Transformers documentation
RADIO
Mô hình này đã được đóng góp cho Hugging Face Transformers vào ngày 2026-06-30.
RADIO
RADIO (Reduce All Domains Into One) là một họ mô hình nền tảng thị giác từ NVIDIA, được huấn luyện bằng phương pháp chưng cất đa giáo viên (ví dụ: CLIP, DINOv2, SAM) vào một bộ khung ViT duy nhất. Mô hình tạo ra cả vector nhúng summary ở cấp độ ảnh lẫn các features không gian dày đặc, và hỗ trợ độ phân giải đầu vào thay đổi thông qua bộ tạo patch Cropped Position Embedding (CPE).
Ví dụ dưới đây minh họa cách trích xuất đặc trưng hình ảnh bằng lớp RadioModel.
import requests
import torch
from PIL import Image
from transformers import CLIPImageProcessor, RadioModel
hf_repo = "nvidia/C-RADIOv4-H"
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
model = RadioModel.from_pretrained(hf_repo)
model.eval().to(device)
image_processor = CLIPImageProcessor(
size={"height": 224, "width": 224}, do_resize=True, do_center_crop=False, do_normalize=False
)
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
pixel_values = image_processor(images=image, return_tensors="pt").pixel_values
pixel_values = pixel_values.to(device)
with torch.no_grad():
outputs = model(pixel_values)
summary = outputs.summary # (1, 2560) image-level embedding
features = outputs.features # (1, 196, 1280) dense spatial featuresRadioConfig
lớp transformers.RadioConfig
< 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 = 0is_encoder_decoder: bool = Falseid2label: 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 = Nonehidden_size: int = 1280num_hidden_layers: int = 32num_attention_heads: int = 16mlp_ratio: float = 4.0hidden_act: str = 'gelu'layer_norm_eps: float = 1e-06attention_probs_dropout_prob: float = 0.0hidden_dropout_prob: float = 0.0drop_path_rate: float = 0.0use_swiglu_ffn: bool = Falseqkv_bias: bool = Truelayerscale_value: float = 1.0num_channels: int = 3patch_size: int = 16image_size: int = 224max_img_size: int = 2048num_cls_tokens: int = 3num_registers: int = 7video_temporal_patch_size: int | None = Nonepatch_dim: int | None = Nonevideo_patch_dim: int | None = Nonesummary_idxs: list[int] | None = Nonenorm_mean: list[float] | tuple[float, float, float] = (0.48145466, 0.4578275, 0.40821073)norm_std: list[float] | tuple[float, float, float] = (0.26862954, 0.26130258, 0.27577711)initializer_range: float = 0.02 )
Tham số
- hidden_size (
int, tùy chọn, mặc định là1280) — Kích thước của các biểu diễn ẩn. - num_hidden_layers (
int, tùy chọn, mặc định là32) — Số lượng lớp ẩn trong bộ giải mã Transformer. - num_attention_heads (
int, tùy chọn, mặc định là16) — Số lượng đầu attention cho mỗi lớp attention trong bộ giải mã Transformer. - mlp_ratio (
float, tùy chọn, mặc định là 4.0) — Tỷ lệ kích thước ẩn của MLP so vớihidden_size. - hidden_act (
str, tùy chọn, mặc định làgelu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ,"gelu","relu","silu", v.v. - layer_norm_eps (
float, tùy chọn, mặc định là1e-06) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization). - attention_probs_dropout_prob (
float, tùy chọn, mặc định là0.0) — Tỷ lệ dropout cho các xác suất chú ý. - hidden_dropout_prob (
float, tùy chọn, mặc định là0.0) — Xác suất dropout cho tất cả các lớp fully connected trong embeddings, encoder và pooler. - drop_path_rate (
float, tùy chọn, mặc định là0.0) — Tỷ lệ drop path cho việc hợp nhất patch. - use_swiglu_ffn (
bool, tuỳ chọn, mặc định làFalse) — Có sử dụng mạng feed-forward SwiGLU trong các lớp encoder thay cho MLP tiêu chuẩn hay không. - qkv_bias (
bool, tùy chọn, mặc định làTrue) — Có thêm bias cho queries, keys và values hay không. - layerscale_value (
float, tuỳ chọn, mặc định là 1.0) — Giá trị ban đầu cho các tham số LayerScale. C-RADIO không có LayerScale; giá trị mặc định1.0khiến LayerScale (được kế thừa) trở thành phép toán đồng nhất. - num_channels (
int, tùy chọn, mặc định là3) — Số lượng kênh đầu vào. - patch_size (
int, tùy chọn, mặc định là16) — Kích thước (độ phân giải) của mỗi patch. - image_size (
