Transformers documentation

EmbeddingGemma2

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.2).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Bu model, 2026-10-06 tarihinde Hugging Face Transformers'a katkıda bulunulmuştur.

EmbeddingGemma2

Genel Bakış

EmbeddingGemma 2, Google'ın Gemma 4 mimarisi üzerine inşa ettiği çok modlu bir gömme modelidir. metin, görüntü, ses ve videoyu—bunları tek başlarına veya aynı girdi içinde birleştirilmiş olarak—çapraz modlu arama, anlamsal benzerlik, kümeleme ve sınıflandırma için paylaşılan 768 boyutlu yoğun bir vektör uzayına kodlar.

Öne çıkan özellikler:

  • Birleşik çok modlu vektör uzayı. Görüntü (Gemma4VisionModel) ve ses (Gemma4AudioModel) kuleleri, tam ve kayan pencere dikkatini Katman Başına Gömme (PLE) ile iç içe geçiren çift yönlü bir metin kodlayıcıya (EmbeddingGemma2TextModel) yansıtır. Tek bir modül (text, image, audio, video) veya modül kombinasyonları (image + text, text + audio, image + audio, birden fazla görüntü, iç içe geçmiş metin ve medya) tek bir karşılaştırılabilir gömme (embedding) değerine eşlenir.
  • Matryoshka Temsil Öğrenimi (MRL). EmbeddingGemma2Model, token temsilini doğrusal bir başlık aracılığıyla embedding_dim (768) boyutuna yansıtır. Gömceler, daha küçük bir önekle (512, 256 veya 128) kısaltılıp en az kalite kaybıyla yeniden normalize edilebilir.
  • Yapılandırılabilir görsel ve video bütçeleri. EmbeddingGemma2Processor, görüntü veya kare başına yumuşak jeton bütçesini ({70, 140, 280, 560, 1120} içinde max_soft_tokens) ve video örneklem hızını (varsayılan olarak fps=1, max_frames=32, overflow_strategy="uniform", add_timestamps=False) ayarlamanıza olanak tanır.
  • Seçici modül kulesi yükleme. Kullanılmayan görme veya ses kuleleri, yalnızca metin veya tek modüllü dağıtımlarda bellek ayak izini azaltmak için yükleme sırasında devre dışı bırakılabilir (vision_config=None, audio_config=None).

Tüm orijinal EmbeddingGemma kontrol noktalarını EmbeddingGemma koleksiyonunda bulabilirsiniz. Aşağıdaki örnekler google/embeddinggemma-2 tanımlayıcısını kullanır.

Kullanım örnekleri

Bir cümle veya çok modlu gömme, iki adımda elde edilir: last_hidden_state'in dolgulu olmayan jetonları üzerinde mask duyarlı ortalama havuzlama, ardından float32 içinde L2 normalizasyonu. Sentence Transformers (>=6.1.0) ön işleme, istem biçimlendirme, ortalama havuzlama ve normalizasyonu otomatik olarak gerçekleştirir ve önerilen giriş noktasıdır. AutoModel ile processor.apply_chat_template (düz metin için AutoTokenizer) kullanın ve last_hidden_state'i doğrudan havuzlayın.

Metin arama ( encode_query / encode_document )

Sentence Transformers
AutoModel
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")

queries = ["Which planet is known as the Red Planet?"]
documents = [
    "Venus is often called Earth's twin because of its similar size and proximity.",
    "Mars, known for its reddish appearance, is often referred to as the Red Planet.",
]

# encode_query and encode_document apply the "query" and "document" task prompts
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# (1, 768) (2, 768)

# (1, 2) matrix of cosine similarities
print(model.similarity(query_embeddings, document_embeddings))

Görev istemleri

Model, girdinin başına eklenen (ve ortalama havuzlamaya dahil edilen) isteğe bağlı görev istemlerini destekler; ancak istemler zorunlu değildir ve model bunlar olmadan da çalışır. Optimal kurulumun aşağı akış alanına ve modallara bağlı olması nedeniyle, belirli görevinizde hem istemli hem de istemsiz olarak değerlendirme yapmanızı öneririz. Sentence Transformers, aşağıdaki kataloğu config_sentence_transformers.json içinde sunar; bu nedenle prompt_name parametresini iletin (veya query ve document değerlerine eşlenen encode_query / encode_document fonksiyonlarını kullanın). AutoModel ile çalışırken, istemi apply_chat_template içinde bir system mesajı olarak iletin (veya düz metnin başına ekleyin).

