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) — 格式為 {"height": h, "width": w} 的字典，指定調整大小後輸出影像的尺寸。
• resample (PILImageResampling filter, optional, defaults to self.resample) — 影像大小調整時使用的 PILImageResampling 過濾器，例如 PILImageResampling.BILINEAR。僅當 do_resize 設定為 True 時有效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否將影像值重新縮放為 [0 - 1] 之間。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 設定為 True，則影像的重新縮放因子。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否對影像進行歸一化。
• image_mean (float or list[float], optional, defaults to self.image_mean) — 如果 do_normalize 設定為 True，則影像使用的平均值。
• image_std (float or list[float], optional, defaults to self.image_std) — 如果 do_normalize 設定為 True，則影像使用的標準差。
• return_tensors (str or TensorType, optional) — 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'：返回型別為 tf.Tensor 的批處理。
  • TensorType.PYTORCH 或 'pt'：返回型別為 torch.Tensor 的批處理。
  • TensorType.NUMPY 或 'np'：返回型別為 np.ndarray 的批處理。
  • TensorType.JAX 或 'jax'：返回型別為 jax.numpy.ndarray 的批處理。
• data_format (ChannelDimension or str, optional, defaults to 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 or str, optional) — 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)。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否將影像轉換為 RGB。

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。如果傳入畫素值在 0 到 1 之間的影像，請設定 do_rescale=False。
• do_resize (bool, optional) — 是否調整影像大小。
• size (dict[str, int], optional) — 描述模型最大輸入維度。
• default_to_square (bool, optional) — 如果大小為整數，是否在調整大小後預設為正方形影像。
• resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 調整影像大小時使用的重取樣過濾器。這可以是列舉 PILImageResampling 之一。僅當 do_resize 設定為 True 時有效。
• 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) — 是否重新縮放影像。
• rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 設定為 True，則影像的重新縮放因子。
• 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”，則返回堆疊的張量，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, 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，以便單獨處理而不是批次處理。如果為 None，則在影像位於 CPU 上時設定為 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

• 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

• pixel_values (torch.Tensor of shape (batch_size, num_channels, image_size, image_size), optional) — 與輸入影像對應的張量。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 of shape (batch_size, num_patches), optional) — 布林掩碼位置。指示哪些補丁被掩碼（1），哪些沒有（0）。
• head_mask (torch.Tensor of shape (num_heads,) or (num_layers, num_heads), optional) — 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]：
  • 1 表示頭部未被掩碼，
  • 0 表示頭部被掩碼。
• 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，請參見返回張量中的 attentions。
• output_hidden_states (bool, optional) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參見返回張量中的 hidden_states。
• interpolate_pos_encoding (bool, optional) — 是否插值預訓練的位置編碼。
• return_dict (bool, optional) — 是否返回 ModelOutput 而不是純元組。

一個 transformers.modeling_outputs.BaseModelOutputWithPooling 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置（ViTConfig）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 (torch.FloatTensor of shape (batch_size, hidden_size)) — 序列中第一個標記（分類標記）的最後一層隱藏狀態，經過用於輔助預訓練任務的層進一步處理。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個句子預測（分類）目標進行訓練。

• hidden_states (tuple(torch.FloatTensor), optional, 當傳入 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，則包括嵌入層的輸出，加上每一層的輸出），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), optional, 當傳入 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。

引數

• pixel_values (torch.Tensor of shape (batch_size, num_channels, image_size, image_size), optional) — 與輸入影像對應的張量。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 of shape (batch_size, num_patches)) — 布林掩碼位置。指示哪些補丁被掩碼（1），哪些沒有（0）。
• head_mask (torch.Tensor of shape (num_heads,) or (num_layers, num_heads), optional) — 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]：
  • 1 表示頭部未被掩碼，
  • 0 表示頭部被掩碼。
• 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，請參見返回張量中的 attentions。
• output_hidden_states (bool, optional) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參見返回張量中的 hidden_states。
• interpolate_pos_encoding (bool, optional) — 是否插入預訓練位置編碼。
• return_dict (bool, optional) — 是否返回ModelOutput而不是普通元組。

