引數

• images (ImageInput) — 要預處理的影像。需要單張或批次影像，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) — 調整大小後圖像的尺寸。影像的最短邊將調整為 size[“shortest_edge”]，最長邊將調整為保持輸入寬高比。
• image_grid_pinpoints (List 可選, 預設為 self.image_grid_pinpoints) — 用於處理高解析度影像的可能解析度列表。根據影像的原始尺寸選擇最佳解析度。
• resample (int, 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。可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時才生效。
• 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。僅當 do_center_crop 設定為 True 時才生效。
• do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否對影像進行重新縮放。
• rescale_factor (float, 可選, 預設為 self.rescale_factor) — 如果 do_rescale 設定為 True，則按此重新縮放因子對影像進行重新縮放。
• 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) — 用於歸一化的影像平均值。僅當 do_normalize 設定為 True 時才生效。
• 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。僅當 do_normalize 設定為 True 時才生效。
• do_pad (bool, 可選, 預設為 self.do_pad) — 是否填充影像。如果設定為 True，將把批次中影像的補丁維度填充到批次中最大的補丁數量。填充將應用於底部和右側，填充值為零。
• 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) — 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 型別的批次。
  • TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 型別的批次。
  • TensorType.NUMPY 或 'np'：返回 np.ndarray 型別的批次。
  • TensorType.JAX 或 'jax'：返回 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：影像為 (num_channels, height, width) 格式。
  • "channels_last" 或 ChannelDimension.LAST：影像為 (height, width, num_channels) 格式。
  • 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。

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。需要單張或批次影像，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) — 模型的最大輸入尺寸。
• default_to_square (bool, 可選) — 如果尺寸為整數，調整大小時是否預設使用方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果調整影像大小，則使用的重取樣過濾器。可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時才生效。
• 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) — 是否重新縮放影像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 設定為 True，則按此重新縮放因子對影像進行重新縮放。
• do_normalize (bool, 可選) — 是否對影像進行歸一化。
• image_mean (Union[float, list[float], NoneType]) — 用於歸一化的影像平均值。僅當 do_normalize 設定為 True 時才生效。
• 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 (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, 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) — 是否停用按尺寸分組影像以單獨而非批次處理它們。如果為 None，則如果影像在 CPU 上，將設定為 True，否則設定為 False。此選擇基於經驗觀察，詳情見此：https://github.com/huggingface/transformers/pull/38157
• image_grid_pinpoints (list[list[int]], 可選) — 用於處理高解析度影像的可能解析度列表。根據影像的原始尺寸選擇最佳解析度。可以透過 preprocess 方法中的 image_grid_pinpoints 覆蓋。
• do_pad (bool, 可選) — 是否填充影像。如果設定為 True，將把批次中影像的補丁維度填充到批次中最大的補丁數量。填充將應用於底部和右側，填充值為零。

• 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 (形狀為 (batch_size, sequence_length) 的 torch.LongTensor) — 詞彙表中輸入序列 token 的索引。預設情況下將忽略填充。

  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 input IDs？

• 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。可以使用 {image_processor_class} 獲取畫素值。有關詳細資訊，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
• image_sizes (形狀為 (batch_size, 2) 的 torch.LongTensor, 可選) — 批處理中影像的大小，每個影像為 (height, width)。
• attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 避免對填充 token 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**未被掩碼**的 token，
  • 0 表示**被掩碼**的 token。

  什麼是注意力掩碼？

• position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 可選) — 每個輸入序列 token 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？

• past_key_values (list[torch.FloatTensor], 可選) — 預計算的隱藏狀態（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：

  • Cache 例項，請參見我們的 kv 快取指南；
  • 長度為 config.n_layers 的 tuple(tuple(torch.FloatTensor))，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。如果沒有傳入 past_key_values，則將返回傳統快取格式。

  如果使用 past_key_values，使用者可以選擇僅輸入形狀為 (batch_size, 1) 的最後 input_ids（那些沒有將其過去的鍵值狀態提供給此模型的 token），而不是形狀為 (batch_size, sequence_length) 的所有 input_ids。

• inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可選) — 可選地，您可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果您希望對 input_ids 索引如何轉換為相關向量有更多的控制權，而不是模型的內部嵌入查詢矩陣，這將很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 選擇視覺特徵的層索引。如果提供了多個索引，則相應索引的視覺特徵將連線起來形成視覺特徵。
• vision_feature_select_strategy (str, 可選, 預設為 "default") — 用於從視覺骨幹選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"。如果為 "default"，則從視覺特徵中移除 CLS token。如果為 "full"，則使用完整的視覺特徵。
• use_cache (bool, 可選) — 如果設定為 True，則返回 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。有關詳細資訊，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。有關詳細資訊，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。
• cache_position (形狀為 (sequence_length) 的 torch.LongTensor, 可選) — 表示輸入序列 token 在序列中的位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。

一個 transformers.models.llava_next.modeling_llava_next.LlavaNextModelOutputWithPast 或一個 torch.FloatTensor 的元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含各種元素，具體取決於配置 (LlavaNextConfig) 和輸入。

• 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 use_cache=True 傳入或當 config.use_cache=True 時返回) — 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)

