引數

• images (ImageInput) — 待預處理的影像。需要單個或一批畫素值範圍在 0 到 255 之間的影像。如果傳入的影像畫素值在 0 到 1 之間，請設定 do_rescale=False。
• do_pad (bool，可選，預設為 self.do_pad) — 是否根據最長邊將影像填充成正方形。填充值由 image_mean 引數確定。
• 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 size["shortest_edge"]，最長邊將相應調整以保持輸入影像的寬高比。
• resample (int，可選，預設為 self.resample) — 調整影像大小時使用的重取樣濾波器。可以是 PILImageResampling 列舉中的一個。僅在 do_resize 設定為 True 時生效。
• do_center_crop (bool，可選，預設為 self.do_center_crop) — 是否對影像進行中心裁剪。
• crop_size (dict[str, int]，可選，預設為 self.crop_size) — 中心裁剪的尺寸。僅在 do_center_crop 設定為 True 時生效。
• do_rescale (bool，可選，預設為 self.do_rescale) — 是否對影像進行縮放。
• rescale_factor (float，可選，預設為 self.rescale_factor) — 當 do_rescale 設定為 True 時，用於縮放影像的縮放因子。
• do_normalize (bool，可選，預設為 self.do_normalize) — 是否對影像進行歸一化。
• image_mean (float 或 list[float]，可選，預設為 self.image_mean) — 用於歸一化的影像均值。僅在 do_normalize 設定為 True 時生效。
• image_std (float 或 list[float]，可選，預設為 self.image_std) — 用於歸一化的影像標準差。僅在 do_normalize 設定為 True 時生效。
• do_convert_rgb (bool，可選，預設為 self.do_convert_rgb) — 是否將影像轉換為 RGB。
• return_tensors (str 或 TensorType，可選) — 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'：返回一個 tf.Tensor 型別的批次。
  • TensorType.PYTORCH 或 'pt'：返回一個 torch.Tensor 型別的批次。
  • TensorType.NUMPY 或 'np'：返回一個 np.ndarray 型別的批次。
  • TensorType.JAX 或 'jax'：返回一個 jax.numpy.ndarray 型別的批次。
• 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：
  • "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，則從輸入影像中推斷通道維度格式。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']]) — 待預處理的影像。需要單個或一批畫素值範圍在 0 到 255 之間的影像。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) — 當 size 是整數時，調整大小時是否預設為正方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 調整影像大小時使用的重取樣濾波器。可以是 PILImageResampling 列舉中的一個。僅在 do_resize 設定為 True 時生效。
• do_center_crop (bool，可選) — 是否對影像進行中心裁剪。
• crop_size (dict[str, int]，可選) — 應用 center_crop 後輸出影像的尺寸。
• do_rescale (bool，可選) — 是否對影像進行縮放。
• rescale_factor (Union[int, float, NoneType]) — 當 do_rescale 設定為 True 時，用於縮放影像的縮放因子。
• do_normalize (bool，可選) — 是否對影像進行歸一化。
• image_mean (Union[float, list[float], NoneType]) — 用於歸一化的影像均值。僅在 do_normalize 設定為 True 時生效。
• image_std (Union[float, list[float], NoneType]) — 用於歸一化的影像標準差。僅在 do_normalize 設定為 True 時生效。
• 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) — 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，則從輸入影像中推斷通道維度格式。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，則從輸入影像中推斷裝置。
• disable_grouping (bool，可選) — 是否停用按尺寸分組影像以單獨處理而不是批次處理。如果為 None，則當影像在 CPU 上時將設定為 True，否則為 False。此選擇基於經驗觀察，詳情請見：https://github.com/huggingface/transformers/pull/38157
• do_pad (bool，可選) — 是否根據最長邊將影像填充成正方形。

• 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)) — 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，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什麼是 input ID？

• 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。可以使用 {image_processor_class} 獲取畫素值。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) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值選自 [0, 1]：
  • 1 表示標記未被遮蓋，
  • 0 表示標記被遮蓋。

  什麼是注意力掩碼？

• position_ids (torch.LongTensor，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。選值範圍為 [0, config.n_positions - 1]。

  什麼是 position ID？

• past_key_values (list[torch.FloatTensor]，可選) — 預計算的隱藏狀態（自注意力和交叉注意力塊中的鍵和值），可用於加速序列解碼。這通常包括模型在解碼的先前階段返回的 past_key_values，此時 use_cache=True 或 config.use_cache=True。

  允許兩種格式：

  • Cache 例項，請參閱我們的 kv cache 指南；
  • 長度為 config.n_layers 的 tuple(torch.FloatTensor) 的元組，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。如果未傳遞 past_key_values，則將返回傳統快取格式。

  如果使用 past_key_values，使用者可以選擇只輸入最後的 input_ids（那些沒有為其提供過去鍵值狀態的標記），形狀為 (batch_size, 1)，而不是所有形狀為 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選地，你可以不傳遞 input_ids，而是直接傳遞嵌入表示。如果你想比模型內部的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，這會很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 用於選擇視覺特徵的層索引。如果提供多個索引，則相應索引的視覺特徵將被連線以形成視覺特徵。
• vision_feature_select_strategy (str，可選) — 用於從視覺主幹網路中選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"。
• 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（請參閱 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 而不是普通元組。
• cache_position (torch.LongTensor，形狀為 (sequence_length)，可選) — 描述輸入序列標記在序列中位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確的位置更新快取並推斷完整的序列長度。
• image_sizes (torch.Tensor，形狀為 (batch_size, 2)) — 批次中影像的大小，每個影像為（高度，寬度）。