一個 transformers.modeling_outputs.MaskedImageModelingOutput 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（ViTConfig）和輸入而定的各種元素。

• loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 bool_masked_pos 時返回) — 重構損失。
• reconstruction (形狀為 (batch_size, num_channels, height, width) 的 torch.FloatTensor) — 重構/完成的影像。
• hidden_states (tuple(torch.FloatTensor)，可選，當傳入 output_hidden_states=True 時返回，或者
• 當 config.output_hidden_states=True 時) — 形狀為 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor 元組（如果模型有嵌入層，則一個用於嵌入層的輸出，加上一個用於每個階段的輸出）。模型在每個階段輸出的隱藏狀態（也稱為特徵圖）。
• attentions (tuple(torch.FloatTensor)，可選，當傳入 output_attentions=True 時返回，或者當
• config.output_attentions=True 時): 形狀為 (batch_size, num_heads, patch_size, 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。

引數

• pixel_values (形狀為 (batch_size, num_channels, image_size, image_size) 的 torch.Tensor，可選) — 對應輸入影像的張量。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 (形狀為 (num_heads,) 或 (num_layers, num_heads) 的 torch.Tensor，可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選自 [0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部已被遮蔽。
• labels (形狀為 (batch_size,) 的 torch.LongTensor，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, 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, 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。
• interpolate_pos_encoding (bool, 可選) — 是否插入預訓練位置編碼。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通元組。

一個 transformers.modeling_outputs.ImageClassifierOutput 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（ViTConfig）和輸入而定的各種元素。

• 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，當傳入 output_hidden_states=True 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，則一個用於嵌入層的輸出，加上一個用於每個階段的輸出）。模型在每個階段輸出的隱藏狀態（也稱為特徵圖）。

• attentions (tuple(torch.FloatTensor)，可選，當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, patch_size, 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。

引數

• pixel_values (np.ndarray, tf.Tensor, list[tf.Tensor] `dict[str, tf.Tensor] 或 dict[str, np.ndarray]，並且每個示例必須具有形狀 (batch_size, num_channels, height, width)) — 畫素值。畫素值可以使用 AutoImageProcessor 獲取。有關詳細資訊，請參見 ViTImageProcessor.call()。
• head_mask (形狀為 (num_heads,) 或 (num_layers, num_heads) 的 np.ndarray 或 tf.Tensor，可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選自 [0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部已被遮蔽。
• 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。此引數僅在 eager 模式下可用，在 graph 模式下將使用配置中的值。
• 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。此引數僅在 eager 模式下可用，在 graph 模式下將使用配置中的值。
• interpolate_pos_encoding (bool, 可選) — 是否插入預訓練位置編碼。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通元組。此引數在 eager 模式下可用，在 graph 模式下將始終設定為 True。
• training (bool, 可選，預設為 `False“) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間有不同的行為）。

一個 transformers.modeling_tf_outputs.TFBaseModelOutputWithPooling 或一個 tf.Tensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（ViTConfig）和輸入而定的各種元素。

• last_hidden_state (tf.Tensor of shape (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 tf.Tensor) — 序列第一個 token（分類 token）的最後一層隱藏狀態，經線性層和 Tanh 啟用函式進一步處理。線性層權重在預訓練期間透過下一個句子預測（分類）目標進行訓練。

  此輸出通常不是輸入語義內容的良好摘要，通常最好對整個輸入序列的隱藏狀態進行平均或池化。

• hidden_states (tuple(tf.Tensor)，可選，當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元組（一個用於嵌入層的輸出 + 一個用於每個層的輸出）。

  模型在每個層輸出的隱藏狀態加上初始嵌入輸出。

• attentions (tuple(tf.Tensor)，可選，當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 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。

