩**的標記，
- 0 表示**已遮罩**的標記。
什麼是注意力遮罩？
decoder_input_ids (torch.LongTensor，形狀為 (batch_size, target_sequence_length)，可選) — 詞彙表中解碼器輸入序列標記的索引。

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

什麼是解碼器輸入 ID？
decoder_attention_mask (torch.BoolTensor，形狀為 (batch_size, target_sequence_length)，可選) — 預設行為：生成一個忽略 decoder_input_ids 中填充標記的張量。預設情況下也將使用因果遮罩。

僅在使用了編碼器-解碼器語言模型（如 T5）時相關。
output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。有關詳細資訊，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。有關詳細資訊，請參閱返回張量下的 hidden_states。
labels (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算遮罩語言模型損失的標籤。索引應為 [0, ..., config.vocab_size] 或 -100 (參見 input_ids 文件字串)。索引設定為 -100 的標記將被忽略（遮罩），損失僅針對標籤在 [0, ..., config.vocab_size] 中的標記計算。
return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通的元組。
interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。
use_cache (bool, 可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，可用於加速解碼（參見 past_key_values）。

transformers.models.blip_2.modeling_blip_2.Blip2ForConditionalGenerationModelOutput 或 tuple(torch.FloatTensor)

loss (torch.FloatTensor, 可選, 當提供 labels 時返回, 形狀為 (1,) 的 torch.FloatTensor) — 語言模型的語言建模損失。
logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言模型的語言建模頭部預測分數。
vision_outputs (torch.FloatTensor, 可選, 預設為 None) — 視覺編碼器的輸出。
qformer_outputs (tuple[torch.FloatTensor], 可選, 預設為 None) — Q-Former（查詢 Transformer）的輸出。
language_model_outputs (CausalLMOutputWithPast 或 Seq2SeqLMOutput) — 語言模型的輸出。

Blip2ForConditionalGeneration 前向方法，覆蓋 __call__ 特殊方法。

示例

準備處理器、模型和影像輸入

>>> from PIL import Image
>>> import requests
>>> from transformers import Blip2Processor, Blip2ForConditionalGeneration
>>> import torch

>>> device = "cuda" if torch.cuda.is_available() else "cpu"

>>> processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
>>> model = Blip2ForConditionalGeneration.from_pretrained(
...     "Salesforce/blip2-opt-2.7b", load_in_8bit=True, device_map={"": 0}, torch_dtype=torch.float16
... )  # doctest: +IGNORE_RESULT

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

影像字幕（不提供文字提示）

>>> inputs = processor(images=image, return_tensors="pt").to(device, torch.float16)

>>> generated_ids = model.generate(**inputs)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()
>>> print(generated_text)
two cats laying on a couch

視覺問答（提示 = 問題）

>>> prompt = "Question: how many cats are there? Answer:"
>>> inputs = processor(images=image, text=prompt, return_tensors="pt").to(device="cuda", dtype=torch.float16)

>>> generated_ids = model.generate(**inputs)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()
>>> print(generated_text)
two

請注意，也支援透過 bitsandbytes 進行 int8 推理。這大大減少了模型使用的記憶體量，同時保持了相同的效能。

>>> model = Blip2ForConditionalGeneration.from_pretrained(
...     "Salesforce/blip2-opt-2.7b", load_in_8bit=True, device_map={"": 0}, torch_dtype=torch.bfloat16
... )  # doctest: +IGNORE_RESULT

>>> inputs = processor(images=image, text=prompt, return_tensors="pt").to(device="cuda", dtype=torch.bfloat16)

>>> generated_ids = model.generate(**inputs)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()
>>> print(generated_text)
two

生成

( pixel_values: FloatTensor input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None interpolate_pos_encoding: bool = False **generate_kwargs ) → captions (列表)

引數

pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, height, width)) — 待處理的輸入影像。
input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用作生成提示的序列。
attention_mask (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 遮罩，用於避免在填充標記索引上執行注意力

captions (列表)

一個字串列表，長度為 batch_size * num_captions。

覆蓋 generate 函式，以便能夠將模型用作條件生成器。

Blip2ForImageTextRetrieval

class transformers.Blip2ForImageTextRetrieval

( config: Blip2Config )

引數

config (Blip2Config) — 包含模型所有引數的模型配置類。使用配置檔案初始化不載入與模型關聯的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

BLIP-2 模型，帶有一個視覺和文字投影器，以及頂部的分類頭。該模型用於影像-文字檢索的上下文。給定影像和文字，模型返回文字與影像相關的機率。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( pixel_values: FloatTensor input_ids: LongTensor attention_mask: typing.Optional[torch.LongTensor] = None use_image_text_matching_head: typing.Optional[bool] = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.models.blip_2.modeling_blip_2.Blip2ImageTextMatchingModelOutput 或 tuple(torch.FloatTensor)

引數

pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 對應輸入影像的張量。畫素值可以使用 {image_processor_class} 獲取。詳情請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 語言模型詞彙表中輸入序列標記的索引。可以可選地提供輸入標記作為文字提示，語言模型可以繼續。

索引可以使用 Blip2Processor 獲取。詳情請參見 Blip2Processor.__call__()。

什麼是輸入 ID？
attention_mask (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇範圍為 [0, 1]：
- 1 表示**未被掩碼**的標記，
- 0 表示**被掩碼**的標記。
什麼是注意力掩碼？
use_image_text_matching_head (bool，可選) — 是否返回影像-文字匹配或對比分數。
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。詳情請參見返回張量中的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。詳情請參見返回張量中的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通元組。

transformers.models.blip_2.modeling_blip_2.Blip2ImageTextMatchingModelOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.blip_2.modeling_blip_2.Blip2ImageTextMatchingModelOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False 時），其中包含根據配置 (Blip2Config) 和輸入而定的各種元素。