from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")

embeddings = model.encode("How to train a neural network", prompt_name="Classification")
prompt_nameprompt
query, Retrieval-query, Retrieval, Reranking, BitextMining, SearchQuerytask: search result \| query:
document, Document, Retrieval-documenttitle: none \| text:
Classification, MultilabelClassificationtask: classification \| query:
Clusteringtask: clustering \| query:
CodeRetrieval, InstructionRetrievaltask: code retrieval \| query:
FactCheckingtask: fact checking \| query:
QuestionAnsweringtask: question answering \| query:
STS, SentenceSimilarity, PairClassification, Summarizationtask: sentence similarity \| query:

Matryoshka gömlemeleri

Gömme başlığı, Matryoshka Representation Learning ile eğitildiğinden, 768 boyutlu bir gömme daha kısa bir öneke (512, 256 veya 128) kesilip yeniden normalize edilebilir. Bu, dizini küçültür ve sıralama kalitesini büyük ölçüde koruyarak geri getirme hızını artırır. Sorguları ve belgeleri aynı boyuta kısaltın ve dilimlemeden sonra her zaman normalize edin — Sentence Transformers'ta truncate_dim, zaten normalize edilmiş çıktıyı dilimler, bu nedenle önek artık birim uzunlukta değildir.

Sentence Transformers
AutoModel
import torch.nn.functional as F
from sentence_transformers import SentenceTransformer


# truncate_dim can also be set once at load time: SentenceTransformer(..., truncate_dim=256)
model = SentenceTransformer("google/embeddinggemma-2")

queries = ["Which planet is known as the Red Planet?"]
documents = [
    "Venus is often called Earth's twin because of its similar size and proximity.",
    "Mars, known for its reddish appearance, is often referred to as the Red Planet.",
]

query_embeddings = model.encode_query(queries, truncate_dim=256, convert_to_tensor=True)
document_embeddings = model.encode_document(documents, truncate_dim=256, convert_to_tensor=True)

query_embeddings = F.normalize(query_embeddings.float(), p=2, dim=-1)
document_embeddings = F.normalize(document_embeddings.float(), p=2, dim=-1)

# (1, 256) and (2, 256): a 3x smaller index than the full 768 dimensions
print(query_embeddings.shape, document_embeddings.shape)

# the Mars document still ranks first
print(model.similarity(query_embeddings, document_embeddings))

Çok modlu gömceler

Metin, görüntü, ses ve video aynı 768 boyutlu vektör uzayına eşlenir; bu sayede çapraz modallı arama (örneğin metin sorgusuyla görüntü, ses veya video arama) ve birleşik çok modallı arama (birden fazla modu tek bir sorgu veya belge gömümünde birleştirme) mümkün olur.

Sentence Transformers'da çok modlu girdiler, "text", "image", "audio" ve "video" anahtarlarına sahip sözlükler olarak iletilir (her bir değer tek bir öğe veya öğe listesi olabilir). AutoModel ile sohbet tarzı mesaj listelerini processor.apply_chat_template(..., tokenize=True, return_dict=True, return_tensors="pt") fonksiyonuna iletin.

1. Tek modallıklar & modlar arası geri getirme

Her modalite (text, image, audio, video) kendi başına gömülebilir ve kosinüs benzerliği yoluyla herhangi bir başka modaliteyle doğrudan karşılaştırılabilir:

Sentence Transformers
AutoModel
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")
IMAGE = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"

# Embed each modality on its own into the shared (768,) space
candidates = model.encode(
    [
        {"text": "A photo of a cat"},
        {"image": IMAGE},
        {"audio": "path/to/audio.wav"},
        {"video": "path/to/video.mp4"},
    ]
)
print(candidates.shape)
# (4, 768)

# Cross-modal retrieval: rank text, image, audio, and video candidates against a text query
query = model.encode_query(["A fluffy cat outdoors"])
print(model.similarity(query, candidates))
# tensor([[...]]) of shape (1, 4)

2. Bileşke çok modlu gömme (tek girişte birden fazla modalite)

Birden çok modalite—veya aynı modaliteden birden çok öğe—image + audio gibi tamamen metin dışı kombinasyonlar dahil olmak üzere tek bir ortak gömme içinde birleştirilebilir:

Sentence Transformers
AutoModel
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")
IMAGE_1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
IMAGE_2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"

composed_embeddings = model.encode(
    [
        # text + image
        {"text": "A photo of a cat", "image": IMAGE_1},
        # text + audio
        {"text": "A song", "audio": "path/to/audio.wav"},
        # image + audio (no text required)
        {"image": IMAGE_1, "audio": "path/to/audio.wav"},
        # multiple images + audio + text in one embedding
        {"image": [IMAGE_1, IMAGE_2], "audio": "path/to/audio.wav", "text": "Compare both cats"},
    ]
)
print(composed_embeddings.shape)
# (4, 768)

3. Otomatik sıralama ve manuel yer tutucular

Yer tutucu tokenler (<|image|>, <|video|>, <|audio|>) metinde görünmediğinde, modaliteler sözlükte veya sohbet mesajı content alanında girdilerin göründüğü sırayla (varsa system görev isteminden hemen sonra) tam olarak bu sırada üretilir.

