Transformers 4.37 中文文档（六十五）（4）https://developer.aliyun.com/article/1564133
卷积视觉 Transformer（CvT）
原始文本：
huggingface.co/docs/transformers/v4.37.2/en/model_doc/cvt
概述
CvT 模型由吴海平、肖斌、诺尔·科代拉、刘梦晨、戴希扬、袁璐和张磊在CvT: Introducing Convolutions to Vision Transformers中提出。卷积视觉 Transformer（CvT）通过将卷积引入 ViT 中，提高了视觉 Transformer（ViT）的性能和效率，以获得这两种设计的最佳效果。
论文摘要如下：
我们在本文中提出了一种名为卷积视觉 Transformer（CvT）的新架构，通过将卷积引入 ViT 中，提高了 ViT 的性能和效率，以获得这两种设计的最佳效果。这通过两个主要修改实现：包含新的卷积标记嵌入的 Transformer 层次结构，以及利用卷积投影的卷积 Transformer 块。这些改变将卷积神经网络（CNN）的理想特性引入 ViT 架构（即平移、缩放和失真不变性），同时保持 Transformer 的优点（即动态注意力、全局上下文和更好的泛化）。我们通过进行广泛实验验证了 CvT，显示这种方法在 ImageNet-1k 上实现了其他视觉 Transformer 和 ResNet 的最新性能，参数更少，FLOPs 更低。此外，当在更大的数据集（例如 ImageNet-22k）上进行预训练并微调到下游任务时，性能增益得以保持。在 ImageNet-22k 上预训练，我们的 CvT-W24 在 ImageNet-1k 验证集上获得了 87.7%的 top-1 准确率。最后，我们的结果表明，位置编码，现有视觉 Transformer 中的关键组件，可以在我们的模型中安全地移除，简化了更高分辨率视觉任务的设计。
使用提示
- CvT 模型是常规的视觉 Transformer，但是经过卷积训练。当在 ImageNet-1K 和 CIFAR-100 上进行微调时，它们的性能优于原始模型（ViT）。
- 您可以查看关于推理以及在自定义数据上进行微调的演示笔记本这里（您只需将 ViTFeatureExtractor 替换为 AutoImageProcessor，将 ViTForImageClassification 替换为 CvtForImageClassification）。
- 可用的检查点要么（1）仅在ImageNet-22k（包含 1400 万图像和 22k 类别）上进行预训练，要么（2）在 ImageNet-22k 上进行微调，要么（3）在ImageNet-1k（也称为 ILSVRC 2012，包含 130 万图像和 1000 类别）上进行微调。
资源
一份官方 Hugging Face 和社区（由🌎表示）资源列表，帮助您开始使用 CvT。
图像分类
如果您有兴趣提交资源以包含在此处，请随时打开一个 Pull Request，我们将进行审查！资源应该展示一些新内容，而不是重复现有资源。
CvtConfig
class transformers.CvtConfig
( num_channels = 3 patch_sizes = [7, 3, 3] patch_stride = [4, 2, 2] patch_padding = [2, 1, 1] embed_dim = [64, 192, 384] num_heads = [1, 3, 6] depth = [1, 2, 10] mlp_ratio = [4.0, 4.0, 4.0] attention_drop_rate = [0.0, 0.0, 0.0] drop_rate = [0.0, 0.0, 0.0] drop_path_rate = [0.0, 0.0, 0.1] qkv_bias = [True, True, True] cls_token = [False, False, True] qkv_projection_method = ['dw_bn', 'dw_bn', 'dw_bn'] kernel_qkv = [3, 3, 3] padding_kv = [1, 1, 1] stride_kv = [2, 2, 2] padding_q = [1, 1, 1] stride_q = [1, 1, 1] initializer_range = 0.02 layer_norm_eps = 1e-12 **kwargs )
参数
num_channels(int, optional, defaults to 3) — 输入通道数patch_sizes(List[int], optional, defaults to[7, 3, 3]) — 每个编码器块的补丁嵌入的内核大小patch_stride(List[int], optional, defaults to[4, 2, 2]) — 每个编码器块的补丁嵌入的步幅大小patch_padding(List[int], optional, defaults to[2, 1, 1]) — 每个编码器块的补丁嵌入的填充大小embed_dim(List[int], optional, defaults to[64, 192, 384]) — 每个编码器块的维度num_heads(List[int], optional, defaults to[1, 3, 6]) — 每个 Transformer 编码器块中每个注意力层的注意力头数。depth(List[int], optional, defaults to[1, 2, 10]) — 每个编码器块中的层数mlp_ratios(List[float], optional, defaults to[4.0, 4.0, 4.0, 4.0]) — 在编码器块中 Mix FFN 的隐藏层大小与输入层大小的比率attention_drop_rate(List[float], optional, defaults to[0.0, 0.0, 0.0]) — 注意力概率的丢弃比率drop_rate(List[float], optional, defaults to[0.0, 0.0, 0.0]) — 补丁嵌入概率的丢弃比率drop_path_rate(List[float], optional, defaults to[0.0, 0.0, 0.1]) — 随机深度的丢弃概率，用于 Transformer 编码器块中qkv_bias(List[bool], optional, defaults to[True, True, True]) — 查询、键和值的注意力中的偏置布尔值cls_token(List[bool], optional, defaults to[False, False, True]) — 是否向每个最后 3 个阶段的输出添加分类令牌qkv_projection_method(List[string], optional, defaults to [“dw_bn”, “dw_bn”, “dw_bn”]`) — 查询、键和值的投影方法，默认为深度卷积和批量归一化。