Transformers 4.37 中文文档（九十五）（2）-阿里云开发者社区

Transformers 4.37 中文文档（九十五）（1）https://developer.aliyun.com/article/1564069

TVLT

原文链接：huggingface.co/docs/transformers/v4.37.2/en/model_doc/tvlt

概述

TVLT 模型是由 Zineng Tang、Jaemin Cho、Yixin Nie、Mohit Bansal 提出的，首三位作者贡献相同。无文本视觉语言变换器（TVLT）是一个使用原始视觉和音频输入进行视觉和语言表示学习的模型，而不使用文本特定模块，如标记化或自动语音识别（ASR）。它可以执行各种音频视觉和视觉语言任务，如检索、问答等。

论文摘要如下：

在这项工作中，我们提出了无文本视觉语言变换器（TVLT），其中同质变换器块接受原始视觉和音频输入进行视觉和语言表示学习，具有最小的模态特定设计，并且不使用文本特定模块，如标记化或自动语音识别（ASR）。 TVLT 通过重建连续视频帧和音频频谱图的掩码块（掩码自编码）和对比建模来训练，并对齐视频和音频。 TVLT 在各种多模态任务上取得了与基于文本的对应物相当的性能，如视觉问答、图像检索、视频检索和多模态情感分析，推理速度快 28 倍，参数仅为原来的 1/3。我们的研究结果表明，在不假定文本事先存在的情况下，可以从低级视觉和音频信号中学习紧凑高效的视觉-语言表示的可能性。

TVLT 架构。取自原始论文)。

原始代码可以在这里找到。该模型由Zineng Tang贡献。

使用提示

TVLT 是一个接受pixel_values和audio_values作为输入的模型。可以使用 TvltProcessor 为模型准备数据。该处理器将图像处理器（用于图像/视频模态）和音频特征提取器（用于音频模态）封装在一起。
TVLT 是使用各种大小的图像/视频和音频进行训练的：作者将输入图像/视频调整大小并裁剪到 224，并限制音频频谱图的长度为 2048。为了使视频和音频的批处理成为可能，作者使用pixel_mask指示哪些像素是真实/填充的，以及audio_mask指示哪些音频值是真实/填充的。
TVLT 的设计与标准视觉变换器（ViT）和掩码自编码器（MAE）非常相似，如 ViTMAE。不同之处在于该模型包括音频模态的嵌入层。
此模型的 PyTorch 版本仅在 torch 1.10 及更高版本中可用。

TvltConfig

`class transformers.TvltConfig`

<来源>

( image_size = 224 spectrogram_length = 2048 frequency_length = 128 image_patch_size = [16, 16] audio_patch_size = [16, 16] num_image_channels = 3 num_audio_channels = 1 num_frames = 8 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.0 attention_probs_dropout_prob = 0.0 initializer_range = 0.02 layer_norm_eps = 1e-06 qkv_bias = True use_mean_pooling = False decoder_num_attention_heads = 16 decoder_hidden_size = 512 decoder_num_hidden_layers = 8 decoder_intermediate_size = 2048 pixel_mask_ratio = 0.75 audio_mask_ratio = 0.15 audio_mask_type = 'frame-level' task_matching = True task_mae = True loss_type = 'classification' **kwargs )