Bir cümlenin içindeki belirli konumlarda metin ve medyayı iç içe geçirmek için <|image|>, <|video|> veya <|audio|> etiketlerini doğrudan metne yazın; bu durumda o girdi için otomatik yer tutucu ekleme devre dışı bırakılır ve her yer tutucu, sağlanan medya öğeleriyle sırasıyla genişletilir:

Sentence Transformers
AutoModel
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")
IMAGE_1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
IMAGE_2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"

# 1. Automatic ordering: follows the dictionary's key order
#    -> <bos> [prompt] <image_tokens> <text_tokens> <eos>
image_first = model.encode({"image": IMAGE_1, "text": "A photo of a cat"}, prompt_name="document")

#    -> <bos> [prompt] <text_tokens> <image_tokens> <eos>
text_first = model.encode({"text": "A photo of a cat", "image": IMAGE_1}, prompt_name="document")

# 2. Manual placeholders: interleave media at exact positions in the text
#    No extra placeholders are inserted; counts must match the passed media inputs.
interleaved = model.encode(
    {
        "text": "A jacket similar to <|image|> or <|image|> featured in <|audio|>",
        "image": [IMAGE_1, IMAGE_2],
        "audio": "path/to/audio.wav",
    },
    prompt_name="query",
)

4. Heterojen (karışık modallı) toplu işleme

Tek bir batch, tek bir ileri geçişte düz metin, tek modallı medya ve çok modallı girdileri bir arada işleyebilir; her satır için, her öğenin ayrı ayrı kodlanmasından elde edilenle aynı gömme değerini üretir:

Sentence Transformers
AutoModel
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")
IMAGE = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"

embeddings = model.encode(
    [
        "A photo of a cat",
        {"image": IMAGE},
        {"text": "A photo of a cat", "image": IMAGE},
        {"audio": "path/to/audio.wav"},
    ],
    prompt_name="document",
)
print(embeddings.shape)
# (4, 768)

5. Kullanılmayan modalite kulelerini devre dışı bırakma (bellek optimizasyonu)

İş yükünüz yalnızca modallıkların bir alt kümesini gömüyorsa (örneğin ses olmadan sadece metin veya metin + görseller), kullanılmayan görme veya ses kulelerini config üzerinde vision_config=None ve/veya audio_config=None olarak ayarlayarak örneklemeyi ve yüklemeyi atlayabilirsiniz. Kontrol noktasındaki kullanılmayan kule ağırlıkları uyarı vermeden temiz bir şekilde yok sayılır; bu sayede model, ses kulesi olmadan 744M'den 439M parametreye, her iki kule de yoksa 271M parametreye düşer.

Sentence Transformers
AutoModel

Bunları model_kwargs yerine config_kwargs üzerinden (bu, AutoConfig.from_pretrained’e ulaşır) iletin:

from sentence_transformers import SentenceTransformer


# Text-only deployment (skips both vision and audio towers)
text_model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"vision_config": None, "audio_config": None},
)

# Vision + text deployment (skips audio tower)
vision_text_model = SentenceTransformer(
    "google/embeddinggemma-2",
    config_kwargs={"audio_config": None},
)

İşleyici

EmbeddingGemma2Processor, tokenizer'ı, görüntü işleyicisini, ses özellik çıkarıcısını ve video işleyicisini bir arada sunar.

Toplu çok modlu girdiler için, örnek başına sözlükleri Sentence Transformers üzerinden iletmenizi öneririz (model.encode([{"image": ..., "text": ...}, ...])). Kesin modallı sıralama ve iç içe geçirme üzerinde en yüksek kontrol için, text içinde <|image|>, <|video|> ve <|audio|> yer tutucularını manuel olarak ekleyin.

Görsel jeton bütçesini kontrol etme (max_soft_tokens)

Yumuşak jeton bütçesi (max_soft_tokens, desteklenen değerler {70, 140, 280, 560, 1120}), her görüntü veya video karesi için üretilen görsel jetonların çözünürlüğünü ve sayısını kontrol eder (varsayılan olarak görüntü başına 280, video karesi başına 140). Daha düşük değerler dizi uzunluğunu ve gecikmeyi azaltır:

Sentence Transformers
AutoProcessor
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")
IMAGE = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"

image_embedding = model.encode(
    {"image": IMAGE},
    processing_kwargs={"image": {"max_soft_tokens": 70}},
)

