引數

• images (ImageInput) — 要預處理的影像。期望畫素值範圍為0到255的單張或批次影像。如果傳入畫素值在0到1之間的影像，請設定do_rescale=False。
• do_resize (bool, 可選, 預設為 self.do_resize) — 是否調整影像大小。
• size (dict[str, int], 可選, 預設為 self.size) — 控制resize後圖像的大小。影像的最短邊被調整為size["shortest_edge"]，同時保持寬高比。如果此調整大小後的影像的最長邊大於int(size["shortest_edge"] * (1333 / 800))，則影像將再次調整大小，使最長邊等於int(size["shortest_edge"] * (1333 / 800))。
• size_divisor (int, 可選, 預設為 self.size_divisor) — 影像被調整為該值的倍數。
• resample (PILImageResampling, 可選, 預設為 self.resample) — 如果調整影像大小，則使用的重取樣過濾器。僅當do_resize設定為True時有效。
• do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否將影像值縮放到 [0 - 1] 之間。
• rescale_factor (float, 可選, 預設為 self.rescale_factor) — 如果do_rescale設定為True，則用於縮放影像的縮放因子。
• do_normalize (bool, 可選, 預設為 self.do_normalize) — 是否歸一化影像。
• image_mean (float 或 list[float], 可選, 預設為 self.image_mean) — 如果do_normalize設定為True，則用於歸一化影像的影像均值。
• image_std (float 或 list[float], 可選, 預設為 self.image_std) — 如果do_normalize設定為True，則用於歸一化影像的影像標準差。
• do_pad (bool, 可選, 預設為 self.do_pad) — 是否將影像填充到批次中的(max_height, max_width)。如果為True，還會建立並返回一個畫素掩碼。
• do_center_crop (bool, 可選, 預設為 self.do_center_crop) — 是否中心裁剪影像。如果輸入大小沿任何邊小於crop_size，則影像將用0填充，然後進行中心裁剪。
• crop_size (dict[str, int], 可選, 預設為 self.crop_size) — 中心裁剪後圖像的大小。如果影像的某個邊小於crop_size，它將用零填充然後裁剪。
• return_tensors (str 或 TensorType, 可選) — 要返回的張量型別。可以是以下之一：
  • 未設定：返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 型別的批處理。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 型別的批處理。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 型別的批處理。
  • TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 型別的批處理。
• data_format (ChannelDimension 或 str, 可選, 預設為 ChannelDimension.FIRST) — 輸出影像的通道維度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：影像格式為 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：影像格式為 (height, width, num_channels)。
  • 未設定：使用輸入影像的通道維度格式。
• input_data_format (ChannelDimension 或 str, 可選) — 輸入影像的通道維度格式。如果未設定，通道維度格式將從輸入影像推斷。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：影像格式為 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST：影像格式為 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE：影像格式為 (height, width)。

