Transformers 4.37 中文文档(九十)(3)https://developer.aliyun.com/article/1563839
class transformers.models.lxmert.modeling_lxmert.LxmertForQuestionAnsweringOutput
( loss: Optional = None question_answering_score: Optional = None language_hidden_states: Optional = None vision_hidden_states: Optional = None language_attentions: Optional = None vision_attentions: Optional = None cross_encoder_attentions: Optional = None )
参数
loss
(可选,当提供labels
时返回,形状为(1,)
的torch.FloatTensor
)— 总损失,作为掩码语言建模损失和下一个序列预测(分类)损失的总和。question_answering_score
(形状为(batch_size, n_qa_answers)
的torch.FloatTensor
,可选)— 问题回答目标(分类)的预测分数。language_hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回)— 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组。vision_hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回)— 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组。language_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回)— 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。vision_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回)— 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。cross_encoder_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回)— 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
LxmertForQuestionAnswering 的输出类型。
class transformers.models.lxmert.modeling_tf_lxmert.TFLxmertModelOutput
( language_output: tf.Tensor | None = None vision_output: tf.Tensor | None = None pooled_output: tf.Tensor | None = None language_hidden_states: Tuple[tf.Tensor] | None = None vision_hidden_states: Tuple[tf.Tensor] | None = None language_attentions: Tuple[tf.Tensor] | None = None vision_attentions: Tuple[tf.Tensor] | None = None cross_encoder_attentions: Tuple[tf.Tensor] | None = None )
参数
language_output
(形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
)— 语言编码器最后一层的隐藏状态序列。vision_output
(tf.Tensor
of shape(batch_size, sequence_length, hidden_size)
) — 视觉编码器最后一层的隐藏状态序列。pooled_output
(tf.Tensor
of shape(batch_size, hidden_size)
) — 序列第一个标记的最后一层隐藏状态(分类,CLS,标记),经过线性层和 Tanh 激活函数进一步处理的隐藏状态。language_hidden_states
(tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于输入特征 + 一个用于每个跨模态层的输出)。vision_hidden_states
(tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于输入特征 + 一个用于每个跨模态层的输出)。language_attentions
(tuple(tf.Tensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每个层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。vision_attentions
(tuple(tf.Tensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每个层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。cross_encoder_attentions
(tuple(tf.Tensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每个层一个)。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
Lxmert 的输出包含语言、视觉和跨模态编码器的最后隐藏状态、汇聚输出和注意力概率。(注意:在 Lxmert 中,视觉编码器被称为“关系-ship”编码器)
class transformers.models.lxmert.modeling_tf_lxmert.TFLxmertForPreTrainingOutput
( loss: tf.Tensor | None = None prediction_logits: tf.Tensor | None = None cross_relationship_score: tf.Tensor | None = None question_answering_score: tf.Tensor | None = None language_hidden_states: Tuple[tf.Tensor] | None = None vision_hidden_states: Tuple[tf.Tensor] | None = None language_attentions: Tuple[tf.Tensor] | None = None vision_attentions: Tuple[tf.Tensor] | None = None cross_encoder_attentions: Tuple[tf.Tensor] | None = None )