Video kare örneklemesi kontrolleri

Varsayılan olarak EmbeddingGemma2VideoProcessor, kareleri 1 FPS (fps=1) hızında örnekler, her klipteki kare sayısını 32 ile sınırlar (max_frames=32, overflow_strategy="uniform") ve istemden kare zaman damgalarını hariç tutar (add_timestamps=False). Her parametre çağrı başına geçersiz kılınabilir:

  • fps (int | float | None): saniye başına kare cinsinden hedef örneklem hızı. Geçerli fps ve duration değerlerine sahip bir VideoMetadata gerektirir (video dosyasından/URL'den çözümlendiğinde otomatik olarak doldurulur). Önceden çözümlenmiş ve metadata içermeyen kare dizileri için FPS örneklemesi bir uyarıyla atlanır ve max_frames doğrudan uygulanır.
  • max_frames (int | None): video başına saklanan maksimum kare sayısı.
  • overflow_strategy ("uniform" | "truncate" | None): max_frames değerini aşan fazlalık karelerin nasıl azaltılacağını belirtir ("uniform", klipteki kareleri eşit aralıklarla yeniden örnekler; "truncate", ilk max_frames kareyi korur).
  • add_timestamps (bool): Her kareye ait yumuşak token bloğunun başına mm:ss zaman damgası eklenip eklenmeyeceğini belirtir. fps parametresinin aksine bunun bir yedek davranışı yoktur: fps bilgisi olmayan bir videoda add_timestamps=True kullanılırsa hata fırlatılır, çünkü tahmin edilen bir hız, istemciye yanlış mm:ss etiketleri yazdırır.
Sentence Transformers
AutoProcessor
from sentence_transformers import SentenceTransformer


model = SentenceTransformer("google/embeddinggemma-2")

video_embedding = model.encode(
    {"video": "path/to/video.mp4"},
    processing_kwargs={"video": {"add_timestamps": True, "fps": 2, "max_frames": 16, "overflow_strategy": "truncate"}},
)

Chat şablonu olmadan doğrudan processor(...) çağrıları

processor.apply_chat_template çok modlu sohbetler için birincil giriş noktası olsa da, processor(...) doğrudan da çağrılabilir. text atlandığında (text=None), <|image|>, <|video|> ve <|audio|> yer tutucuları, partiye (batch) dahil olan her örnek için otomatik olarak sentezlenir:

from transformers import AutoProcessor


processor = AutoProcessor.from_pretrained("google/embeddinggemma-2")

IMAGE = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"
AUDIO = "path/to/audio.wav"  # a path, a URL, or a 1-D float array sampled at 16 kHz

# Text only
inputs = processor(text=["task: search result | query: Which planet is the Red Planet?"], return_tensors="pt")

# Media only (text=None): placeholders are synthesized per sample
inputs = processor(images=[IMAGE], return_tensors="pt")
inputs = processor(videos=["path/to/video.mp4"], return_tensors="pt")
inputs = processor(audio=[AUDIO], return_tensors="pt")

# Nested per-sample lists or combined modalities with text=None
inputs = processor(
    images=[[IMAGE, IMAGE], [IMAGE]],
    audio=[[AUDIO], [AUDIO, AUDIO]],
    return_tensors="pt",
)

# Manual placeholders in text for direct processor calls
inputs = processor(text=["<|image|> a photo of a cat"], images=[[IMAGE]], return_tensors="pt")
print(list(inputs.keys()))
# ['input_ids', 'attention_mask', 'pixel_values', 'image_position_ids']

EmbeddingGemma2TextConfig

sınıf transformers.EmbeddingGemma2TextConfig

< >

( 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 = Nonevocab_size: int = 262144hidden_size: int = 512intermediate_size: int = 2048num_hidden_layers: int = 24num_attention_heads: int = 4num_key_value_heads: int = 2head_dim: int = 256hidden_activation: str = 'gelu_pytorch_tanh'max_position_embeddings: int = 262144initializer_range: float = 0.02rms_norm_eps: float = 1e-06pad_token_id: int | None = 0eos_token_id: int | list[int] | None = 1bos_token_id: int | None = 2rope_parameters: dict | None = Noneattention_bias: bool = Falseattention_dropout: int | float | None = 0.0sliding_window: int = 512layer_types: list[str] | None = Nonehidden_size_per_layer_input: int = 512embedding_dim: int = 768 )