使用“avg”进行线性投影。kernel_qkv(List[int], optional, defaults to[3, 3, 3]) — 注意力层中查询、键和值的内核大小padding_kv(List[int], optional, defaults to[1, 1, 1]) — 注意力层中键和值的填充大小stride_kv(List[int], optional, defaults to[2, 2, 2]) — 注意力层中键和值的步幅大小padding_q(List[int], optional, defaults to[1, 1, 1]) — 注意力层中查询的填充大小stride_q(List[int], optional, defaults to[1, 1, 1]) — 查询在注意力层中的步幅大小initializer_range(float, optional, defaults to 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, optional, defaults to 1e-6) — 层归一化层使用的 epsilon
这是用于存储 CvtModel 配置的配置类。它用于根据指定的参数实例化 CvT 模型，定义模型架构。使用默认值实例化配置将产生类似于 CvT microsoft/cvt-13架构的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。阅读 PretrainedConfig 的文档以获取更多信息。
示例：
>>> from transformers import CvtConfig, CvtModel >>> # Initializing a Cvt msft/cvt style configuration >>> configuration = CvtConfig() >>> # Initializing a model (with random weights) from the msft/cvt style configuration >>> model = CvtModel(configuration) >>> # Accessing the model configuration >>> configuration = model.config
PytorchHide Pytorch 内容
CvtModel
class transformers.CvtModel
( config add_pooling_layer = True )
参数
config（CvtConfig）- 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关联的权重，只加载配置。查看 from_pretrained()方法以加载模型权重。
裸 Cvt 模型变压器输出原始隐藏状态，没有特定的头部。此模型是 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信息。
forward
( pixel_values: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken or tuple(torch.FloatTensor)
参数
pixel_values（形状为(batch_size, num_channels, height, width)的torch.FloatTensor）- 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅CvtImageProcessor.__call__。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 而不是普通元组。
返回
transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken或tuple(torch.FloatTensor)
一个transformers.models.cvt.modeling_cvt.BaseModelOutputWithCLSToken或一个torch.FloatTensor元组（如果传递了return_dict=False或config.return_dict=False时）包含根据配置（CvtConfig）和输入的各种元素。
last_hidden_state（形状为(batch_size, sequence_length, hidden_size)的torch.FloatTensor）- 模型最后一层的隐藏状态序列。cls_token_value（形状为(batch_size, 1, hidden_size)的torch.FloatTensor）- 模型最后一层的分类令牌。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。模型在每一层的输出的隐藏状态 + 初始嵌入输出。
CvtModel 的前向方法，覆盖__call__特殊方法。
虽然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，而不是在此之后调用，因为前者会负责运行前处理和后处理步骤，而后者会默默地忽略它们。
示例：
>>> from transformers import AutoImageProcessor, CvtModel >>> import torch >>> from datasets import load_dataset >>> dataset = load_dataset("huggingface/cats-image") >>> image = dataset["test"]["image"][0] >>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13") >>> model = CvtModel.from_pretrained("microsoft/cvt-13") >>> inputs = image_processor(image, return_tensors="pt") >>> with torch.no_grad(): ... outputs = model(**inputs) >>> last_hidden_states = outputs.last_hidden_state >>> list(last_hidden_states.shape) [1, 384, 14, 14]
CvtForImageClassification
class transformers.CvtForImageClassification
( config )
参数
config(CvtConfig) — 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关联的权重，只加载配置。查看 from_pretrained() 方法以加载模型权重。