参数

image_size (int, optional, 默认为 224) — 每个图像的大小（分辨率）。
spectrogram_length (int, optional, 默认为 2048) — 每个音频频谱图的时间长度。
frequency_length (int, optional, 默认为 128) — 音频频谱图的频率长度。
image_patch_size (List[int], optional, 默认为 [16, 16]) — 每个图像块的大小（分辨率）。
audio_patch_size (List[int], optional, 默认为 [16, 16]) — 每个音频块的大小（分辨率）。
num_image_channels (int, optional, 默认为 3) — 输入图像通道数。
num_audio_channels (int, optional, 默认为 1) — 输入音频通道数。
num_frames (int，可选，默认为 8) — 输入视频的最大帧数。
hidden_size (int，可选，默认为 768) — 编码器层和池化器层的维度。
num_hidden_layers (int，可选，默认为 12) — Transformer 编码器中的隐藏层数。
num_attention_heads (int，可选，默认为 12) — Transformer 编码器中每个注意力层的注意力头数。
intermediate_size (int，可选，默认为 3072) — Transformer 编码器中“中间”（即前馈）层的维度。
hidden_act (str 或 function，可选，默认为 "gelu") — 编码器和池化器中的非线性激活函数（函数或字符串）。如果是字符串，支持 "gelu"、"relu"、"selu" 和 "gelu_new"。
hidden_dropout_prob (float，可选，默认为 0.0) — 嵌入层、编码器和池化器中所有全连接层的丢弃概率。
attention_probs_dropout_prob (float，可选，默认为 0.0) — 注意力概率的丢弃比率。
initializer_range (float，可选，默认为 0.02) — 用于初始化所有权重矩阵的截断正态初始化器的标准差。
layer_norm_eps (float，可选，默认为 1e-06) — 层归一化层使用的 epsilon。
qkv_bias (bool，可选，默认为 True) — 是否向查询、键和值添加偏置。
use_mean_pooling (bool，可选，默认为 False) — 是否对最终隐藏状态进行平均池化，而不是使用 [CLS] 标记的最终隐藏状态。
decoder_num_attention_heads (int，可选，默认为 16) — 解码器中每个注意力层的注意力头数。
decoder_hidden_size (int，可选，默认为 512) — 解码器的维度。
decoder_num_hidden_layers (int，可选，默认为 8) — 解码器中的隐藏层数。
decoder_intermediate_size (int，可选，默认为 2048) — 解码器中“中间”（即前馈）层的维度。
pixel_mask_ratio (float，可选，默认为 0.75) — 图像补丁掩码比例。
audio_mask_ratio (float，可选，默认为 0.15) — 音频补丁掩码比例。
audio_mask_type (str，可选，默认为 "frame-level") — 音频补丁掩码类型，可选择"frame-level"和“patch-level”。
task_matching (bool，可选，默认为 True) — 是否在预训练中使用视觉音频匹配任务。
task_mae (bool，可选，默认为 True) — 是否在预训练中使用掩码自编码器（MAE）。
loss_type (str，可选，默认为 "classification") — 包括回归和分类在内的损失类型。

这是一个配置类，用于存储 TvltModel 的配置。根据指定的参数实例化一个 TVLT 模型，定义模型架构。使用默认值实例化配置将产生类似于 TVLT ZinengTang/tvlt-base 架构的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。阅读来自 PretrainedConfig 的文档以获取更多信息。

示例：

>>> from transformers import TvltConfig, TvltModel
>>> # # Initializing a TVLT ZinengTang/tvlt-base style configuration
>>> configuration = TvltConfig()
>>> # # Initializing a model (with random weights) from the ZinengTang/tvlt-base style configuration
>>> model = TvltModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

TvltProcessor

`class transformers.TvltProcessor`

<来源>

( image_processor feature_extractor )

参数

image_processor (TvltImageProcessor) — TvltImageProcessor 的一个实例。图像处理器是一个必需的输入。
feature_extractor（TvltFeatureExtractor）— TvltFeatureExtractor 的一个实例。特征提取器是一个必需的输入。

构建一个 TVLT 处理器，将 TVLT 图像处理器和 TVLT 特征提取器包装成一个单一处理器。

TvltProcessor 提供了 TvltImageProcessor 和 TvltFeatureExtractor 的所有功能。查看call()的文档字符串以获取更多信息。

`call`

<来源>

( images = None audio = None images_mixed = None sampling_rate = None mask_audio = False mask_pixel = False *args **kwargs )

将images参数转发到 TvltImageProcessor 的 preprocess()，将audio参数转发到 TvltFeatureExtractor 的call()。更多信息请参考上述两个方法的文档字符串。