Parametreler

  • vocab_size (int, isteğe bağlı, varsayılan 262144) — Modelin sözlük boyutu. input_ids tarafından temsil edilebilecek farklı token sayısını tanımlar.
  • hidden_size (int, isteğe bağlı, varsayılan 512) — Gizli temsillerin boyutu.
  • intermediate_size (int, isteğe bağlı, varsayılan 2048) — MLP temsillerinin boyutu.
  • num_hidden_layers (int, isteğe bağlı, varsayılan 24) — Transformer çözücüdeki gizli katman sayısı.
  • num_attention_heads (int, isteğe bağlı, varsayılan 4) — Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.
  • num_key_value_heads (int, isteğe bağlı, varsayılan 2) — Bu, Grouped Query Attention uygulamasında kullanılacak key_value başlarının sayısıdır. num_key_value_heads=num_attention_heads ise model Multi Head Attention (MHA) kullanır, num_key_value_heads=1 ise model Multi Query Attention (MQA) kullanır, aksi halde GQA kullanılır. Çok başlı bir checkpoint'i GQA checkpoint'ine dönüştürürken, her grup key ve value başı, o gruptaki tüm orijinal başların ortalama havuzlanması (meanpooling) ile oluşturulmalıdır. Daha fazla ayrıntı için bu makaleye göz atın. Belirtilmezse, varsayılan olarak num_attention_heads kullanılır.
  • head_dim (int, isteğe bağlı, varsayılan 256) — Dikkat başlığı boyutu. None ise, varsayılan olarak hidden_size // num_attention_heads değerini alır.
  • hidden_activation (str, isteğe bağlı, varsayılan gelu_pytorch_tanh) — Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, "gelu", "relu", "silu" vb.
  • max_position_embeddings (int, isteğe bağlı, varsayılan 262144) — Bu modelin kullanılabileceği en uzun dizi uzunluğu.
  • initializer_range (float, isteğe bağlı, varsayılan 0.02) — Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.
  • rms_norm_eps (float, isteğe bağlı, varsayılan 1e-06) — rms normalizasyon katmanları tarafından kullanılan epsilon.
  • pad_token_id (int, isteğe bağlı, varsayılan 0) — Sözlükte dolgu için kullanılan token kimliği.
  • eos_token_id (Union[int, list[int]], isteğe bağlı, varsayılan 1) — Sözlükte akış sonu için kullanılan token kimliği.
  • bos_token_id (int, isteğe bağlı, varsayılan 2) — Sözlükte akış başlangıcı için kullanılan token kimliği.
  • rope_parameters (dict, isteğe bağlı) — RoPE gömme yapılandırma parametrelerini içeren sözlük. Sözlük, rope_theta için bir değer ve daha uzun max_position_embeddings ile RoPE kullanmak istiyorsanız ölçekleme için kullanılan isteğe bağlı parametreleri içermelidir.
  • attention_bias (bool, isteğe bağlı, varsayılan False) — Öz-dikkat sırasında sorgu, anahtar, değer ve çıktı projeksiyon katmanlarında önyargı (bias) kullanılıp kullanılmayacağı.
  • attention_dropout (Union[int, float], isteğe bağlı, varsayılan 0.0) — Dikkat olasılıkları için dropout oranı.
  • sliding_window (int, isteğe bağlı, varsayılan 512) — Çift yönlü kayan pencerenin kapsayıcı yarıçapı: bir sliding_attention katmanı, abs(q_idx - kv_idx) <= sliding_window koşulunu sağlayan her konuma dikkat eder. Bu bir yarıçaptır ve nedensel Gemma modellerinin yapılandırdığı tek taraflı genişlik değildir; çünkü buradaki maske simetriktir, bu yüzden varsayılan değer, referans uygulamanın belirttiği 1024 genişliğindeki pencerenin yarısıdır.
  • layer_types (list[str], isteğe bağlı) — Her katman indeksini ilgili katman türüyle açıkça eşleyen bir liste. Sağlanmazsa, config değerlerine göre otomatik olarak oluşturulur.
  • hidden_size_per_layer_input (int, isteğe bağlı, varsayılan 512) — Katman başına (PLE) kalan sinyalin boyutluluğu. EmbeddingGemma 2 yalnızca projeksiyon tabanlı PLE kullanır: sinyal yalnızca inputs_embeds üzerinden türetilir, ek bir token arama tablosu yoktur.
  • embedding_dim (int, isteğe bağlı, varsayılan 768) — embedding_projection tarafından üretilen cümle gömme (embedding) boyutu.

Bu, bir EmbeddingGemma2Model yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Embedding Gemma2 modelinin örneklenmesinde, model mimarisini tanımlamak için kullanılır. Varsayılan değerlerle bir yapılandırma örneklendiğinde, google/embeddinggemma-2 modelinin yapılandırmasına benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri PreTrainedConfig sınıfından devralır ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için PreTrainedConfig belgesini okuyun.