带有图像分类头部的 Cvt 模型变压器（在 [CLS] 标记的最终隐藏状态之上的线性层），例如用于 ImageNet。
此模型是 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。
前进
( pixel_values: Optional = None labels: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → export const metadata = 'undefined';transformers.modeling_outputs.ImageClassifierOutputWithNoAttention or tuple(torch.FloatTensor)
参数
pixel_values(torch.FloatTensor，形状为(batch_size, num_channels, height, width)） — 像素值。可以使用 AutoImageProcessor 获取像素值。有关详细信息，请参阅CvtImageProcessor.__call__。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 而不是普通元组。labels(torch.LongTensor，形状为(batch_size,)，可选) — 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回结果
transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.ImageClassifierOutputWithNoAttention 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（CvtConfig）和输入的不同元素。
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）分数（SoftMax 之前）。hidden_states(tuple(torch.FloatTensor)，可选，当传递了output_hidden_states=True或当config.output_hidden_states=True时返回) — 形状为(batch_size, num_channels, height, width)的torch.FloatTensor元组。模型在每个阶段输出的隐藏状态（也称为特征图）。
CvtForImageClassification 前进方法，覆盖了 __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 实例而不是这个，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
示例：
>>> from transformers import AutoImageProcessor, CvtForImageClassification >>> import torch >>> from datasets import load_dataset >>> dataset = load_dataset("huggingface/cats-image") >>> image = dataset["test"]["image"][0] >>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13") >>> model = CvtForImageClassification.from_pretrained("microsoft/cvt-13") >>> inputs = image_processor(image, return_tensors="pt") >>> with torch.no_grad(): ... logits = model(**inputs).logits >>> # model predicts one of the 1000 ImageNet classes >>> predicted_label = logits.argmax(-1).item() >>> print(model.config.id2label[predicted_label]) tabby, tabby cat
TensorFlow 隐藏 TensorFlow 内容
TFCvtModel
类 transformers.TFCvtModel
( config: CvtConfig *inputs **kwargs )
参数
config（CvtConfig）— 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 Cvt 模型变压器输出原始隐藏状态，没有特定的顶部头。
此模型继承自 TFPreTrainedModel。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）。
此模型还是一个 tf.keras.Model 子类。将其用作常规的 TF 2.0 Keras 模型，并参考 TF 2.0 文档以获取有关一般用法和行为的所有相关信息。
TF 2.0 模型接受两种格式的输入：
- 将所有输入作为关键字参数（如 PyTorch 模型），或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
当使用 tf.keras.Model.fit 方法时，第二个选项很有用，该方法当前要求在模型调用函数的第一个参数中具有所有张量：model(inputs)。
call
( pixel_values: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) → export const metadata = 'undefined';transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken or tuple(tf.Tensor)
参数
pixel_values（np.ndarray、tf.Tensor、List[tf.Tensor]、Dict[str, tf.Tensor]或Dict[str, np.ndarray]，每个示例的形状必须为(batch_size, num_channels, height, width)）— 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参阅CvtImageProcessor.__call__。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。此参数仅在急切模式下可用，在图模式下将使用配置中的值。return_dict（bool，可选）— 是否返回一个 ModelOutput 而不是一个普通元组。此参数可以在急切模式下使用，在图模式下该值将始终设置为 True。training（bool，可选，默认为False）— 是否在训练模式下使用模型（某些模块如丢弃模块在训练和评估之间有不同的行为）。