TvltImageProcessor

`class transformers.TvltImageProcessor`

<来源>

( do_resize: bool = True size: Dict = None patch_size: List = [16, 16] num_frames: int = 8 resample: Resampling = <Resampling.BILINEAR: 2> do_center_crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = [0.5, 0.5, 0.5] image_std: Union = [0.5, 0.5, 0.5] init_mask_generator = False **kwargs )

参数

do_resize（bool，可选，默认为True）— 是否将图像的（高度，宽度）尺寸调整为指定的size。可以被preprocess方法中的do_resize参数覆盖。
size（Dict[str, int] 可选，默认为{"shortest_edge" -- 224}）：调整大小后的输出图像大小。图像的最短边将被调整为size["shortest_edge"]，同时保持原始图像的纵横比。可以通过preprocess方法中的size进行覆盖。
patch_size（List[int] 可选，默认为[16,16]）— 图像补丁嵌入的补丁大小。
num_frames（int 可选，默认为 8）— 视频帧的最大数量。
resample（PILImageResampling，可选，默认为PILImageResampling.BILINEAR）— 调整图像大小时要使用的重采样滤波器。可以被preprocess方法中的resample参数覆盖。
do_center_crop（bool，可选，默认为True）— 是否将图像居中裁剪到指定的crop_size。可以被preprocess方法中的do_center_crop参数覆盖。
crop_size（Dict[str, int]，可选，默认为{"height" -- 224, "width": 224}）：应用中心裁剪后的图像大小。可以被preprocess方法中的crop_size参数覆盖。
do_rescale（bool，可选，默认为True）— 是否按指定比例rescale_factor对图像进行重新缩放。可以被preprocess方法中的do_rescale参数覆盖。
rescale_factor（int或float，可选，默认为 1/255）— 定义在重新缩放图像时要使用的比例因子。可以被preprocess方法中的rescale_factor参数覆盖。
do_normalize（bool，可选，默认为True）— 是否对图像进行归一化。可以被preprocess方法中的do_normalize参数覆盖。
image_mean（float或List[float]，可选，默认为IMAGENET_STANDARD_MEAN）— 在归一化图像时使用的均值。这是一个浮点数或与图像通道数相同长度的浮点数列表。可以被preprocess方法中的image_mean参数覆盖。
image_std (float 或 List[float], 可选, 默认为IMAGENET_STANDARD_STD) — 如果对图像进行归一化，则使用的标准差。这是一个浮点数或与图像中通道数相同长度的浮点数列表。可以被preprocess方法中的image_std参数覆盖。

构建一个 TVLT 图像处理器。

此处理器可通过将图像转换为 1 帧视频来为模型准备视频或图像。

`preprocess`

<来源>

( videos: Union do_resize: bool = None size: Dict = None patch_size: List = None num_frames: int = None resample: Resampling = None do_center_crop: bool = None crop_size: Dict = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None is_mixed: bool = False return_tensors: Union = None data_format: ChannelDimension = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None **kwargs ) → export const metadata = 'undefined';BatchFeature

参数

videos (ImageInput) — 要预处理的图像或视频。期望单个或批处理的帧，像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的帧，请设置do_rescale=False。
do_resize (bool, 可选, 默认为self.do_resize) — 是否调整图像大小。
size (Dict[str, int], 可选, 默认为self.size) — 应用调整大小后的图像大小。
patch_size (List[int] 可选, 默认为 self.patch_size) — 图像补丁嵌入的补丁大小。
num_frames (int 可选, 默认为 self.num_frames) — 视频帧的最大数量。
resample (PILImageResampling, 可选, 默认为self.resample) — 如果调整图像大小，则要使用的重采样滤波器。这可以是枚举PILImageResampling之一，仅在do_resize设置为True时有效。
do_center_crop (bool, 可选, 默认为self.do_centre_crop) — 是否对图像进行中心裁剪。
crop_size (Dict[str, int], 可选, 默认为self.crop_size) — 应用中心裁剪后的图像大小。
do_rescale (bool, 可选, 默认为self.do_rescale) — 是否将图像值重新缩放到[0 - 1]之间。
rescale_factor (float, 可选, 默认为self.rescale_factor) — 如果do_rescale设置为True，则要缩放图像的缩放因子。
do_normalize (bool, 可选, 默认为self.do_normalize) — 是否对图像进行归一化。
image_mean (float 或 List[float], 可选, 默认为self.image_mean) — 图像均值。
image_std (float 或 List[float], 可选, 默认为self.image_std) — 图像标准差。
is_mixed (bool, 可选) — 如果输入视频有负样本。
return_tensors (str 或 TensorType, 可选) — 要返回的张量类型。可以是以下之一：