EmbeddingGemma2Config

sınıf transformers.EmbeddingGemma2Config

< >

( 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 = Nonetext_config: transformers.models.embedding_gemma2.configuration_embedding_gemma2.EmbeddingGemma2TextConfig | dict[str, typing.Any] | None = Nonevision_config: transformers.configuration_utils.PreTrainedConfig | dict[str, typing.Any] | None = Noneaudio_config: transformers.configuration_utils.PreTrainedConfig | dict[str, typing.Any] | None = Noneboi_token_id: int | None = 255999eoi_token_id: int | None = 258882image_token_id: int | None = 258880video_token_id: int | None = 258884boa_token_id: int | None = 256000eoa_token_index: int | None = 258883audio_token_id: int | None = 258881initializer_range: float | None = 0.02 )

Parametreler

  • text_config (EmbeddingGemma2TextConfig, isteğe bağlı) — Metin omurgasının yapılandırması.
  • vision_config (PreTrainedConfig veya dict, isteğe bağlı) — Görme kulesinin yapılandırması. Gemma 4'ten olduğu gibi yeniden kullanılır; kule kendisi çalışma zamanında AutoModel üzerinden çözümlenir.
  • audio_config (PreTrainedConfig veya dict, isteğe bağlı) — Ses kulesinin yapılandırması. Gemma 4'ten olduğu gibi yeniden kullanılır; kule kendisi çalışma zamanında AutoModel üzerinden çözümlenir.
  • boi_token_id (int, isteğe bağlı, varsayılan 255999) — Görsel istemi sarmak için kullanılan başlangıç-görsel (begin-of-image) belirteç dizini.
  • eoi_token_id (int, isteğe bağlı, varsayılan 258882) — Görsel istemini sarmak için kullanılan görsel sonu (end-of-image) belirteç dizini.
  • image_token_id (int, isteğe bağlı, varsayılan 258880) — Girdi görselleri için yer tutucu olarak kullanılan görsel jeton indeksi.
  • video_token_id (int, isteğe bağlı, varsayılan 258884) — Girdi videoları için yer tutucu olarak kullanılan video belirteç dizini.
  • boa_token_id (int, isteğe bağlı, varsayılan 256000) — Ses prompt'unu sarmak için kullanılan ses başlangıcı token indeksi.
  • eoa_token_index (int, isteğe bağlı, varsayılan 258883) — Ses istemini sarmak için kullanılan ses sonu (end-of-audio) token indeksi.
  • audio_token_id (int, isteğe bağlı, varsayılan 258881) — Giriş sesinin yer tutucusu olarak kullanılan ses belirteç dizini.
  • initializer_range (float, isteğe bağlı, varsayılan 0.02) — Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

Bu, bir EmbeddingGemma2Model yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Embedding Gemma2 modelinin örneklenmesinde, model mimarisini tanımlamak için kullanılır. Varsayılan değerlerle bir yapılandırma örneklendiğinde, google/embeddinggemma-2 modelinin yapılandırmasına benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri PreTrainedConfig sınıfından devralır ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için PreTrainedConfig belgesini okuyun.

EmbeddingGemma2VideoProcessor

sınıf transformers.EmbeddingGemma2VideoProcessor

< >

( **kwargs: *<class 'transformers.models.embedding_gemma2.video_processing_embedding_gemma2.EmbeddingGemma2VideoProcessorKwargs'> )