返回
transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken 或 tuple(tf.Tensor)
一个 transformers.models.cvt.modeling_tf_cvt.TFBaseModelOutputWithCLSToken 或一个 tf.Tensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时）包含根据配置（CvtConfig）和输入的各种元素。
last_hidden_state（形状为(batch_size, sequence_length, hidden_size)的tf.Tensor）— 模型最后一层的隐藏状态序列。cls_token_value（形状为(batch_size, 1, hidden_size)的tf.Tensor）— 模型最后一层的分类标记。hidden_states（tuple(tf.Tensor)，可选，当传递output_hidden_states=True或当config.output_hidden_states=True时返回）— 形状为(batch_size, sequence_length, hidden_size)的tf.Tensor元组（一个用于嵌入的输出 + 一个用于每个层的输出）。模型在每一层的输出隐藏状态加上初始嵌入输出。
TFCvtModel 的前向方法，覆盖了__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，而不是在此之后调用，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 AutoImageProcessor, TFCvtModel >>> from PIL import Image >>> import requests >>> url = "http://images.cocodataset.org/val2017/000000039769.jpg" >>> image = Image.open(requests.get(url, stream=True).raw) >>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13") >>> model = TFCvtModel.from_pretrained("microsoft/cvt-13") >>> inputs = image_processor(images=image, return_tensors="tf") >>> outputs = model(**inputs) >>> last_hidden_states = outputs.last_hidden_state
TFCvtForImageClassification
class transformers.TFCvtForImageClassification
( config: CvtConfig *inputs **kwargs )
参数
config（CvtConfig）— 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关联的权重，只会加载配置。查看 from_pretrained()方法以加载模型权重。
Cvt 模型变压器，顶部带有图像分类头（在[CLS]标记的最终隐藏状态之上的线性层），例如用于 ImageNet。
此模型继承自 TFPreTrainedModel。查看超类文档以获取库为其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）。
此模型还是tf.keras.Model子类。将其用作常规的 TF 2.0 Keras 模型，并参考 TF 2.0 文档以获取与一般用法和行为相关的所有事项。
TF 2.0 模型接受两种格式的输入：
- 将所有输入作为关键字参数（类似于 PyTorch 模型），或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
当使用tf.keras.Model.fit方法时，第二个选项很有用，该方法当前要求在模型调用函数的第一个参数中具有所有张量：model(inputs)。
call
( pixel_values: tf.Tensor | None = None labels: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) → export const metadata = 'undefined';transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention or tuple(tf.Tensor)
参数
pixel_values（np.ndarray、tf.Tensor、List[tf.Tensor]、Dict[str, tf.Tensor]或Dict[str, np.ndarray]，每个示例的形状必须为(batch_size, num_channels, height, width)）— 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参见CvtImageProcessor.__call__。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。此参数仅在急切模式下可用，在图模式下将使用配置中的值。return_dict（bool，可选）— 是否返回 ModelOutput 而不是普通元组。此参数可在急切模式下使用，在图模式下该值将始终设置为 True。training（bool，可选，默认为False）— 是否在训练模式下使用模型（某些模块如 dropout 模块在训练和评估之间具有不同的行为）。labels（形状为(batch_size,)的tf.Tensor或np.ndarray，可选）— 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回
transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention或tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention 或者一个 tf.Tensor 元组（如果传入了 return_dict=False 或者 config.return_dict=False）包含不同的元素，取决于配置（CvtConfig）和输入。