未设置: 返回np.ndarray列表。
TensorType.TENSORFLOW 或 'tf': 返回类型为tf.Tensor的批处理。
TensorType.PYTORCH 或 'pt': 返回类型为torch.Tensor的批处理。
TensorType.NUMPY 或 'np': 返回类型为np.ndarray的批处理。
TensorType.JAX 或 'jax': 返回类型为jax.numpy.ndarray的批处理。

data_format (ChannelDimension 或 str, 可选, 默认为ChannelDimension.FIRST) — 输出图像的通道维度格式。可以是以下之一：

ChannelDimension.FIRST: 图像格式为(num_channels, height, width)。
ChannelDimension.LAST: 图像格式为(height, width, num_channels)。
未设置: 使用输入图像的推断通道维度格式。

input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则从输入图像中推断通道维度格式。可以是以下之一：

"channels_first" 或 ChannelDimension.FIRST: 图像格式为(num_channels, height, width)。
"channels_last" 或 ChannelDimension.LAST: 图像格式为(height, width, num_channels)。
"none" 或 ChannelDimension.NONE: 图像格式为(height, width)。

BatchFeature

具有以下字段的 BatchFeature：

pixel_values — 要馈送给模型的像素值，形状为(batch_size, num_channels, height, width)。
pixel_mask — 用于输入模型的像素掩码，形状为（batch_size，num_pixel_patches）。
pixel_values_mixed — 具有正负值的像素值，用于输入模型，形状为（batch_size，num_channels，height，width）。
pixel_mask_mixed — 具有正负值的像素掩码，用于输入模型，形状为（batch_size，num_pixel_patches）。

预处理视频或图像或视频或图像批处理。

TvltFeatureExtractor

`class transformers.TvltFeatureExtractor`

< source >

( spectrogram_length = 2048 num_channels = 1 patch_size = [16, 16] feature_size = 128 sampling_rate = 44100 hop_length_to_sampling_rate = 86 n_fft = 2048 padding_value = 0.0 **kwargs )

参数

spectrogram_length (Dict[str, int] optional, defaults to 2048) — 每个音频频谱图的时间长度。
num_channels (int optional, defaults to 1) — 音频通道数。
patch_size (List[int] optional, defaults to [16, 16]) — 音频补丁嵌入的补丁大小。
feature_size (int, optional, defaults to 128) — 音频频谱图的频率长度。
sampling_rate (int, optional, defaults to 44100) — 音频文件应数字化的采样率，以赫兹（Hz）表示。
hop_length_to_sampling_rate (int, optional, defaults to 86) — Hop length 是用于获取 Mel 频率系数的 STFT 中重叠窗口的长度。例如，对于采样率 44100，跳跃长度为 512，即 44100 / 512 = 86
n_fft (int, optional, defaults to 2048) — 傅立叶变换的大小。
padding_value (float, optional, defaults to 0.0) — 用于填充音频的填充值。应对应于静音。

构建一个 TVLT 音频特征提取器。此特征提取器可用于为模型准备音频。

此特征提取器继承自 FeatureExtractionMixin，其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。

`call`

< source >

( raw_speech: Union return_tensors: Union = None return_attention_mask: Optional = True sampling_rate: Optional = None resample: bool = False mask_audio: bool = False **kwargs ) → export const metadata = 'undefined';BatchFeature
• 1