引數

• pixel_values (np.ndarray, tf.Tensor, list[tf.Tensor] `dict[str, tf.Tensor] 或 dict[str, np.ndarray]，且每個示例必須具有形狀 (batch_size, num_channels, height, width)) — 畫素值。畫素值可以使用 AutoImageProcessor 獲取。有關詳細資訊，請參見 ViTImageProcessor.call()。
• head_mask (形狀為 (num_heads,) 或 (num_layers, num_heads) 的 np.ndarray 或 tf.Tensor，可選) — 用於使自注意力模組的選定頭部無效的掩碼。掩碼值選自 [0, 1]：
  • 1 表示頭部未被遮蔽，
  • 0 表示頭部已被遮蔽。
• 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。此引數僅在 eager 模式下可用，在 graph 模式下將使用配置中的值。
• 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。此引數僅在 eager 模式下可用，在 graph 模式下將使用配置中的值。
• interpolate_pos_encoding (bool, 可選) — 是否插入預訓練位置編碼。
• return_dict (bool, 可選) — 是否返回ModelOutput而不是普通元組。此引數在 eager 模式下可用，在 graph 模式下將始終設定為 True。
• training (bool, 可選，預設為 `False“) — 是否在訓練模式下使用模型（某些模組如 dropout 模組在訓練和評估之間有不同的行為）。
• labels (形狀為 (batch_size,) 的 tf.Tensor 或 np.ndarray，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）。

一個 transformers.modeling_tf_outputs.TFSequenceClassifierOutput 或一個 tf.Tensor 元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（ViTConfig）和輸入而定的各種元素。

• loss (tf.Tensor，形狀為 (batch_size, )，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 (tf.Tensor，形狀為 (batch_size, config.num_labels)) — 分類（或迴歸，如果 config.num_labels==1）分數（SoftMax 之前）。

• hidden_states (tuple(tf.Tensor)，可選，當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — 形狀為 (batch_size, sequence_length, hidden_size) 的 tf.Tensor 元組（一個用於嵌入層的輸出 + 一個用於每個層的輸出）。

  模型在每個層輸出的隱藏狀態加上初始嵌入輸出。

• attentions (tuple(tf.Tensor)，可選，當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — 形狀為 (batch_size, num_heads, sequence_length, sequence_length) 的 tf.Tensor 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。

一個 transformers.modeling_flax_outputs.FlaxBaseModelOutputWithPooling 或一個 torch.FloatTensor 的元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（<class 'transformers.models.vit.configuration_vit.ViTConfig'>）和輸入而定的各種元素。

• last_hidden_state (形狀為 (batch_size, sequence_length, hidden_size) 的 jnp.ndarray) — 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 jnp.ndarray) — 序列第一個 token（分類 token）的最後一層隱藏狀態，經過線性層和 Tanh 啟用函式進一步處理。線性層的權重在預訓練期間透過下一句預測（分類）目標進行訓練。

• hidden_states (tuple(jnp.ndarray), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — jnp.ndarray 的元組（一個用於嵌入層輸出 + 每個層輸出一個），形狀為 (batch_size, sequence_length, hidden_size)。

  模型在每個層輸出的隱藏狀態加上初始嵌入輸出。

• attentions (tuple(jnp.ndarray), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — jnp.ndarray 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。

一個 transformers.modeling_flax_outputs.FlaxSequenceClassifierOutput 或一個 torch.FloatTensor 的元組（如果傳入 return_dict=False 或當 config.return_dict=False 時），包含根據配置（<class 'transformers.models.vit.configuration_vit.ViTConfig'>）和輸入而定的各種元素。

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

• hidden_states (tuple(jnp.ndarray), 可選, 當傳入 output_hidden_states=True 或當 config.output_hidden_states=True 時返回) — jnp.ndarray 的元組（一個用於嵌入層輸出 + 每個層輸出一個），形狀為 (batch_size, sequence_length, hidden_size)。

  模型在每個層輸出的隱藏狀態加上初始嵌入輸出。

• attentions (tuple(jnp.ndarray), 可選, 當傳入 output_attentions=True 或當 config.output_attentions=True 時返回) — jnp.ndarray 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。