参数
loss
(可选,在提供labels
时返回,tf.Tensor
of shape(1,)
) — 总损失,作为掩码语言建模损失和下一个序列预测(分类)损失的总和。prediction_logits
(tf.Tensor
of shape(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前每个词汇标记的分数)。cross_relationship_score
(tf.Tensor
of shape(batch_size, 2)
) — 文本匹配目标(分类)头的预测分数(SoftMax 之前的 True/False 连续性分数)。question_answering_score
(tf.Tensor
of shape(batch_size, n_qa_answers)
) — 问答目标(分类)的预测分数。language_hidden_states
(tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于输入特征 + 一个用于每个跨模态层的输出)。vision_hidden_states
(tuple(tf.Tensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的tf.Tensor
元组(一个用于输入特征 + 一个用于每个跨模态层的输出)。language_attentions
(tuple(tf.Tensor)
, 可选的, 当传递output_attentions=True
或者当config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每层一个)。在自注意力头中用于计算加权平均值的注意力权重。vision_attentions
(tuple(tf.Tensor)
, 可选的, 当传递output_attentions=True
或者当config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每层一个)。在自注意力头中用于计算加权平均值的注意力权重。cross_encoder_attentions
(tuple(tf.Tensor)
, 可选的, 当传递output_attentions=True
或者当config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的tf.Tensor
元组(每层一个)。在自注意力头中用于计算加权平均值的注意力权重。
LxmertForPreTraining 的输出类型。
PytorchHide Pytorch 内容
LxmertModel
class transformers.LxmertModel
( config )
参数
config
(LxmertConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只加载配置。查看 from_pretrained()方法以加载模型权重。
裸 Lxmert 模型变换器输出原始隐藏状态,没有特定的头部。
LXMERT 模型是由 Hao Tan 和 Mohit Bansal 在LXMERT: Learning Cross-Modality Encoder Representations from Transformers中提出的。这是一个视觉和语言变换器模型,预训练于包括 GQA、VQAv2.0、MSCOCO 标题和 Visual genome 在内的各种多模态数据集,使用掩码语言建模、感兴趣区域特征回归、交叉熵损失用于问题回答属性预测和对象标签预测。
此模型继承自 PreTrainedModel。查看超类文档以获取库为所有模型实现的通用方法(如下载或保存、调整输入嵌入、修剪头等)。
此模型也是 PyTorch torch.nn.Module子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有信息。
forward
( input_ids: Optional = None visual_feats: Optional = None visual_pos: Optional = None attention_mask: Optional = None visual_attention_mask: Optional = None token_type_ids: Optional = None inputs_embeds: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.lxmert.modeling_lxmert.LxmertModelOutput or tuple(torch.FloatTensor)
参数
input_ids
(torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。
可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()和 PreTrainedTokenizer.call
()获取详细信息。
什么是输入 ID?visual_feats
(torch.FloatTensor
of shape(batch_size, num_visual_features, visual_feat_dim)
) — 此输入表示视觉特征。它们是使用 faster-RCNN 模型从边界框中 ROI 池化的对象特征)
目前 transformers 库中没有提供这些。visual_pos
(torch.FloatTensor
of shape(batch_size, num_visual_features, visual_pos_dim)
) — 此输入表示与它们的相对(通过索引)视觉特征对应的空间特征。预训练的 LXMERT 模型期望这些空间特征是在 0 到
目前 transformers 库中没有提供这些。attention_mask
(torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — 避免在填充标记索引上执行注意力的掩码。掩码值在[0, 1]
中选择:
- 1 表示未被屏蔽的标记,
- 0 表示被屏蔽的标记。
- 什么是注意力掩码?
visual_attention_mask
(torch.FloatTensor
of shape(batch_size, sequence_length)
, optional) — 避免在填充标记索引上执行注意力的掩码。掩码值在[0, 1]
中选择:
- 1 表示未被屏蔽的标记,
- 0 表示被屏蔽的标记。
- 什么是注意力掩码?
token_type_ids
(torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 段落标记索引,用于指示输入的第一部分和第二部分。索引在[0, 1]
中选择:
- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- 什么是标记类型 ID?