  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 output_hidden_states=True 傳入或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 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）。

  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 傳入或當 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。

• image_hidden_states (torch.FloatTensor, 可選) — 形狀為 (batch_size, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由視覺編碼器生成並經過最後隱藏狀態投影后的模型影像隱藏狀態。

引數

• pixel_values (形狀為 (batch_size, num_patches, channels, height, width) 的 torch.FloatTensor]) — 對應於輸入影像的張量。
• image_sizes (形狀為 (num_images, 2) 的 torch.Tensor) — 每張影像的實際影像大小 (H, W)。
• vision_feature_layer (Union[int, list[int]], 可選) — 選擇視覺特徵的層索引。如果提供了多個索引，則相應索引的視覺特徵將連線起來形成視覺特徵。
• vision_feature_select_strategy (str, 可選) — 用於從視覺骨幹選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"

影像特徵張量列表，每個張量包含所有補丁的所有視覺特徵，形狀為 (num_patches, image_length, embed_dim)。

引數

• image_features (長度為 num_images 的 list[torch.Tensor]，每個形狀為 (num_patches, image_length, embed_dim)) — 影像特徵張量列表，每個張量包含所有補丁的所有視覺特徵。
• image_sizes (形狀為 (num_images, 2) 的 torch.Tensor) — 每張影像的實際影像大小 (H, W)。
• vision_feature_select_strategy (str) — 用於從視覺骨幹選擇視覺特徵的特徵選擇策略。
• image_newline (形狀為 (embed_dim) 的 torch.Tensor) — 換行嵌入向量。

引數

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

  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 input IDs？

• 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。可以使用 {image_processor_class} 獲取畫素值。有關詳細資訊，請參見 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
• image_sizes (形狀為 (batch_size, 2) 的 torch.LongTensor, 可選) — 批處理中影像的大小，每個影像為 (height, width)。
• attention_mask (形狀為 (batch_size, sequence_length) 的 torch.Tensor, 可選) — 避免對填充 token 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**未被掩碼**的 token，
  • 0 表示**被掩碼**的 token。

  什麼是注意力掩碼？

• position_ids (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 可選) — 每個輸入序列 token 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？

• past_key_values (list[torch.FloatTensor], 可選) — 預計算的隱藏狀態（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：

  • Cache 例項，請參見我們的 kv 快取指南；
  • 長度為 config.n_layers 的 tuple(tuple(torch.FloatTensor))，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。如果沒有傳入 past_key_values，則將返回傳統快取格式。

  如果使用 past_key_values，使用者可以選擇僅輸入形狀為 (batch_size, 1) 的最後 input_ids（那些沒有將其過去的鍵值狀態提供給此模型的 token），而不是形狀為 (batch_size, sequence_length) 的所有 input_ids。

• inputs_embeds (形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可選) — 可選地，您可以選擇直接傳遞嵌入表示，而不是傳遞 input_ids。如果您希望對 input_ids 索引如何轉換為相關向量有更多的控制權，而不是模型的內部嵌入查詢矩陣，這將很有用。
• vision_feature_layer (Union[int, list[int], NoneType]) — 選擇視覺特徵的層索引。如果提供了多個索引，則相應索引的視覺特徵將連線起來形成視覺特徵。
• vision_feature_select_strategy (str, 可選, 預設為 "default") — 用於從視覺骨幹選擇視覺特徵的特徵選擇策略。可以是 "default" 或 "full"。如果為 "default"，則從視覺特徵中移除 CLS token。如果為 "full"，則使用完整的視覺特徵。
• labels (形狀為 (batch_size, sequence_length) 的 torch.LongTensor, 可選) — 用於計算掩碼語言建模損失的標籤。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 token 將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 中的 token 計算。
• use_cache (bool, 可選) — 如果設定為 True，則返回 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。更多詳細資訊請參閱返回張量中的 attentions。
• output_hidden_states (bool, 可選) — 是否返回所有層的隱藏狀態。更多詳細資訊請參閱返回張量中的 hidden_states。
• cache_position (torch.LongTensor，形狀為 (sequence_length)，可選) — 表示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，則計算最後 logits_to_keep 個標記的 logits。如果是 0，則計算所有 input_ids 的 logits（特殊情況）。生成時只需要最後一個標記的 logits，僅計算該標記的 logits 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 1D，對應於在序列長度維度中要保留的索引。這在使用 packed tensor 格式（批次和序列長度的單維度）時非常有用。

一個 transformers.models.llava_next.modeling_llava_next.LlavaNextCausalLMOutputWithPast 或一個 torch.FloatTensor 元組（如果傳遞 return_dict=False 或當 config.return_dict=False 時），根據配置（LlavaNextConfig）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 use_cache=True 傳入或當 config.use_cache=True 時返回) — 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)

  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 或當 config.output_hidden_states=True 時返回) — torch.FloatTensor 元組（如果模型有嵌入層，則一個用於嵌入層的輸出，+ 一個用於每一層的輸出），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 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。

• image_hidden_states (torch.FloatTensor, 可選) — 一個形狀為 (batch_size * num_patches, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。由視覺編碼器生成並投影最後一個隱藏狀態後的模型影像隱藏狀態。