Transformers documentation
Mô hình Encoder Decoder thị giác
Mô hình này được công bố trên HF papers vào ngày 2021-09-21 và được đóng góp cho Hugging Face Transformers vào ngày 2021-10-13.
Mô hình Encoder Decoder thị giác
Tổng quan
VisionEncoderDecoderModel có thể được sử dụng để khởi tạo một mô hình từ ảnh sang văn bản với bất kỳ mô hình thị giác dựa trên Transformer đã được huấn luyện trước nào làm bộ mã hóa (ví dụ ViT, BEiT, DeiT, Swin) và bất kỳ mô hình ngôn ngữ đã được huấn luyện trước nào làm bộ giải mã (ví dụ RoBERTa, GPT2, BERT, DistilBERT).
Hiệu quả của việc khởi tạo các mô hình từ ảnh sang chuỗi văn bản bằng các checkpoint được huấn luyện trước đã được chứng minh trong (chẳng hạn) TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models của Minghao Li, Tengchao Lv, Lei Cui, Yijuan Lu, Dinei Florencio, Cha Zhang, Zhoujun Li, Furu Wei.
Sau khi một VisionEncoderDecoderModel như vậy được huấn luyện/tinh chỉnh, nó có thể được lưu/tải về giống như bất kỳ mô hình nào khác (xem các ví dụ bên dưới để biết thêm thông tin).
Một ứng dụng ví dụ là chú thích hình ảnh, trong đó bộ mã hóa được sử dụng để mã hóa hình ảnh, sau đó một mô hình ngôn ngữ tự hồi quy sẽ tạo ra chú thích. Một ví dụ khác là nhận dạng ký tự quang học. Tham khảo TrOCR, đây là một trường hợp của VisionEncoderDecoderModel.
Khởi tạo ngẫu nhiên VisionEncoderDecoderModel từ cấu hình mô hình
VisionEncoderDecoderModel có thể được khởi tạo ngẫu nhiên từ cấu hình encoder và cấu hình decoder. Trong ví dụ dưới đây, chúng ta sẽ xem cách thực hiện điều này bằng cách sử dụng cấu hình ViTModel mặc định cho encoder và cấu hình BertForCausalLM mặc định cho decoder.
from transformers import BertConfig, VisionEncoderDecoderConfig, VisionEncoderDecoderModel, ViTConfig
config_encoder = ViTConfig()
config_decoder = BertConfig()
config = VisionEncoderDecoderConfig.from_encoder_decoder_configs(config_encoder, config_decoder)
model = VisionEncoderDecoderModel(config=config)Khởi tạo VisionEncoderDecoderModel từ một encoder được huấn luyện trước và một decoder được huấn luyện trước
VisionEncoderDecoderModel có thể được khởi tạo từ một checkpoint encoder đã được huấn luyện trước và một checkpoint decoder đã được huấn luyện trước. Lưu ý rằng bất kỳ mô hình thị giác nào dựa trên Transformer đã được huấn luyện trước, ví dụ Swin, đều có thể đóng vai trò là encoder và cả các mô hình tự mã hóa đã được huấn luyện trước, ví dụ BERT, các mô hình ngôn ngữ nhân quả đã được huấn luyện trước, ví dụ GPT2, cũng như phần decoder đã được huấn luyện trước của các mô hình sequence-to-sequence, ví dụ decoder của BART, đều có thể được sử dụng làm decoder.
Tùy thuộc vào kiến trúc bạn chọn làm decoder, các lớp cross-attention có thể được khởi tạo ngẫu nhiên.
Việc khởi tạo VisionEncoderDecoderModel từ một checkpoint encoder và decoder đã được huấn luyện trước đòi hỏi mô hình phải được tinh chỉnh trên một tác vụ downstream, như đã được minh họa trong bài đăng blog Warm-starting-encoder-decoder.
Để làm điều này, lớp VisionEncoderDecoderModel cung cấp phương thức VisionEncoderDecoderModel.from_encoder_decoder_pretrained().
from transformers import VisionEncoderDecoderModel
model = VisionEncoderDecoderModel.from_encoder_decoder_pretrained(
"microsoft/swin-base-patch4-window7-224-in22k", "google-bert/bert-base-uncased"
)Tải checkpoint VisionEncoderDecoderModel hiện có và thực hiện suy luận
Để nạp các checkpoint đã tinh chỉnh của lớp VisionEncoderDecoderModel, VisionEncoderDecoderModel cung cấp phương thức from_pretrained(...) giống như bất kỳ kiến trúc mô hình nào khác trong Transformers.