引數

• images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要預處理的影像。期望畫素值範圍為0到255的單張或批次影像。如果傳入畫素值在0到1之間的影像，請設定do_rescale=False。
• do_resize (bool, 可選) — 是否調整影像大小。
• size (dict[str, int], 可選) — 描述模型的最大輸入維度。
• default_to_square (bool, 可選) — 當調整大小（如果大小為整數）時，是否預設為正方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果調整影像大小，則使用的重取樣濾波器。這可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時才有效。
• do_center_crop (bool, optional) — 是否對影像進行中心裁剪。
• crop_size (dict[str, int], optional) — 應用 center_crop 後輸出影像的大小。
• do_rescale (bool, optional) — 是否對影像進行重新縮放。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 設定為 True，則用於重新縮放影像的縮放因子。
• do_normalize (bool, optional) — 是否對影像進行歸一化。
• image_mean (Union[float, list[float], NoneType]) — 用於歸一化的影像平均值。僅當 do_normalize 設定為 True 時才有效。
• image_std (Union[float, list[float], NoneType]) — 用於歸一化的影像標準差。僅當 do_normalize 設定為 True 時才有效。
• do_convert_rgb (bool, optional) — 是否將影像轉換為RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果設定為 `pt`，則返回堆疊張量，否則返回張量列表。
• data_format (~image_utils.ChannelDimension, optional) — 僅支援 ChannelDimension.FIRST。為與慢速處理器相容而新增。
• input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 輸入影像的通道維度格式。如果未設定，則從輸入影像推斷通道維度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST：影像為 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：影像為 (height, width, num_channels) 格式。
  • "none" 或 ChannelDimension.NONE：影像為 (height, width) 格式。
• device (torch.device, optional) — 處理影像的裝置。如果未設定，則從輸入影像推斷裝置。
• disable_grouping (bool, optional) — 是否停用按大小對影像進行分組以單獨處理而不是批處理。如果為 None，則如果影像在 CPU 上，則設定為 True，否則設定為 False。此選擇基於經驗觀察，詳情請見：https://github.com/huggingface/transformers/pull/38157
• size_divisor (int, optional, defaults to 32) — 確保高度和寬度都可以被其整除的大小。僅當 do_resize 設定為 True 時才有效。可以透過 preprocess 方法中的 size_divisor 引數覆蓋。
• do_pad (bool, optional, defaults to True) — 是否將影像填充到批處理影像的 (max_height, max_width)。可以透過 preprocess 方法中的 do_pad 引數覆蓋。

• data (dict) — 由 call 方法返回的列表/陣列/張量字典（“pixel_values”等）。
• tensor_type (Union[None, str, TensorType], 可選) — 您可以在此處提供一個`tensor_type`，以便在初始化時將整數列表轉換為PyTorch/TensorFlow/Numpy張量。

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，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.FloatTensor, 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 未被遮蓋 的 token，
  • 0 表示 被遮蓋 的 token。

  什麼是注意力掩碼？

• token_type_ids (torch.LongTensor, 形狀為 (batch_size, sequence_length), 可選) — 表示輸入第一部分和第二部分的段 token 索引。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？

• 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）。
• pixel_mask (torch.LongTensor, 形狀為 (batch_size, height, width), 可選) — 用於避免對填充畫素值執行注意力的掩碼。掩碼值在 [0, 1] 中選擇：
  • 1 表示真實畫素（即 未被遮蓋），
  • 0 表示填充畫素（即 被遮蓋）。

  什麼是注意力掩碼？

• head_mask (torch.FloatTensor, 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 未被遮蓋，
  • 0 表示頭部 被遮蓋。
• inputs_embeds (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size), 可選) — （可選）不傳遞 input_ids，您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，這很有用。
• image_embeds (torch.FloatTensor, 形狀為 (batch_size, num_patches, hidden_size), 可選) — （可選）不傳遞 pixel_values，您可以選擇直接傳遞嵌入表示。如果您希望對如何將 pixel_values 轉換為補丁嵌入有更多控制，這很有用。
• image_token_type_idx (int, 可選) —
  • 影像的 token 型別 ID。
• 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) — 如果設定為 True，隱藏狀態將作為包含文字、影像和跨模態元件隱藏狀態的列表返回。即 (hidden_states_text, hidden_states_image, hidden_states_cross_modal)，其中每個元素是相應模態隱藏狀態的列表。hidden_states_txt/img 是單模態隱藏狀態張量列表，hidden_states_cross_modal 是包含每個橋接層 cross_modal_text_hidden_states 和 cross_modal_image_hidden_states 的元組列表。
• return_dict (bool, 可選) — 是否返回 ModelOutput 而不是純元組。
• labels (torch.LongTensor, 形狀為 (batch_size,), 可選) — 目前不支援標籤。
• interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練位置編碼進行插值。

transformers.models.bridgetower.modeling_bridgetower.BridgeTowerModelOutput 或 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），根據配置（BridgeTowerConfig）和輸入包含各種元素。

• text_features (torch.FloatTensor, 形狀為 (batch_size, text_sequence_length, hidden_size)) — 模型最後一層文字輸出處的隱藏狀態序列。

