引數

• images (ImageInput) — 要預處理的影像。期望單個或批次影像，畫素值範圍為 0 到 255。如果傳入的影像畫素值在 0 到 1 之間，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) — 調整大小後的影像尺寸。影像的最短邊將調整為 min(size[“height”], size[“width”])，最長邊將調整以保持輸入長寬比。
• resample (int, 可選, 預設為 self.resample) — 如果調整影像大小，使用的重取樣濾波器。可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時有效。
• do_thumbnail (bool, 可選, 預設為 self.do_thumbnail) — 是否使用縮圖方法調整影像大小。
• do_align_long_axis (bool, 可選, 預設為 self.do_align_long_axis) — 是否透過旋轉 90 度，將影像的長軸與 size 的長軸對齊。
• do_pad (bool, 可選, 預設為 self.do_pad) — 是否填充影像。如果 random_padding 設定為 True，則每個影像的每個邊將隨機填充，直到達到批次中最大影像的大小。否則，所有影像將填充到批次中最大影像的大小。
• random_padding (bool, 可選, 預設為 self.random_padding) — 填充影像時是否使用隨機填充。如果為 True，批次中的每個影像將在每個側隨機填充，直到達到批次中最大影像的大小。
• do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否重新縮放影像畫素值。
• rescale_factor (float, 可選, 預設為 self.rescale_factor) — 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, 可選, 預設為 self.do_normalize) — 是否標準化影像。
• image_mean (float 或 list[float], 可選, 預設為 self.image_mean) — 用於標準化的影像均值。
• image_std (float 或 list[float], 可選, 預設為 self.image_std) — 用於標準化的影像標準差。
• return_tensors (str 或 TensorType, 可選) — 返回張量的型別。可以是以下之一：
  • 未設定: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 批次。
• 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：
  • ChannelDimension.FIRST: 影像格式為 (num_channels, height, width)。
  • ChannelDimension.LAST: 影像格式為 (height, width, num_channels)。
  • 未設定: 預設為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，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。期望單個或批次影像，畫素值範圍為 0 到 255。如果傳入的影像畫素值在 0 到 1 之間，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尺寸。
• default_to_square (bool, 可選) — 如果尺寸為整數，是否預設調整為方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果調整影像大小，使用的重取樣濾波器。可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時有效。
• do_center_crop (bool, 可選) — 是否中心裁剪影像。
• crop_size (dict[str, int], 可選) — 應用 center_crop 後輸出影像的大小。
• do_rescale (bool, 可選) — 是否重新縮放影像。
• 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, 可選) — 是否標準化影像。
• image_mean (Union[float, list[float], NoneType]) — 用於標準化的影像均值。僅當 do_normalize 設定為 True 時有效。
• image_std (Union[float, list[float], NoneType]) — 用於標準化的影像標準差。僅當 do_normalize 設定為 True 時有效。
• do_convert_rgb (bool, 可選) — 是否將影像轉換為 RGB。
• return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果設定為 `pt` 則返回堆疊的張量，否則返回張量列表。
• data_format (~image_utils.ChannelDimension, 可選) — 輸出影像的通道維度格式。僅支援 ChannelDimension.FIRST。為相容慢速處理器而新增。
• 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)。
• device (torch.device, 可選) — 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, 可選) — 是否停用影像按大小分組以單獨處理而不是批次處理。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，詳情請參閱：https://github.com/huggingface/transformers/pull/38157
• do_thumbnail (bool, 可選, 預設為 self.do_thumbnail) — 是否使用縮圖方法調整影像大小。
• do_align_long_axis (bool, 可選, 預設為 self.do_align_long_axis) — 是否透過旋轉 90 度，將影像的長軸與 size 的長軸對齊。
• do_pad (bool, 可選, 預設為 self.do_pad) — 是否填充影像。如果 random_padding 設定為 True，則每個影像的每個邊將隨機填充，直到達到批次中最大影像的大小。否則，所有影像將填充到批次中最大影像的大小。

• 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

• pretrained_model_name_or_path (str 或 os.PathLike) — 可以是以下之一：
  • 一個字串，huggingface.co 上模型倉庫中預訓練 feature_extractor 的 *模型 ID*。
  • 包含使用 save_pretrained() 方法儲存的特徵提取器檔案的 *目錄* 路徑，例如 ./my_model_directory/。
  • 儲存的特徵提取器 JSON *檔案* 的路徑或 URL，例如 ./my_model_directory/preprocessor_config.json。
• **kwargs — 傳遞給 from_pretrained() 和 ~tokenization_utils_base.PreTrainedTokenizer.from_pretrained 的額外關鍵字引數。

引數

• save_directory (str 或 os.PathLike) — 特徵提取器 JSON 檔案和分詞器檔案將儲存的目錄（如果目錄不存在，則會建立）。
• push_to_hub (bool, 可選, 預設為 False) — 是否在儲存模型後將其推送到 Hugging Face 模型中心。您可以使用 repo_id 指定要推送到的倉庫（預設為您名稱空間中 save_directory 的名稱）。
• kwargs (dict[str, Any], optional) — 傳遞給 `push_to_hub()` 方法的附加關鍵字引數。

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，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
• bool_masked_pos (torch.BoolTensor，形狀為 (batch_size, num_patches)) — 布林掩碼位置。指示哪些補丁被掩碼 (1)，哪些未被掩碼 (0)。
• 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。掩碼值選擇在 [0, 1] 之間：
  • 1 表示頭部未被掩碼，
  • 0 表示頭部已被掩碼。
• 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。
• interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。
• return_dict (bool, 可選) — 是否返回 `ModelOutput` 而不是普通元組。

一個 transformers.models.donut.modeling_donut_swin.DonutSwinModelOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），根據配置 (`DonutSwinConfig`) 和輸入包含各種元素。

• 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。

• pooler_output (torch.FloatTensor，形狀為 (batch_size, hidden_size)，可選，當傳遞 add_pooling_layer=True 時返回) — 最後一層隱藏狀態的平均池化。

• 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 元組（如果模型有嵌入層，則為一個輸出，加上每層輸出一個），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 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。

• reshaped_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 元組（嵌入輸出一個，加上每個階段輸出一個），形狀為 (batch_size, hidden_size, height, width)。

  模型在每層輸出處的隱藏狀態，以及重新調整以包含空間維度的初始嵌入輸出。

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，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
• 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。掩碼值選擇在 [0, 1] 之間：
  • 1 表示頭部未被掩碼，
  • 0 表示頭部已被掩碼。
• labels (torch.LongTensor，形狀為 (batch_size,)，可選) — 用於計算影像分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 之間。如果 config.num_labels == 1，則計算迴歸損失（均方損失）；如果 config.num_labels > 1，則計算分類損失（交叉熵）。
• 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。
• interpolate_pos_encoding (bool, 預設為 False) — 是否對預訓練的位置編碼進行插值。
• return_dict (bool, 可選) — 是否返回 `ModelOutput` 而不是普通元組。

一個 transformers.models.donut.modeling_donut_swin.DonutSwinImageClassifierOutput 或一個 torch.FloatTensor 元組（如果傳遞了 return_dict=False 或當 config.return_dict=False 時），根據配置 (`DonutSwinConfig`) 和輸入包含各種元素。

• 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，當傳遞 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — torch.FloatTensor 元組（如果模型有嵌入層，則為一個輸出，加上每層輸出一個），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 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。

• reshaped_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 元組（嵌入輸出一個，加上每個階段輸出一個），形狀為 (batch_size, hidden_size, height, width)。

  模型在每層輸出處的隱藏狀態，以及重新調整以包含空間維度的初始嵌入輸出。