Parametreler

  • do_convert_rgb (bool, kwargs, opsiyonel, varsayılan True) — Görselin RGB'ye dönüştürülüp dönüştürülmemesi.
  • do_resize (bool, kwargs, isteğe bağlı, varsayılan True) — Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs, varsayılan None) — Modelin kabul ettiği maksimum giriş boyutlarını tanımlar.
  • default_to_square (bool, kwargs, isteğe bağlı, varsayılan True) — size bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntü kullanılıp kullanılmayacağı.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs, varsayılan 3) — Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, PILImageResampling enum değerlerinden biri olabilir. Yalnızca do_resize True olarak ayarlanırsa etkilidir.
  • do_rescale (bool, kwargs, isteğe bağlı, varsayılan True) — Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceği.
  • rescale_factor (float, kwargs, opsiyonel, varsayılan 0.00392156862745098) — do_rescale True olarak ayarlandığında görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü.
  • do_normalize (bool, kwargs, opsiyonel, varsayılan True) — Görselin normalize edilip edilmeyeceği.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsiyonel, varsayılan [0.0, 0.0, 0.0]) — Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca do_normalize True olarak ayarlanırsa etkilidir.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsiyonel, varsayılan [1.0, 1.0, 1.0]) — Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca do_normalize True olarak ayarlanırsa etkilidir.
  • do_center_crop (bool, kwargs, opsiyonel) — Görselin ortadan kırpılıp kırpılmayacağı.
  • do_pad (bool, kwargs, opsiyonel) — Görselin dolgu (padding) uygulanıp uygulanmayacağı. Dolgu, partideki en büyük boyuta veya görsel başına sabit kare bir boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — center_crop uygulandıktan sonra çıktı görüntüsünün boyutu.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, isteğe bağlı) — Yalnızca ChannelDimension.FIRST desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, isteğe bağlı) — Girdi görüntüsü için kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir:
    • "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
    • "channels_last" veya ChannelDimension.LAST: (yükseklik, genişlik, kanal sayısı) biçiminde görüntü.
    • "none" veya ChannelDimension.NONE: (height, width) biçiminde görüntü.
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.
  • do_sample_frames (bool, kwargs, opsiyonel, varsayılan True) — İşlemden önce videodan kare örneklenip örneklenmeyeceği veya videonun tamamının işleneceği.
  • video_metadata (Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None], kwargs) — Toplam süre, fps ve toplam kare sayısı hakkında bilgi içeren videonun metadata'sı. Videodan kare örneklemek veya zaman damgaları hesaplamak için kullanılacaktır. Videoyu işlemden önce manuel olarak çözmeye çalışmıyorsanız herhangi bir metadata geçirmeyin
  • fps (Annotated[int | float | None, None], kwargs, varsayılan 1) — do_sample_frames=True olduğunda saniyede örneklenmesi hedeflenen kare sayısı.
  • num_frames (Annotated[int | None, None], kwargs) — do_sample_frames=True olduğunda örneklenmesi gereken maksimum kare sayısı.
  • return_metadata (bool, kwargs, opsiyonel, varsayılan False) — Video meta verilerinin döndürülüp döndürülmeyeceğini belirtir. Video meta verileri, video süresi, fps, çözümleme arka ucu gibi bilgileri içeren bir nesnedir.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — Belirtilirse, belirli bir çerçeveye ait tensörler döndürülür. Kabul edilen değerler şunlardır:
    • 'pt': PyTorch torch.Tensor nesnelerini döndürür.
    • 'np': NumPy np.ndarray nesnelerini döndürür.
  • patch_size (int, kwargs, isteğe bağlı) — Piksel cinsinden her görüntü yamasının boyutu.
  • max_soft_tokens (int, kwargs, isteğe bağlı) — Video karesi başına en fazla yumuşak (görüntü) jeton sayısı. {70, 140, 280, 560, 1120} değerlerinden biri olmalıdır.
  • pooling_kernel_size (int, kwargs, opsiyonel) — Patchification uygulandıktan sonra kullanılan uzamsal havuzlama çekirdeği boyutu.
  • add_timestamps (bool, kwargs, isteğe bağlı) — Video yer tutucu genişletmesinde her bir karenin başına mm:ss zaman damgası eklenip eklenmeyeceğini belirtir. Zaman damgaları zaten çözümlenmiş karelardan çıkarılamadığı için, geçerli bir fps değerine sahip VideoMetadata gerektirir.
  • max_frames (int, kwargs, isteğe bağlı) — Örneklenecek maksimum kare sayısı. Ayarlanırsa, örneklenen indeksler bütçeye sığacak şekilde eşit aralıklarla yeniden örneklenir.
  • overflow_strategy (str, kwargs, opsiyonel) — Toplam örneklenen kare sayısını bütçeye sığdırmak için kullanılan strateji. Yalnızca “uniform” veya “truncate” olarak ayarlanabilir. FPS tabanlı örneklemeyi uyguladıktan sonra ve FPS tabanlı örneklemenin kapalı veya uygulanabilir olmadığı durumlarda tek başına uygulanır.
  • load_audio_from_video (bool, kwargs, opsiyonel) — Girdi videosunun ses kaydının yüklenip yüklenmeyeceğini belirtir.
  • **kwargs (ProcessingKwargs, isteğe bağlı) — Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın.

EmbeddingGemma2VideoProcessor video işleyicisi oluşturur.

ön işleme

< >

( videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]]**kwargs: *<class 'transformers.models.embedding_gemma2.video_processing_embedding_gemma2.EmbeddingGemma2VideoProcessorKwargs'> ) → ~image_processing_base.BatchFeature