int, tùy chọn, mặc định là224) — Kích thước (độ phân giải) của mỗi hình ảnh. - max_img_size (
int, tùy chọn, mặc định là 2048) — Kích thước ảnh tối đa được hỗ trợ (tính bằng pixel) dùng để xác định kích thước bảng nhúng vị trí của bộ tạo patch CPE. - num_cls_tokens (
int, tùy chọn, mặc định là 3) — Số lượng token lớp (tóm tắt) được học, được thêm vào trước chuỗi patch. - num_registers (
int, tùy chọn, mặc định là 7) — Số lượng token register được học, được thêm vào trước chuỗi patch. - video_temporal_patch_size (
int, tùy chọn) — Số lượng khung hình xếp chồng theo thời gian trong mỗi patch. Khi được đặt, bộ tạo patch cũng xây dựngvideo_patch_projectioncho các patch video được đóng gói theo thời gian;Nonevô hiệu hóa đường dẫn video. - patch_dim (
int, tùy chọn) — Kích thước phẳng của một image patch. Được suy ra từnum_channelsvàpatch_size. - video_patch_dim (
int, tùy chọn) — Kích thước đã làm phẳng của một video patch được đóng gói theo thời gian. Được suy ra từvideo_temporal_patch_sizevàpatch_dim;Noneđối với checkpoint chỉ dành cho ảnh. - summary_idxs (
list[int], tùy chọn, mặc định là[0, 1]) — Chỉ số của các token lớp cần thu thập và làm phẳng thành embedding đầu rasummary. - norm_mean (
tuple[float, float, float], tuỳ chọn, mặc định làOPENAI_CLIP_MEAN) — Giá trị trung bình theo từng kênh được bộ điều kiện đầu vào sử dụng để chuẩn hóa giá trị pixel. - norm_std (
tuple[float, float, float], tuỳ chọn, mặc định làOPENAI_CLIP_STD) — Độ lệch chuẩn theo từng kênh được bộ điều kiện đầu vào sử dụng để chuẩn hóa giá trị pixel. - initializer_range (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số.
Đây là lớp cấu hình để lưu trữ cấu hình của một RadioModel. Nó được sử dụng để khởi tạo một mô hình Radio 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 nvidia/C-RADIOv4-H
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.
RadioModel
lớp transformers.RadioModel
< source >( config: RadioConfig )
Tham số
- config (RadioConfig) — 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.
Mô hình Radio thuần túy, 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: Tensorimage_grid_hw: typing.Optional[torch.LongTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → RadioModelOutput or tuple(torch.Tensor)
Tham số
- pixel_values (
torch.Tensorcó hình dạng(batch_size, num_channels, height, width)hoặc(total_patches, num_channels * patch_size**2)) — Các ảnh có cùng kích thước, hoặc, khi dùngimage_grid_hw, các patch đã được làm phẳng của các ảnh có kích thước khác nhau được nối lại với nhau. Mỗi patch được sắp xếp theo thứ tự kênh trước, tức là(num_channels, patch_size, patch_size). - image_grid_hw (
torch.LongTensorcó hình dạng(num_images, 2), tùy chọn) — Lưới patch(height, width)của từng hình ảnh trongpixel_valuesđã được đóng gói.
Trả về
RadioModelOutput hoặc tuple(torch.Tensor)
Một RadioModelOutput hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (RadioConfig) và đầu vào.
Phương thức forward của RadioModel 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.
tóm tắt (
torch.Tensorcó hình dạng(batch_size, num_summary_idxs * hidden_size)) — Nhúng tóm tắt đã được làm phẳng, thu thập từ các token cls được chọn bởiconfig.summary_idxs.features (
torch.Tensorcó shape(batch_size, num_patches, hidden_size)) — Các đặc trưng patch không gian dense. Đối với đầu vào đã đóng gói (image_grid_hwđược cung cấp), các đặc trưng patch của tất cả các hình ảnh được nối với nhau, có shape(total_patches, hidden_size).last_hidden_state (
torch.Tensorcó shape(batch_size, sequence_length, hidden_size)) — Chuỗi token đầy đủ (các token prefix + patches) từ lớp encoder cuối cùng. Đối với các đầu vào được đóng gói, đây là các chuỗi của tất cả hình ảnh được nối với nhau, có shape(total_sequence_length, hidden_size).hidden_states (
tuple[torch.Tensor], tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Tuple củatorch.Tensor(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 mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple[torch.Tensor], tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.