参数

raw_speech (np.ndarray, List[float], List[np.ndarray], List[List[float]]) — 要填充的序列或序列批次。每个序列可以是一个 numpy 数组，一个浮点值列表，一个 numpy 数组列表或一个浮点值列表的列表。必须是单声道音频，不是立体声，即每个时间步长一个浮点数。
return_tensors (str or TensorType, optional) — 如果设置，将返回张量而不是 Python 整数列表。可接受的值为：

'pt': 返回 PyTorch torch.Tensor对象。
'np': 返回 Numpy np.ndarray对象。

return_attention_mask (bool, optional, default to True) — 是否返回注意力掩码。如果保持默认值，将根据特定 feature_extractor 的默认值返回注意力掩码。什么是注意力掩码？
对于 TvltTransformer 模型，应始终传递attention_mask以进行批量推断，以避免细微错误。
sampling_rate (int, optional) — 对raw_speech输入进行采样的采样率。强烈建议在前向调用时传递sampling_rate，以防止静默错误并允许自动语音识别流水线。当前模型支持采样率为 16000 和 44100。
resample (bool, optional, defaults to False) — 如果采样率不匹配，则重新采样输入音频以匹配。
mask_audio (bool, optional, defaults to False) — 是否对 MAE 任务的输入音频进行掩码。

BatchFeature

具有以下字段的 BatchFeature：

audio_values — 要馈送给模型的音频值，形状为(batch_size, num_channels, height, width)。
audio_mask — 要馈送给模型的音频掩码，形状为(batch_size, num_audio_patches)。

为模型准备一个或多个音频的主要方法。

TvltModel

`class transformers.TvltModel`

<来源>

( config )
• 1

参数

config (TvltConfig) — 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 TVLT 模型变压器输出原始隐藏状态，没有特定的顶部头。这个模型是 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相关信息。

`forward`

<来源>

( pixel_values: FloatTensor audio_values: FloatTensor pixel_mask: Optional = None audio_mask: Optional = None mask_pixel: bool = False mask_audio: bool = False output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.tvlt.modeling_tvlt.TvltModelOutput or tuple(torch.FloatTensor)
• 1

参数

pixel_values (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 像素值。可以使用 TvltProcessor 获取像素值。有关详细信息，请参阅 TvltProcessor.call()。
audio_values (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 音频值。可以使用 TvltProcessor 获取音频值。有关详细信息，请参阅 TvltProcessor.call()。
pixel_mask (torch.FloatTensor of shape (batch_size, num_pixel_patches)) — 像素掩码。可以使用 TvltProcessor 获取像素掩码。有关详细信息，请参阅 TvltProcessor.call()。
audio_mask (torch.FloatTensor of shape (batch_size, num_audio_patches)) — 音频掩码。可以使用 TvltProcessor 获取音频掩码。有关详细信息，请参阅 TvltProcessor.call()。
pixel_values_mixed (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 在 Tvlt 视听匹配中混合正负样本的像素值。可以使用 TvltProcessor 获取混合像素值。有关详细信息，请参阅 TvltProcessor.call()。
pixel_mask_mixed (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — pixel_values_mixed 的像素掩码。可以使用 TvltProcessor 获取混合像素掩码。有关详细信息，请参阅 TvltProcessor.call()。
mask_pixel (bool, optional) — 是否对 MAE 任务遮蔽像素。仅在 TvltForPreTraining 中设置为 True。
mask_audio (bool, optional) — 是否对 MAE 任务遮蔽音频。仅在 TvltForPreTraining 中设置为 True。
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，可选) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量中的 hidden_states。
return_dict (bool，可选) — 是否返回一个 ModelOutput 而不是一个普通元组。

transformers.models.tvlt.modeling_tvlt.TvltModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.models.tvlt.modeling_tvlt.TvltModelOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或 config.return_dict=False）包含各种元素，取决于配置（TvltConfig）和输入。