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-文字相似度分數。
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-影像相似度分數。
text_embeds (torch.FloatTensor，形狀為 (batch_size, output_dim) — 透過對池化輸出應用投影層獲得的文字嵌入。
image_embeds (torch.FloatTensor，形狀為 (batch_size, output_dim) — 透過對池化輸出應用投影層獲得的影像嵌入。
text_model_output (<class '~modeling_outputs.BaseModelOutputWithPooling'>.text_model_output，預設為 None) — Blip2QFormerModel 的輸出。
vision_model_output (<class '~modeling_outputs.BaseModelOutputWithPooling'>.vision_model_output，預設為 None) — Blip2VisionModel 的輸出。

Blip2ForImageTextRetrieval 的前向方法，覆蓋 __call__ 特殊方法。

示例

>>> import torch
>>> from PIL import Image
>>> import requests
>>> from transformers import AutoProcessor, Blip2ForImageTextRetrieval

>>> device = "cuda" if torch.cuda.is_available() else "cpu"

>>> model = Blip2ForImageTextRetrieval.from_pretrained("Salesforce/blip2-itm-vit-g", torch_dtype=torch.float16)
>>> processor = AutoProcessor.from_pretrained("Salesforce/blip2-itm-vit-g")

>>> model.to(device)
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> text = "two cats laying on a pink blanket"

>>> inputs = processor(images=image, text=text, return_tensors="pt").to(device, torch.float16)
>>> itm_out = model(**inputs, use_image_text_matching_head=True)
>>> logits_per_image = torch.nn.functional.softmax(itm_out.logits_per_image, dim=1)
>>> probs = logits_per_image.softmax(dim=1)  # we can take the softmax to get the label probabilities

>>> print(f"{probs[0][0]:.1%} that image 0 is not '{text}'")
26.9% that image 0 is not 'two cats laying on a pink blanket'

>>> print(f"{probs[0][1]:.1%} that image 0 is '{text}'")
73.0% that image 0 is 'two cats laying on a pink blanket'

>>> texts = ["a photo of a cat", "a photo of a dog"]

>>> inputs = processor(images=image, text=texts, return_tensors="pt").to(device, torch.float16)
>>> itc_out = model(**inputs, use_image_text_matching_head=False)
>>> logits_per_image = itc_out.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

>>> print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")
55.3% that image 0 is 'a photo of a cat'

>>> print(f"{probs[0][1]:.1%} that image 0 is '{texts[1]}'")
44.7% that image 0 is 'a photo of a dog'

Blip2TextModelWithProjection

class transformers.Blip2TextModelWithProjection

( config: Blip2Config )

引數

config (Blip2Config) — 包含模型所有引數的模型配置類。用配置檔案初始化不會載入與模型相關的權重，只加載配置。請查閱 from_pretrained() 方法載入模型權重。

Blip 2 模型，頂部帶有投影層（池化輸出頂部的線性層）。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: 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.models.blip_2.modeling_blip_2.Blip2TextModelOutput 或 tuple(torch.FloatTensor)

引數

input_ids (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。預設情況下將忽略填充。

索引可以使用 AutoTokenizer 獲取。詳情請參見 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是輸入 ID？
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇範圍為 [0, 1]：
- 1 表示**未被掩碼**的標記，
- 0 表示**被掩碼**的標記。
什麼是注意力掩碼？
position_ids (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 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？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。詳情請參見返回張量中的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。詳情請參見返回張量中的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通元組。

transformers.models.blip_2.modeling_blip_2.Blip2TextModelOutput 或 tuple(torch.FloatTensor)

一個 transformers.models.blip_2.modeling_blip_2.Blip2TextModelOutput 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或 config.return_dict=False 時），其中包含根據配置 (Blip2Config) 和輸入而定的各種元素。

text_embeds (torch.FloatTensor，形狀為 (batch_size, output_dim) 可選，當模型以 with_projection=True 初始化時返回) — 透過對池化輸出應用投影層獲得的文字嵌入。
last_hidden_state (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可選，預設為 None) — 模型最後一層輸出的隱藏狀態序列。
hidden_states (tuple[torch.FloatTensor, ...]，可選，當傳遞 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 元組（如果模型有嵌入層，則為一個，加上每個層的輸出），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, ...]，可選，當傳遞 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 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。

Blip2TextModelWithProjection 的前向方法，覆蓋 __call__ 特殊方法。

示例

>>> import torch
>>> from transformers import AutoProcessor, Blip2TextModelWithProjection

>>> device = "cuda" if torch.cuda.is_available() else "cpu"

>>> model = Blip2TextModelWithProjection.from_pretrained(
...     "Salesforce/blip2-itm-vit-g", torch_dtype=torch.float16
... )

>>> model.to(device)
>>> processor = AutoProcessor.from_pretrained("Salesforce/blip2-itm-vit-g")

>>> inputs = processor(text=["a photo of a cat", "a photo of a dog"], return_tensors="pt").to(device)

>>> outputs = model(**inputs)
>>> text_embeds = outputs.text_embeds
>>> print(text_embeds.shape)
torch.Size([2, 7, 256])

Blip2VisionModelWithProjection

class transformers.Blip2VisionModelWithProjection

( config: Blip2Config )

引數

config (Blip2Config) — 包含模型所有引數的模型配置類。用配置檔案初始化不會載入與模型相關的權重，只加載配置。請查閱 from_pretrained() 方法載入模型權重。

Blip 2 模型，頂部帶有投影層（池化輸出頂部的線性層）。

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。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件以瞭解與通用用法和行為相關的所有事項。

forward