inputs_embeds
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, optional) — 可选地,您可以直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制如何将input_ids
索引转换为相关向量,这将很有用,而不是使用模型的内部嵌入查找矩阵。output_attentions
(bool
, optional) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。output_hidden_states
(bool
, optional) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。return_dict
(bool
, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.models.lxmert.modeling_lxmert.LxmertModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.lxmert.modeling_lxmert.LxmertModelOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时)包含根据配置(LxmertConfig)和输入而异的各种元素。
language_output
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
) — 语言编码器最后一层的隐藏状态序列。vision_output
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
) — 视觉编码器最后一层的隐藏状态序列。pooled_output
(torch.FloatTensor
of shape(batch_size, hidden_size)
) — 序列第一个标记(分类,CLS,标记)的最后一层隐藏状态,进一步由线性层和 Tanh 激活函数处理。线性language_hidden_states
(tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于输入特征,一个用于每个交叉模态层的输出)。vision_hidden_states
(tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) — 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于输入特征,一个用于每个交叉模态层的输出)。language_attentions
(tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。在自注意力头中用于计算加权平均值的注意力权重 softmax 后。vision_attentions
(tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。在自注意力头中用于计算加权平均值的注意力权重 softmax 后。cross_encoder_attentions
(tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或config.output_attentions=True
时返回) — 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。在自注意力头中用于计算加权平均值的注意力权重 softmax 后。
LxmertModel 的前向方法,覆盖了__call__
特殊方法。
虽然前向传递的方法需要在此函数内定义,但应该在此之后调用Module
实例,而不是在此处调用,因为前者会处理运行前后处理步骤,而后者会默默地忽略它们。
示例:
>>> from transformers import AutoTokenizer, LxmertModel >>> import torch >>> tokenizer = AutoTokenizer.from_pretrained("unc-nlp/lxmert-base-uncased") >>> model = LxmertModel.from_pretrained("unc-nlp/lxmert-base-uncased") >>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt") >>> outputs = model(**inputs) >>> last_hidden_states = outputs.last_hidden_state
LxmertForPreTraining
class transformers.LxmertForPreTraining
( config )
参数
config
(LxmertConfig) — 具有模型所有参数的模型配置类。使用配置文件初始化不会加载与模型相关的权重,只加载配置。查看 from_pretrained()方法以加载模型权重。
具有指定预训练头的 Lxmert 模型。
LXMERT 模型是由 Hao Tan 和 Mohit Bansal 在LXMERT: Learning Cross-Modality Encoder Representations from Transformers中提出的。它是一个视觉和语言变换器模型,预训练于包括 GQA、VQAv2.0、MSCOCO 标题和 Visual genome 在内的各种多模态数据集,使用掩码语言建模、感兴趣区域特征回归、交叉熵损失用于问题回答属性预测和对象标签预测的组合。
此模型继承自 PreTrainedModel。检查超类文档以获取库为所有模型实现的通用方法(如下载或保存、调整输入嵌入、修剪头等)。
此模型也是 PyTorch torch.nn.Module子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取与一般用法和行为相关的所有内容。
forward
( input_ids: Optional = None visual_feats: Optional = None visual_pos: Optional = None attention_mask: Optional = None visual_attention_mask: Optional = None token_type_ids: Optional = None inputs_embeds: Optional = None labels: Optional = None obj_labels: Optional = None matched_label: Optional = None ans: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs ) → export const metadata = 'undefined';transformers.models.lxmert.modeling_lxmert.LxmertForPreTrainingOutput or tuple(torch.FloatTensor)
参数
input_ids
(torch.LongTensor
of shape(batch_size, sequence_length)
) — 输入序列标记在词汇表中的索引。
可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call
()。
什么是输入 ID?visual_feats
(torch.FloatTensor
of shape(batch_size, num_visual_features, visual_feat_dim)
) — 这个输入表示视觉特征。它们是通过 faster-RCNN 模型从边界框中 ROI 池化的对象特征。
目前这些由 transformers 库不提供。visual_pos
(torch.FloatTensor
of shape(batch_size, num_visual_features, visual_pos_dim)
) — 这个输入表示与它们的相对(通过索引)视觉特征对应的空间特征。预训练的 LXMERT 模型期望这些空间特征是在 0 到 1 的范围内归一化的边界框。
目前这些由 transformers 库不提供。attention_mask
(torch.FloatTensor
of shape(batch_size, sequence_length)
, 可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在[0, 1]
:
- 1 代表未被
masked
的标记, - 0 代表被
masked
的标记。
- 什么是注意力掩码?