last_hidden_state (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层的隐藏状态序列。
last_pixel_hidden_state (torch.FloatTensor，形状为 (batch_size, pixel_sequence_length, hidden_size)) — 模型最后一层的像素隐藏状态序列。
last_audio_hidden_state (torch.FloatTensor，形状为 (batch_size, audio_sequence_length, hidden_size)) — 模型最后一层的音频隐藏状态序列。
pixel_label_masks (torch.FloatTensor，形状为 (batch_size, pixel_patch_length)) — 指示哪些像素 patch 被 mask（1）哪些没有被 mask（0）的张量。
audio_label_masks (torch.FloatTensor，形状为 (batch_size, audio_patch_length)) — 指示哪些音频 patch 被 mask（1）哪些没有被 mask（0）的张量。
pixel_ids_restore (torch.LongTensor，形状为 (batch_size, pixel_patch_length)) — 包含像素 masking 的 ids 排列的张量。
audio_ids_restore (torch.LongTensor，形状为 (batch_size, audio_patch_length)) — 包含音频 masking 的 ids 排列的张量。
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。模型每一层的隐藏状态（包括嵌入的输出和每一层的输出）。
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。

TvltModel 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这个函数内定义，但应该在之后调用 Module 实例而不是这个，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 TvltProcessor, TvltModel
>>> import numpy as np
>>> import torch
>>> num_frames = 8
>>> images = list(np.random.randn(num_frames, 3, 224, 224))
>>> audio = list(np.random.randn(10000))
>>> processor = TvltProcessor.from_pretrained("ZinengTang/tvlt-base")
>>> model = TvltModel.from_pretrained("ZinengTang/tvlt-base")
>>> input_dict = processor(images, audio, sampling_rate=44100, return_tensors="pt")
>>> outputs = model(**input_dict)
>>> loss = outputs.loss

TvltForPreTraining

`class transformers.TvltForPreTraining`

< source >

( config )

参数

config（TvltConfig） — 包含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，只会加载配置。查看 from_pretrained() 方法以加载模型权重。

带有顶部解码器用于自监督预训练的 TVLT 模型变压器。此模型是 PyTorch torch.nn.Module子类。将其用作常规的 PyTorch 模块，并参考 PyTorch 文档以获取有关一般用法和行为的所有相关信息。

`forward`

< source >

( pixel_values: FloatTensor audio_values: FloatTensor pixel_mask: Optional = None audio_mask: Optional = None labels: Optional = None pixel_values_mixed: Optional = None pixel_mask_mixed: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.tvlt.modeling_tvlt.TvltForPreTrainingOutput or tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 像素值。可以使用 TvltProcessor 获取像素值。详细信息请参见 TvltProcessor.call()。
audio_values (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 音频值。可以使用 TvltProcessor 获取音频值。详细信息请参见 TvltProcessor.call()。
pixel_mask (torch.FloatTensor of shape (batch_size, num_pixel_patches)) — 像素掩码。可以使用 TvltProcessor 获取像素掩码。详细信息请参见 TvltProcessor.call()。
audio_mask (torch.FloatTensor of shape (batch_size, num_audio_patches)) — 音频掩码。音频掩码可以使用 TvltProcessor 获取。详细信息请参见 TvltProcessor.call()。
pixel_values_mixed (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 在 Tvlt 视听匹配中混合正负样本的像素值。混合的像素值可以使用 TvltProcessor 获取。详细信息请参见 TvltProcessor.call()。
pixel_mask_mixed (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 混合像素值的像素掩码。可以使用 TvltProcessor 获取像素掩码混合。详细信息请参见 TvltProcessor.call()。
mask_pixel (bool, 可选) — 是否为 MAE 任务屏蔽像素。仅在 TvltForPreTraining 中设置为 True。
mask_audio (bool, 可选) — 是否为 MAE 任务屏蔽音频。仅在 TvltForPreTraining 中设置为 True。
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，请参见返回张量下的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，请参见返回张量下的hidden_states。
return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
pixel_values_mixed (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 在 Tvlt 视听匹配中混合正负样本的像素值。音频值可以使用 TvltProcessor 获取。详细信息请参见 TvltProcessor.call()。
pixel_mask_mixed（形状为(batch_size, num_channels, height, width)的torch.FloatTensor）— 像素值混合的像素掩码。可以使用 TvltProcessor 获取像素值混合。有关详细信息，请参阅 TvltProcessor.call()。
labels（形状为(batch_size, num_labels)的torch.LongTensor，可选）— 用于计算视听匹配损失的标签。索引应在[0, 1]范围内。num_labels 必须为 1。

transformers.models.tvlt.modeling_tvlt.TvltForPreTrainingOutput或tuple(torch.FloatTensor)