• image_features (torch.FloatTensor, 形狀為 (batch_size, image_sequence_length, hidden_size)) — 模型最後一層影像輸出處的隱藏狀態序列。

• pooler_output (torch.FloatTensor, 形狀為 (batch_size, hidden_size x 2)) — 在透過用於輔助預訓練任務的層進一步處理後，文字和影像序列的第一個 token 的最後一層隱藏狀態的拼接（分類 token）。

• hidden_states (tuple[torch.FloatTensor], 可選, 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], 可選, 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。

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，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.FloatTensor, 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 未被遮蓋 的 token，
  • 0 表示 被遮蓋 的 token。

  什麼是注意力掩碼？

• token_type_ids (torch.LongTensor, 形狀為 (batch_size, sequence_length), 可選) — 表示輸入第一部分和第二部分的段 token 索引。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？

• 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）。
• pixel_mask (torch.LongTensor, 形狀為 (batch_size, height, width), 可選) — 用於避免對填充畫素值執行注意力的掩碼。掩碼值在 [0, 1] 中選擇：
  • 1 表示真實畫素（即 未被遮蓋），
  • 0 表示填充畫素（即 被遮蓋）。

  什麼是注意力掩碼？

• head_mask (torch.FloatTensor, 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 未被遮蓋，
  • 0 表示頭部 被遮蓋。
• inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 input_ids。當您想要比模型內部嵌入查詢矩陣更好地控制如何將 input_ids 索引轉換為關聯向量時，此引數非常有用。
• image_embeds (torch.FloatTensor，形狀為 (batch_size, num_patches, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 pixel_values。當您想要更好地控制如何將 pixel_values 轉換為補丁嵌入時，此引數非常有用。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳情請參見返回張量下的 attentions。
• output_hidden_states (bool, 可選, 預設為 True) — 是否返回所有層的隱藏狀態。更多詳情請參見返回張量下的 hidden_states。
• return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通元組。
• return_loss (bool, 可選) — 是否返回對比損失。

一個 transformers.models.bridgetower.modeling_bridgetower.BridgeTowerContrastiveOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（BridgeTowerConfig）和輸入而異的各種元素。

• loss (torch.FloatTensor，形狀為 (1,)，可選，當 return_loss 為 True 時返回) — 影像-文字對比損失。

• logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。

• text_embeds (torch.FloatTensor)，可選，當模型使用 with_projection=True 初始化時返回) — 透過對 pooler_output 應用投影層獲得的文字嵌入。

• image_embeds (torch.FloatTensor)，可選，當模型使用 with_projection=True 初始化時返回) — 透過對 pooler_output 應用投影層獲得的影像嵌入。

• cross_embeds (torch.FloatTensor)，可選，當模型使用 with_projection=True 初始化時返回) — 透過對 pooler_output 應用投影層獲得的文字-影像跨模態嵌入。

• hidden_states (tuple[torch.FloatTensor], 可選, 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), 可選, 當 output_attentions=True 或 config.output_attentions=True 傳入時返回) — torch.FloatTensor 元組 (每層一個)，形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

引數

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

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

  什麼是輸入 ID？

• attention_mask (torch.FloatTensor，形狀為 (batch_size, sequence_length)，可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇在 [0, 1] 之間：
  • 1 表示未掩碼的標記，
  • 0 表示已掩碼的標記。

  什麼是注意力掩碼？

• token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 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？

• 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} 獲得。有關詳細資訊，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 進行影像處理）。
• pixel_mask (torch.LongTensor，形狀為 (batch_size, height, width)，可選) — 掩碼，用於避免對填充畫素值執行注意力操作。掩碼值選擇在 [0, 1] 之間：
  • 1 表示真實畫素（即未掩碼），
  • 0 表示填充畫素（即已掩碼）。