Để thực hiện suy luận, người ta sử dụng phương thức generate, cho phép tạo văn bản theo kiểu tự hồi quy. Phương thức này hỗ trợ nhiều dạng giải mã khác nhau, chẳng hạn như tham lam, tìm kiếm chùm và lấy mẫu đa thức.
import requests
from PIL import Image
from transformers import GPT2TokenizerFast, ViTImageProcessor, VisionEncoderDecoderModel
# load a fine-tuned image captioning model and corresponding tokenizer and image processor
model = VisionEncoderDecoderModel.from_pretrained("nlpconnect/vit-gpt2-image-captioning", device_map="auto")
tokenizer = GPT2TokenizerFast.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
image_processor = ViTImageProcessor.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
# let's perform inference on an image
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = image_processor(image, return_tensors="pt").to(model.device).pixel_values
# autoregressively generate caption (uses greedy decoding by default)
generated_ids = model.generate(pixel_values)
generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(generated_text)
a cat laying on a blanket next to a cat laying on a bedHuấn luyện
Sau khi mô hình được tạo, nó có thể được tinh chỉnh tương tự như BART, T5 hoặc bất kỳ mô hình encoder-decoder nào khác trên một tập dữ liệu gồm các cặp (image, text).
Như bạn có thể thấy, mô hình chỉ cần 2 đầu vào để tính toán loss: pixel_values (là các
ảnh) và labels (là input_ids của chuỗi đích đã được mã hóa).
from datasets import load_dataset
from transformers import BertTokenizer, VisionEncoderDecoderModel, ViTImageProcessor
image_processor = ViTImageProcessor.from_pretrained("google/vit-base-patch16-224-in21k")
tokenizer = BertTokenizer.from_pretrained("google-bert/bert-base-uncased")
model = VisionEncoderDecoderModel.from_encoder_decoder_pretrained(
"google/vit-base-patch16-224-in21k", "google-bert/bert-base-uncased"
)
model.config.decoder_start_token_id = tokenizer.cls_token_id
model.config.pad_token_id = tokenizer.pad_token_id
dataset = load_dataset("huggingface/cats-image")
image = dataset["test"]["image"][0]
pixel_values = image_processor(image, return_tensors="pt").to(model.device).pixel_values
labels = tokenizer(
"an image of two cats chilling on a couch",
return_tensors="pt",
).input_ids
# the forward function automatically creates the correct decoder_input_ids
loss = model(pixel_values=pixel_values, labels=labels).lossMô hình này được đóng góp bởi nielsr.
VisionEncoderDecoderConfig
lớp transformers.VisionEncoderDecoderConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0id2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneis_encoder_decoder: bool = Trueencoder: transformers.configuration_utils.PreTrainedConfig | dict | None = Nonedecoder: transformers.configuration_utils.PreTrainedConfig | dict | None = None )
Tham số
- is_encoder_decoder (
bool, tùy chọn, mặc định làTrue) — Xác định xem mô hình có được sử dụng như một encoder/decoder hay không. - encoder (
Union[~configuration_utils.PreTrainedConfig, dict], tùy chọn) — Đối tượng config hoặc từ điển của bộ khung encoder. - decoder (
Union[~configuration_utils.PreTrainedConfig, dict], tùy chọn) — Đối tượng config hoặc từ điển của bộ khung (backbone) decoder.
Đây là lớp cấu hình để lưu trữ cấu hình của một mô hình Vision Encoder Decoder. Nó được sử dụng để khởi tạo một mô hình Vision Encoder Decoder theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của None
Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.
Ví dụ:
>>> from transformers import BertConfig, ViTConfig, VisionEncoderDecoderConfig, VisionEncoderDecoderModel
>>> # Initializing a ViT & BERT style configuration
>>> config_encoder = ViTConfig()
>>> config_decoder = BertConfig()
>>> config = VisionEncoderDecoderConfig(encoder=config_encoder, decoder=config_decoder)
>>> # Initializing a ViTBert model (with random weights) from a ViT & google-bert/bert-base-uncased style configurations
>>> model = VisionEncoderDecoderModel(config=config)
>>> # Accessing the model configuration
>>> config_encoder = model.config.encoder
>>> config_decoder = model.config.decoder
>>> # set decoder config to causal lm
>>> config_decoder.is_decoder = True
>>> config_decoder.add_cross_attention = True
>>> # Saving the model, including its configuration
>>> model.save_pretrained("my-model")
>>> # loading model and config from pretrained folder
>>> encoder_decoder_config = VisionEncoderDecoderConfig.from_pretrained("my-model")
>>> model = VisionEncoderDecoderModel.from_pretrained("my-model", config=encoder_decoder_config)from_encoder_decoder_configs
< source >( encoder_config: PreTrainedConfigdecoder_config: PreTrainedConfig**kwargs ) → VisionEncoderDecoderConfig
Trả về
Một đối tượng cấu hình
Tạo một VisionEncoderDecoderConfig (hoặc một lớp kế thừa) từ cấu hình của mô hình encoder được huấn luyện trước và cấu hình của mô hình decoder.