一個 transformers.models.llava.modeling_llava.LlavaModelOutputWithPast 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或 config.return_dict=False），根據配置（LlavaConfig）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) — 模型最後一層輸出的隱藏狀態序列。

• past_key_values (tuple(tuple(torch.FloatTensor))，可選，當傳遞 use_cache=True 或 config.use_cache=True 時返回) — 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。

  包含預計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速順序解碼。

• 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` 的元組（一個用於嵌入層的輸出（如果模型有嵌入層），+ 一個用於每層輸出），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` 的元組（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。

• image_hidden_states (torch.FloatTensor，可選) — 一個大小為 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。模型由視覺編碼器生成並投影最後一個隱藏狀態後的 image_hidden_states。

引數

• pixel_values (torch.FloatTensor]，形狀為 (batch_size, channels, height, width)) — 對應於輸入影像的張量。
• vision_feature_layer (Union[int, list[int]]，可選) — 用於選擇視覺特徵的層索引。如果提供多個索引，則相應索引的視覺特徵將被連線以形成視覺特徵。
• vision_feature_select_strategy (str，可選) — 用於從視覺主幹網路中選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"。

形狀為 (num_images, image_length, embed_dim) 的影像特徵張量。

引數

• input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)) — 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，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什麼是 input ID？

• 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。可以使用 {image_processor_class} 獲取畫素值。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) — 用於避免對填充標記索引執行注意力計算的掩碼。掩碼值選自 [0, 1]：
  • 1 表示標記未被遮蓋，
  • 0 表示標記被遮蓋。

  什麼是注意力掩碼？

• position_ids (torch.LongTensor，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。選值範圍為 [0, config.n_positions - 1]。

  什麼是 position ID？

• past_key_values (list[torch.FloatTensor]，可選) — 預計算的隱藏狀態（自注意力和交叉注意力塊中的鍵和值），可用於加速序列解碼。這通常包括模型在解碼的先前階段返回的 past_key_values，此時 use_cache=True 或 config.use_cache=True。

  允許兩種格式：

  • Cache 例項，請參閱我們的 kv cache 指南；
  • 長度為 config.n_layers 的 tuple(torch.FloatTensor) 的元組，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。如果未傳遞 past_key_values，則將返回傳統快取格式。

  如果使用 past_key_values，使用者可以選擇只輸入最後的 input_ids（那些沒有為其提供過去鍵值狀態的標記），形狀為 (batch_size, 1)，而不是所有形狀為 (batch_size, sequence_length) 的 input_ids。

• inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選地，你可以不傳遞 input_ids，而是直接傳遞嵌入表示。如果你想比模型內部的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，這會很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 用於選擇視覺特徵的層索引。如果提供多個索引，則相應索引的視覺特徵將被連線以形成視覺特徵。
• vision_feature_select_strategy (str，可選) — 用於從視覺主幹網路中選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"。
• labels (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算掩碼語言建模損失的標籤。索引應在 [0, ..., config.vocab_size] 或 -100 之間（請參閱 input_ids 文件字串）。索引設定為 -100 的標記將被忽略（被遮蓋），損失僅對標籤在 [0, ..., config.vocab_size] 之間的標記進行計算。
• 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（請參閱 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 而不是普通元組。
• cache_position (torch.LongTensor，形狀為 (sequence_length)，可選) — 描述輸入序列標記在序列中位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確的位置更新快取並推斷完整的序列長度。
• logits_to_keep (Union[int, torch.Tensor]，預設為 0) — 如果是 int，則為最後的 logits_to_keep 個標記計算 logits。如果是 0，則為所有 input_ids 計算 logits（特殊情況）。生成時只需要最後一個標記的 logits，只為該標記計算可以節省記憶體，這對於長序列或大詞彙量來說非常重要。如果是 torch.Tensor，則必須是一維的，對應於序列長度維度中要保留的索引。這在使用打包張量格式（批次和序列長度使用單一維度）時很有用。
• image_sizes (torch.Tensor，形狀為 (batch_size, 2)，可選) — 批次中影像的大小，每個影像為（高度，寬度）。

一個 transformers.models.llava.modeling_llava.LlavaCausalLMOutputWithPast 或一個 torch.FloatTensor 的元組（如果傳遞了 return_dict=False 或 config.return_dict=False），根據配置（LlavaConfig）和輸入，包含各種元素。

• loss (torch.FloatTensor 形狀為 (1,)，可選，當提供 labels 時返回) — 語言建模損失（用於下一個 token 預測）。

• 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）。

• past_key_values (tuple(tuple(torch.FloatTensor))，可選，當傳遞 use_cache=True 或 config.use_cache=True 時返回) — 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。

  包含預計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速順序解碼。

• 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` 的元組（一個用於嵌入層的輸出（如果模型有嵌入層），+ 一個用於每層輸出），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` 的元組（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。

• image_hidden_states (torch.FloatTensor，可選) — 一個大小為 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。模型由視覺編碼器生成並投影最後一個隱藏狀態後的 image_hidden_states。