  什麼是注意力掩碼？

• head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads)，可選) — 掩碼，用於使自注意力模組的選定頭失效。掩碼值選擇在 [0, 1] 之間：
  • 1 表示頭部未掩碼，
  • 0 表示頭部已掩碼。
• inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 input_ids。當您想要比模型內部嵌入查詢矩陣更好地控制如何將 input_ids 索引轉換為關聯向量時，此引數非常有用。
• image_embeds (torch.FloatTensor，形狀為 (batch_size, num_patches, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 pixel_values。當您想要更好地控制如何將 pixel_values 轉換為補丁嵌入時，此引數非常有用。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳情請參見返回張量下的 attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳情請參見返回張量下的 hidden_states。
• return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通元組。
• labels (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算掩碼語言模型損失的標籤。索引應在 [-100, 0, ..., config.vocab_size] 之間（參見 input_ids 文件字串）。索引設定為 -100 的標記將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 範圍內的標記進行計算。

一個 transformers.modeling_outputs.MaskedLMOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（BridgeTowerConfig）和輸入而異的各種元素。

• loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 掩碼語言建模 (MLM) 損失。

• logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。

• hidden_states (tuple(torch.FloatTensor), 可選, 當 output_hidden_states=True 或 config.output_hidden_states=True 傳入時返回) — torch.FloatTensor 元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），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 output_attentions=True 或 config.output_attentions=True 傳入時返回) — torch.FloatTensor 元組 (每層一個)，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。

引數

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

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

  什麼是輸入 ID？

• attention_mask (torch.FloatTensor，形狀為 (batch_size, sequence_length)，可選) — 掩碼，用於避免對填充標記索引執行注意力操作。掩碼值選擇在 [0, 1] 之間：
  • 1 表示未掩碼的標記，
  • 0 表示已掩碼的標記。

  什麼是注意力掩碼？

• token_type_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 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？

• 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} 獲得。有關詳細資訊，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 進行影像處理）。
• pixel_mask (torch.LongTensor，形狀為 (batch_size, height, width)，可選) — 掩碼，用於避免對填充畫素值執行注意力操作。掩碼值選擇在 [0, 1] 之間：
  • 1 表示真實畫素（即未掩碼），
  • 0 表示填充畫素（即已掩碼）。

  什麼是注意力掩碼？

• head_mask (torch.FloatTensor，形狀為 (num_heads,) 或 (num_layers, num_heads)，可選) — 掩碼，用於使自注意力模組的選定頭失效。掩碼值選擇在 [0, 1] 之間：
  • 1 表示頭部未掩碼，
  • 0 表示頭部已掩碼。
• inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 input_ids。當您想要比模型內部嵌入查詢矩陣更好地控制如何將 input_ids 索引轉換為關聯向量時，此引數非常有用。
• image_embeds (torch.FloatTensor，形狀為 (batch_size, num_patches, hidden_size)，可選) — 可選引數，可以直接傳入嵌入表示，而不是傳入 pixel_values。當您想要更好地控制如何將 pixel_values 轉換為補丁嵌入時，此引數非常有用。
• output_attentions (bool, 可選) — 是否返回所有注意力層的注意力張量。更多詳情請參見返回張量下的 attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳情請參見返回張量下的 hidden_states。
• return_dict (bool, 可選) — 是否返回 ModelOutput 而不是普通元組。
• labels (torch.LongTensor，形狀為 (batch_size, 1)，可選) — 用於計算影像-文字匹配損失的標籤。0 表示配對不匹配，1 表示匹配。標籤為 0 的配對將被跳過計算。

一個 transformers.modeling_outputs.SequenceClassifierOutput 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（BridgeTowerConfig）和輸入而異的各種元素。

• loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。

• logits (形狀為 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分類（如果 config.num_labels==1，則為迴歸）分數（SoftMax 之前）。

• hidden_states (tuple(torch.FloatTensor), 可選, 當 output_hidden_states=True 或 config.output_hidden_states=True 傳入時返回) — torch.FloatTensor 元組（一個用於嵌入層輸出（如果模型有嵌入層），加上每個層的一個輸出），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 output_attentions=True 或 config.output_attentions=True 傳入時返回) — torch.FloatTensor 元組 (每層一個)，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。