VisionEncoderDecoderModel
lớp transformers.VisionEncoderDecoderModel
< source >( config: transformers.configuration_utils.PreTrainedConfig | None = Noneencoder: transformers.modeling_utils.PreTrainedModel | None = Nonedecoder: transformers.modeling_utils.PreTrainedModel | None = None )
Tham số
- config (PreTrainedConfig, optional) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số của mô hình.
- encoder (
PreTrainedModel, tùy chọn) — Mô hình encoder cần sử dụng. - decoder (
PreTrainedModel, tùy chọn) — Mô hình decoder cần sử dụng.
Mô hình Vision Encoder Decoder cơ bản, xuất ra các hidden-state thô mà không có bất kỳ head cụ thể nào ở phía trên.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
forward
< source >( pixel_values: typing.Optional[torch.FloatTensor] = Nonedecoder_input_ids: typing.Optional[torch.LongTensor] = Nonedecoder_attention_mask: typing.Optional[torch.BoolTensor] = Noneencoder_outputs: tuple[torch.FloatTensor] | None = Nonepast_key_values: transformers.cache_utils.Cache | None = Nonedecoder_inputs_embeds: typing.Optional[torch.FloatTensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = Noneoutput_attentions: bool | None = Noneoutput_hidden_states: bool | None = Nonereturn_dict: bool | None = None**kwargs ) → Seq2SeqLMOutput or tuple(torch.FloatTensor)
Tham số
- pixel_values (
torch.FloatTensorcó shape(batch_size, num_channels, image_size, image_size), tùy chọn) — Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụngimage_processor_class. Xemimage_processor_class.__call__để biết chi tiết (processor_classsử dụngimage_processor_classđể xử lý ảnh). - decoder_input_ids (
torch.LongTensorcó hình dạng(batch_size, target_sequence_length), tùy chọn) — Chỉ số của các token trong chuỗi đầu vào của decoder trong bảng từ vựng. Có thể lấy chỉ số bằng cách sử dụng PreTrainedTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết chi tiết. input IDs là gì? Nếu sử dụng past_key_values, tùy chọn chỉ cần nhập decoder_input_ids cuối cùng (xem past_key_values). Đối với huấn luyện, decoder_input_ids được tạo tự động bởi mô hình bằng cách dịch chuyển labels sang phải, thay thế -100 bằng pad_token_id và thêm decoder_start_token_id vào đầu.Các chỉ số có thể được lấy bằng cách sử dụng PreTrainedTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết thêm chi tiết.
Nếu
past_key_valuesđược sử dụng, tùy chọn chỉ cần nhậpdecoder_input_idscuối cùng (xempast_key_values).Để huấn luyện,
decoder_input_idsđược mô hình tự động tạo ra bằng cách dịch chuyểnlabelssang phải, thay thế -100 bằngpad_token_idvà thêmdecoder_start_token_idvào đầu. - decoder_attention_mask (
torch.BoolTensorcó shape(batch_size, target_sequence_length), tùy chọn) — Hành vi mặc định: tạo một tensor bỏ qua các pad token trongdecoder_input_ids. Causal mask cũng sẽ được sử dụng theo mặc định. - encoder_outputs (
tuple[torch.FloatTensor], tùy chọn) — Tuple gồm (last_hidden_state, tùy chọn:hidden_states, tùy chọn:attentions)last_hidden_statecó shape(batch_size, sequence_length, hidden_size), tùy chọn) là một chuỗi các hidden-states tại đầu ra của lớp cuối cùng của encoder. Được sử dụng trong cross-attention của decoder. - past_key_values (
~cache_utils.Cache, tuỳ chọn) — Các hidden-state đã tính trước (key và value trong các khối self-attention và cross-attention) có thể được sử dụng để tăng tốc giải mã tuần tự. Điều này thường bao gồmpast_key_valuesđược trả về bởi mô hình ở một giai đoạn giải mã trước đó, khiuse_cache=Truehoặcconfig.use_cache=True.Chỉ cho phép Cache instance làm đầu vào, xem hướng dẫn kv cache của chúng tôi. Nếu không truyền
past_key_values, DynamicCache sẽ được khởi tạo theo mặc định.Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào.