loss（形状为(1,)的tf.Tensor，可选，当提供了labels时返回）— 分类（如果config.num_labels==1则为回归）损失。logits（形状为(batch_size, config.num_labels)的tf.Tensor）— 分类（如果config.num_labels==1则为回归）得分（SoftMax 之前）。hidden_states（tuple(tf.Tensor)，可选，当传入output_hidden_states=True或者config.output_hidden_states=True时返回）— 形状为(batch_size, num_channels, height, width)的tf.Tensor元组。模型在每个阶段输出的隐藏状态（也称为特征图）。
TFCvtForImageClassification 的前向方法，重写了 __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，而不是这个函数，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。
示例：
>>> from transformers import AutoImageProcessor, TFCvtForImageClassification >>> import tensorflow a tf >>> from PIL import Image >>> import requests >>> url = "http://images.cocodataset.org/val2017/000000039769.jpg" >>> image = Image.open(requests.get(url, stream=True).raw) >>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13") >>> model = TFCvtForImageClassification.from_pretrained("microsoft/cvt-13") >>> inputs = image_processor(images=image, return_tensors="tf") >>> outputs = model(**inputs) >>> logits = outputs.logits >>> # model predicts one of the 1000 ImageNet classes >>> predicted_class_idx = tf.math.argmax(logits, axis=-1)[0] >>> print("Predicted class:", model.config.id2label[int(predicted_class_idx)])
）— 像素值。像素值可以使用 AutoImageProcessor 获取。有关详细信息，请参见CvtImageProcessor.__call__。
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。此参数仅在急切模式下可用，在图模式下将使用配置中的值。return_dict（bool，可选）— 是否返回 ModelOutput 而不是普通元组。此参数可在急切模式下使用，在图模式下该值将始终设置为 True。training（bool，可选，默认为False）— 是否在训练模式下使用模型（某些模块如 dropout 模块在训练和评估之间具有不同的行为）。labels（形状为(batch_size,)的tf.Tensor或np.ndarray，可选）— 用于计算图像分类/回归损失的标签。索引应在[0, ..., config.num_labels - 1]范围内。如果config.num_labels == 1，则计算回归损失（均方损失），如果config.num_labels > 1，则计算分类损失（交叉熵）。
返回
transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention或tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFImageClassifierOutputWithNoAttention 或者一个 tf.Tensor 元组（如果传入了 return_dict=False 或者 config.return_dict=False）包含不同的元素，取决于配置（CvtConfig）和输入。
loss（形状为(1,)的tf.Tensor，可选，当提供了labels时返回）— 分类（如果config.num_labels==1则为回归）损失。logits（形状为(batch_size, config.num_labels)的tf.Tensor）— 分类（如果config.num_labels==1则为回归）得分（SoftMax 之前）。hidden_states（tuple(tf.Tensor)，可选，当传入output_hidden_states=True或者config.output_hidden_states=True时返回）— 形状为(batch_size, num_channels, height, width)的tf.Tensor元组。模型在每个阶段输出的隐藏状态（也称为特征图）。
TFCvtForImageClassification 的前向方法，重写了 __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，而不是这个函数，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。
示例：
>>> from transformers import AutoImageProcessor, TFCvtForImageClassification >>> import tensorflow as tf >>> from PIL import Image >>> import requests >>> url = "http://images.cocodataset.org/val2017/000000039769.jpg" >>> image = Image.open(requests.get(url, stream=True).raw) >>> image_processor = AutoImageProcessor.from_pretrained("microsoft/cvt-13") >>> model = TFCvtForImageClassification.from_pretrained("microsoft/cvt-13") >>> inputs = image_processor(images=image, return_tensors="tf") >>> outputs = model(**inputs) >>> logits = outputs.logits >>> # model predicts one of the 1000 ImageNet classes >>> predicted_class_idx = tf.math.argmax(logits, axis=-1)[0] >>> print("Predicted class:", model.config.id2label[int(predicted_class_idx)])