visual_attention_mask
(torch.FloatTensor
of shape(batch_size, sequence_length)
, 可选) — 避免在填充标记索引上执行注意力的掩码。掩码值选择在[0, 1]
:
- 1 代表未被
masked
的标记, - 0 代表被
masked
的标记。
- 什么是注意力掩码?
token_type_ids
(torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 段标记索引,用于指示输入的第一部分和第二部分。索引选择在[0, 1]
:
- 0 对应于 句子 A 标记,
- 1 对应于 句子 B 标记。
- 什么是标记类型 ID?
inputs_embeds
(torch.FloatTensor
of shape(batch_size, sequence_length, hidden_size)
, 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想要更多控制如何将input_ids
索引转换为相关向量,而不是使用模型的内部嵌入查找矩阵,这将很有用。output_attentions
(bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。output_hidden_states
(bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。return_dict
(bool
, 可选) — 是否返回 ModelOutput 而不是普通的元组。labels
(torch.LongTensor
of shape(batch_size, sequence_length)
, 可选) — 用于计算掩码语言建模损失的标签。索引应在[-100, 0, ..., config.vocab_size]
(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(被masked
),损失仅计算具有标签在[0, ..., config.vocab_size]
中的标记。obj_labels
(Dict[Str -- Tuple[Torch.FloatTensor, Torch.FloatTensor]]
, 可选): 每个键以视觉损失中的每一个命名,元组的每个元素的形状分别为(batch_size, num_features)
和(batch_size, num_features, visual_feature_dim)
,用于标签 ID 和标签分数matched_label
(形状为(batch_size,)
的torch.LongTensor
,可选) - 用于计算文本输入是否与图像匹配(分类)损失的标签。输入应为一个序列对(参见input_ids
文档字符串)。索引应在[0, 1]
中:
- 0 表示句子与图像不匹配,
- 1 表示句子与图像匹配。
ans
(形状为(batch_size)
的Torch.Tensor
,可选) - 正确答案的独热表示可选
返回
transformers.models.lxmert.modeling_lxmert.LxmertForPreTrainingOutput 或tuple(torch.FloatTensor)
一个 transformers.models.lxmert.modeling_lxmert.LxmertForPreTrainingOutput 或一个torch.FloatTensor
元组(如果传递return_dict=False
或config.return_dict=False
)包括根据配置(LxmertConfig)和输入的不同元素。
loss
(可选,当提供labels
时返回,形状为(1,)
的torch.FloatTensor
) - 作为掩码语言建模损失和下一个序列预测(分类)损失之和的总损失。prediction_logits
(形状为(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) - 语言建模头的预测分数(SoftMax 之前每个词汇标记的分数)。cross_relationship_score
(形状为(batch_size, 2)
的torch.FloatTensor
) - 文本匹配目标(分类)头的预测分数(SoftMax 之前的 True/False 继续分数)。question_answering_score
(形状为(batch_size, n_qa_answers)
的torch.FloatTensor
) - 问题回答目标(分类)的预测分数。language_hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) - 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于输入特征+一个用于每个跨模态层的输出)。vision_hidden_states
(tuple(torch.FloatTensor)
,可选,当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) - 形状为(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
元组(一个用于输入特征+一个用于每个跨模态层的输出)。language_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) - 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。vision_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) - 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。cross_encoder_attentions
(tuple(torch.FloatTensor)
,可选,当传递output_attentions=True
或config.output_attentions=True
时返回) - 形状为(batch_size, num_heads, sequence_length, sequence_length)
的torch.FloatTensor
元组。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
LxmertForPreTraining 的前向方法,覆盖__call__
特殊方法。
虽然前向传递的步骤需要在此函数内定义,但应该在此之后调用Module
实例,而不是在此处调用,因为前者会负责运行预处理和后处理步骤,而后者会默默地忽略它们。
Transformers 4.37 中文文档(九十)(5)https://developer.aliyun.com/article/1563842