Nếu
past_key_valuesđược sử dụng, người dùng được kỳ vọng chỉ nhậpinput_idschưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có hình dạng(batch_size, unprocessed_length)thay vì toàn bộinput_idscó hình dạng(batch_size, sequence_length). - decoder_inputs_embeds (
torch.FloatTensorcó hình dạng(batch_size, target_sequence_length, hidden_size), tùy chọn) — Tùy chọn, thay vì truyềndecoder_input_ids, bạn có thể chọn truyền trực tiếp một biểu diễn đã nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ sốdecoder_input_idsthành các vector tương ứng so với ma trận tra cứu nhúng nội bộ của mô hình. - labels (
torch.LongTensorcó shape(batch_size, sequence_length), tùy chọn) — Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có che cho bộ giải mã. Chỉ số phải nằm trong[-100, 0, ..., config.vocab_size](xem docstring củainput_ids). Các token có chỉ số được đặt thành-100sẽ bị bỏ qua (che), tổn thất chỉ được tính cho các token có nhãn trong[0, ..., config.vocab_size] - use_cache (
bool, tùy chọn) — Nếu đặt thànhTrue, các trạng thái key value củapast_key_valuessẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xempast_key_values). - output_attentions (
bool, tùy chọn) — Có trả về các tensor attentions của tất cả các lớp attention hay không. Xemattentionstrong phần tensor được trả về để biết thêm chi tiết. - output_hidden_states (
bool, tùy chọn) — Có trả về trạng thái ẩn (hidden states) của tất cả các lớp hay không. Xemhidden_statestrong phần tensor trả về để biết thêm chi tiết. - return_dict (
bool, tùy chọn) — Có nên trả về một ModelOutput thay vì một tuple thông thường hay không.
Trả về
Seq2SeqLMOutput hoặc tuple(torch.FloatTensor)
Một Seq2SeqLMOutput hoặc một tuple của
torch.FloatTensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (VisionEncoderDecoderConfig) và đầu vào.
Phương thức forward của VisionEncoderDecoderModel ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
loss (
torch.FloatTensorcó shape(1,), tuỳ chọn, được trả về khilabelsđược cung cấp) — Loss của mô hình ngôn ngữ.logits (
torch.FloatTensorcó hình dạng(batch_size, sequence_length, config.vocab_size)) — Điểm dự đoán của đầu mô hình hóa ngôn ngữ (điểm cho mỗi token từ vựng trước SoftMax).past_key_values (
EncoderDecoderCache, tùy chọn, được trả về khiuse_cache=Trueđược truyền vào hoặc khiconfig.use_cache=True) — Đây là một instance của EncoderDecoderCache. Để biết thêm chi tiết, hãy xem hướng dẫn về kv cache của chúng tôi.Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và trong các khối cross-attention) có thể được sử dụng (xem đầu vào
past_key_values) để tăng tốc độ giải mã tuần tự.decoder_hidden_states (
tuple(torch.FloatTensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.FloatTensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của bộ giải mã tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
decoder_attentions (
tuple(torch.FloatTensor), tùy chọn, được trả về khi truyềnoutput_attentions=Truehoặc khiconfig.output_attentions=True) — Tuple củatorch.FloatTensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
cross_attentions (
tuple(torch.FloatTensor), tùy chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.FloatTensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý của lớp cross-attention của bộ giải mã, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý chéo.
encoder_last_hidden_state (
torch.FloatTensorcó hình dạng(batch_size, sequence_length, hidden_size), tùy chọn) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của encoder trong mô hình.encoder_hidden_states (
tuple(torch.FloatTensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.FloatTensor(một cho đầu ra của các embedding, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của bộ mã hóa tại đầu ra của mỗi lớp cùng với đầu ra của nhúng ban đầu.
encoder_attentions (
tuple(torch.FloatTensor), tùy chọn, được trả về khi truyềnoutput_attentions=Truehoặc khiconfig.output_attentions=True) — Tuple củatorch.FloatTensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý của bộ mã hóa, sau softmax chú ý, được sử dụng để tính trung bình có trọng số trong các đầu chú ý tự (self-attention).