一个transformers.models.tvlt.modeling_tvlt.TvltForPreTrainingOutput或一个torch.FloatTensor元组（如果传递return_dict=False或config.return_dict=False）包含根据配置（TvltConfig）和输入的各种元素。

loss（形状为(1,)的torch.FloatTensor）— 像素重建损失。
matching_logits（形状为(batch_size, 1)的torch.FloatTensor）— 匹配目标对数。
pixel_logits（形状为(batch_size, pixel_patch_length, image_patch_size ** 3 * pixel_num_channels)的torch.FloatTensor）：像素重建对数。
audio_logits（形状为(batch_size, audio_patch_length, image_patch_size[0] * image_patch_size[1])的torch.FloatTensor）：音频重建对数。
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。模型在每一层输出的隐藏状态以及初始嵌入输出。
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。

TvltForPreTraining 的前向方法，覆盖了__call__特殊方法。

尽管前向传递的配方需要在此函数内定义，但应该在此之后调用Module实例，而不是这个，因为前者负责运行前处理和后处理步骤，而后者则默默地忽略它们。

示例：

>>> from transformers import TvltProcessor, TvltForPreTraining
>>> import numpy as np
>>> import torch
>>> num_frames = 8
>>> images = list(np.random.randn(num_frames, 3, 224, 224))
>>> images_mixed = list(np.random.randn(num_frames, 3, 224, 224))
>>> audio = list(np.random.randn(10000))
>>> processor = TvltProcessor.from_pretrained("ZinengTang/tvlt-base")
>>> model = TvltForPreTraining.from_pretrained("ZinengTang/tvlt-base")
>>> input_dict = processor(
...     images, audio, images_mixed, sampling_rate=44100, mask_pixel=True, mask_audio=True, return_tensors="pt"
... )
>>> outputs = model(**input_dict)
>>> loss = outputs.loss

TvltForAudioVisualClassification

`class transformers.TvltForAudioVisualClassification`

<来源>

( config )
• 1

参数

config（TvltConfig）— 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。

Tvlt 模型变压器，顶部带有分类器头（在[CLS]标记的最终隐藏状态之上的 MLP）用于音频视觉分类任务，例如 CMU-MOSEI 情感分析和音频到视频检索。

此模型是 PyTorch 的torch.nn.Module子类。将其用作常规的 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事项。

`forward`

<来源>

( pixel_values: FloatTensor audio_values: FloatTensor pixel_mask: Optional = None audio_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None labels: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.SequenceClassifierOutput or tuple(torch.FloatTensor)

参数

pixel_values (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 像素值。可以使用 TvltProcessor 获取像素值。有关详细信息，请参阅 TvltProcessor.call()。
audio_values (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — 音频值。可以使用 TvltProcessor 获取音频值。有关详细信息，请参阅 TvltProcessor.call()。
pixel_mask (torch.FloatTensor of shape (batch_size, num_pixel_patches)) — 像素掩码。可以使用 TvltProcessor 获取像素掩码。有关详细信息，请参阅 TvltProcessor.call()。
audio_mask (torch.FloatTensor of shape (batch_size, num_audio_patches)) — 音频掩码。可以使用 TvltProcessor 获取音频掩码。有关详细信息，请参阅 TvltProcessor.call()。
pixel_values_mixed (torch.FloatTensor of shape (batch_size, num_frames, num_channels, height, width)) — 在 Tvlt 视听匹配中混合正负样本的像素值。可以使用 TvltProcessor 获取混合像素值。有关详细信息，请参阅 TvltProcessor.call()。
pixel_mask_mixed (torch.FloatTensor of shape (batch_size, num_channels, height, width)) — pixel_values_mixed 的像素掩码。可以使用 TvltProcessor 获取混合像素掩码。有关详细信息，请参阅 TvltProcessor.call()。
mask_pixel (bool, optional) — 是否为 MAE 任务屏蔽像素。仅在 TvltForPreTraining 中设置为 True。
mask_audio (bool, optional) — 是否为 MAE 任务屏蔽音频。仅在 TvltForPreTraining 中设置为 True。
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，请查看返回张量下的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，请查看返回张量下的hidden_states。
return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
labels (torch.LongTensor of shape (batch_size, num_labels), optional) — 用于计算音视频损失的标签。索引应在[0, ..., num_classes-1]范围内，其中 num_classes 是音视频任务中类别的数量。

transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个torch.FloatTensor元组（如果传递了return_dict=False或当config.return_dict=False时），包括根据配置(TvltConfig)和输入的各种元素。

loss (torch.FloatTensor，形状为(1,)，可选，当提供labels时返回) — 分类（如果 config.num_labels==1 则为回归）损失。
logits (torch.FloatTensor，形状为(batch_size, config.num_labels)) — 分类（如果 config.num_labels==1 则为回归）得分（SoftMax 之前）。
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（如果模型有嵌入层，则为嵌入的输出+每一层的输出）。
模型在每一层输出的隐藏状态加上可选的初始嵌入输出。
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（每一层一个）。
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。

为音频视觉分类而设计的 TvltForAudioVisualClassification 前向方法，覆盖了__call__特殊方法。

虽然前向传递的步骤需要在这个函数内定义，但应该在之后调用Module实例，而不是这个函数，因为前者会处理运行前后的处理步骤，而后者会默默地忽略它们。

示例：

>>> from transformers import TvltProcessor, TvltForAudioVisualClassification
>>> import numpy as np
>>> import torch
>>> num_frames = 8
>>> images = list(np.random.randn(num_frames, 3, 224, 224))
>>> audio = list(np.random.randn(10000))
>>> processor = TvltProcessor.from_pretrained("ZinengTang/tvlt-base")
>>> model = TvltForAudioVisualClassification.from_pretrained("ZinengTang/tvlt-base")
>>> input_dict = processor(images, audio, sampling_rate=44100, return_tensors="pt")
>>> outputs = model(**input_dict)
>>> loss = outputs.loss

Transformers 4.37 中文文档（九十五）（3）https://developer.aliyun.com/article/1564071

Transformers 4.37 中文文档（九十五）（2）

TVLT

概述

使用提示

TvltConfig

`class transformers.TvltConfig`

TvltProcessor

`class transformers.TvltProcessor`

`call`

TvltImageProcessor

`class transformers.TvltImageProcessor`

`preprocess`

TvltFeatureExtractor

`class transformers.TvltFeatureExtractor`

`call`

TvltModel

`class transformers.TvltModel`

`forward`

TvltForPreTraining

`class transformers.TvltForPreTraining`

`forward`

TvltForAudioVisualClassification

`class transformers.TvltForAudioVisualClassification`

`forward`

热门文章

最新文章

相关课程

相关电子书

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

Transformers 4.37 中文文档（九十五）（2）

TVLT

概述

使用提示

TvltConfig

class transformers.TvltConfig

TvltProcessor

class transformers.TvltProcessor

__call__

TvltImageProcessor

class transformers.TvltImageProcessor

preprocess

TvltFeatureExtractor

class transformers.TvltFeatureExtractor

__call__

TvltModel

class transformers.TvltModel

forward

TvltForPreTraining

class transformers.TvltForPreTraining

forward

TvltForAudioVisualClassification

class transformers.TvltForAudioVisualClassification

forward

热门文章

最新文章

相关课程

相关电子书

`class transformers.TvltConfig`

`class transformers.TvltProcessor`

`call`

`class transformers.TvltImageProcessor`

`preprocess`

`class transformers.TvltFeatureExtractor`

`call`

`class transformers.TvltModel`

`forward`

`class transformers.TvltForPreTraining`

`forward`

`class transformers.TvltForAudioVisualClassification`

`forward`