Ví dụ:
>>> from transformers import AutoProcessor, VisionEncoderDecoderModel
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from PIL import Image
>>> import torch
>>> processor = AutoProcessor.from_pretrained("microsoft/trocr-base-handwritten")
>>> model = VisionEncoderDecoderModel.from_pretrained("microsoft/trocr-base-handwritten")
>>> # load image from the IAM dataset
>>> url = "https://fki.tic.heia-fr.ch/static/img/a01-122-02.jpg"
>>> with httpx.stream("GET", url) as response:
... image = Image.open(BytesIO(response.read())).convert("RGB")
>>> # training
>>> model.config.decoder_start_token_id = processor.tokenizer.eos_token_id
>>> model.config.pad_token_id = processor.tokenizer.pad_token_id
>>> model.config.vocab_size = model.config.decoder.vocab_size
>>> pixel_values = processor(image, return_tensors="pt").pixel_values
>>> text = "hello world"
>>> labels = processor.tokenizer(text, return_tensors="pt").input_ids
>>> outputs = model(pixel_values=pixel_values, labels=labels)
>>> loss = outputs.loss
>>> # inference (generation)
>>> generated_ids = model.generate(pixel_values)
>>> generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]from_encoder_decoder_pretrained
< source >( encoder_pretrained_model_name_or_path: str | None = Nonedecoder_pretrained_model_name_or_path: str | None = None*model_args**kwargs )
Tham số
- encoder_pretrained_model_name_or_path (
str, tuỳ chọn) — Thông tin cần thiết để khởi tạo image encoder. Có thể là:- Một chuỗi, model id của một mô hình được huấn luyện trước được lưu trữ trong một kho mô hình trên huggingface.co. Một ví dụ là
google/vit-base-patch16-224-in21k. - Đường dẫn đến thư mục chứa trọng số mô hình được lưu bằng
save_pretrained(), ví dụ:
./my_model_directory/.
- Một chuỗi, model id của một mô hình được huấn luyện trước được lưu trữ trong một kho mô hình trên huggingface.co. Một ví dụ là
- decoder_pretrained_model_name_or_path (
str, tuỳ chọn, mặc định làNone) — Thông tin cần thiết để khởi tạo bộ giải mã văn bản. Có thể là:- Một chuỗi, model id của một mô hình được huấn luyện trước được lưu trữ trong một kho mô hình trên huggingface.co.
- Đường dẫn đến thư mục chứa trọng số mô hình được lưu bằng
save_pretrained(), ví dụ:
./my_model_directory/.
- model_args (các đối số vị trí còn lại, tùy chọn) —
Tất cả các đối số vị trí còn lại sẽ được truyền vào phương thức
__init__của model cơ sở. - kwargs (từ điển các tham số keyword còn lại, tùy chọn) —
Có thể được sử dụng để cập nhật đối tượng cấu hình (sau khi nó được tải) và khởi tạo mô hình (ví dụ:
output_attentions=True).- Để cập nhật cấu hình encoder, hãy sử dụng tiền tố encoder_ cho mỗi tham số cấu hình.
- Để cập nhật cấu hình bộ giải mã, hãy sử dụng tiền tố decoder_ cho mỗi tham số cấu hình.
- Để cập nhật cấu hình của mô hình cha, không sử dụng tiền tố cho từng tham số cấu hình.
Hành vi khác nhau tùy thuộc vào việc có cung cấp
confighay được tải tự động.
Tạo một encoder và một decoder từ một hoặc hai lớp cơ bản của thư viện từ các checkpoint mô hình được huấn luyện trước.
Mặc định, mô hình được đặt ở chế độ đánh giá bằng model.eval() (các module Dropout bị vô hiệu hóa). Để huấn luyện mô hình, bạn cần đặt lại nó về chế độ huấn luyện bằng model.train().
Ví dụ:
>>> from transformers import VisionEncoderDecoderModel
>>> # initialize a vit-bert from a pretrained ViT and a pretrained BERT model. Note that the cross-attention layers will be randomly initialized
>>> model = VisionEncoderDecoderModel.from_encoder_decoder_pretrained(
... "google/vit-base-patch16-224-in21k", "google-bert/bert-base-uncased"
... )
>>> # saving model after fine-tuning
>>> model.save_pretrained("./vit-bert")
>>> # load fine-tuned model
>>> model = VisionEncoderDecoderModel.from_pretrained("./vit-bert")