Parametreler

  • videos (Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]) — Ön işleme yapılacak video. Piksel değerleri 0 ile 255 arasında değişen tek bir video veya video grubu beklenir. Piksel değerleri 0 ile 1 arasında olan videoları geçiriyorsanız do_rescale=False olarak ayarlayın.
  • do_convert_rgb (bool, kwargs, opsiyonel) — Görselin RGB'ye dönüştürülüp dönüştürülmemesi.
  • do_resize (bool, kwargs, opsiyonel) — Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.
  • size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — Modelin kabul ettiği maksimum giriş boyutlarını açıklar.
  • default_to_square (bool, kwargs, opsiyonel) — Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntüye geçilip geçilmeyeceği.
  • resample (Annotated[Union[int, PILImageResampling, NoneType], None], kwargs) — Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, PILImageResampling enum değerlerinden biri olabilir. Yalnızca do_resize True olarak ayarlanırsa etkilidir.
  • do_rescale (bool, kwargs, opsiyonel) — Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceği.
  • rescale_factor (float, kwargs, opsiyonel) — do_rescale True olarak ayarlanırsa görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü.
  • do_normalize (bool, kwargs, opsiyonel) — Görselin normalize edilip edilmeyeceği.
  • image_mean (Union[float, list[float], tuple[float, ...]], kwargs, opsiyonel) — Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca do_normalize True olarak ayarlanırsa etkilidir.
  • image_std (Union[float, list[float], tuple[float, ...]], kwargs, opsiyonel) — Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca do_normalize True olarak ayarlanmışsa etkilidir.
  • do_center_crop (bool, kwargs, opsiyonel) — Görselin ortadan kırpılıp kırpılmayacağı.
  • do_pad (bool, kwargs, opsiyonel) — Görselin dolgu (padding) uygulanıp uygulanmayacağı. Dolgu, partideki en büyük boyuta veya görsel başına sabit kare bir boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.
  • crop_size (Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None], kwargs) — center_crop uygulandıktan sonra çıktı görüntüsünün boyutu.
  • data_format (Union[str, ~image_utils.ChannelDimension], kwargs, isteğe bağlı) — Yalnızca ChannelDimension.FIRST desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.
  • input_data_format (Union[str, ~image_utils.ChannelDimension], kwargs, isteğe bağlı) — Girdi görüntüsü için kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir:
    • "channels_first" veya ChannelDimension.FIRST: (num_channels, height, width) biçiminde görüntü.
    • "channels_last" veya ChannelDimension.LAST: (yükseklik, genişlik, kanal sayısı) biçiminde görüntü.
    • "none" veya ChannelDimension.NONE: (height, width) biçiminde görüntü.
  • device (Annotated[Union[str, torch.device, NoneType], None], kwargs) — Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.
  • do_sample_frames (bool, kwargs, opsiyonel) — İşlemden önce videodan kare örneklenip örneklenmeyeceği veya videonun tamamının işleneceği.
  • video_metadata (Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None], kwargs) — Toplam süre, fps ve toplam kare sayısı hakkında bilgi içeren videonun metadata'sı. Videodan kare örneklemek veya zaman damgaları hesaplamak için kullanılacaktır. Videoyu işlemden önce manuel olarak çözmeye çalışmıyorsanız herhangi bir metadata geçirmeyin
  • fps (Annotated[int | float | None, None], kwargs) — do_sample_frames=True olduğunda saniyede örneklenmesi hedeflenen kare sayısı.
  • num_frames (Annotated[int | None, None], kwargs) — do_sample_frames=True olduğunda örneklenmesi gereken maksimum kare sayısı.
  • return_metadata (bool, kwargs, opsiyonel) — Video metadata döndürülüp döndürülmemesi. Video metadata, video süresi, fps, çözümleme arka ucu gibi bilgileri içeren bir nesnedir.
  • return_tensors (Annotated[str | ~utils.generic.TensorType | None, None], kwargs) — 'pt' olarak ayarlanırsa yığılmış tensörler döndürür, aksi takdirde tensör listesi döndürür.
  • patch_size (int, kwargs, isteğe bağlı) — Piksel cinsinden her görüntü yamasının boyutu.
  • max_soft_tokens (int, kwargs, isteğe bağlı) — Video karesi başına en fazla yumuşak (görüntü) jeton sayısı. {70, 140, 280, 560, 1120} değerlerinden biri olmalıdır.
  • pooling_kernel_size (int, kwargs, opsiyonel) — Patchification uygulandıktan sonra kullanılan uzamsal havuzlama çekirdeği boyutu.
  • add_timestamps (bool, kwargs, isteğe bağlı) — Video yer tutucu genişletmesinde her bir karenin başına mm:ss zaman damgası eklenip eklenmeyeceğini belirtir. Zaman damgaları zaten çözümlenmiş karelardan çıkarılamadığı için, geçerli bir fps değerine sahip VideoMetadata gerektirir.
  • max_frames (int, kwargs, isteğe bağlı) — Örneklenecek maksimum kare sayısı. Ayarlanırsa, örneklenen indeksler bütçeye sığacak şekilde eşit aralıklarla yeniden örneklenir.
  • overflow_strategy (str, kwargs, opsiyonel) — Toplam örneklenen kare sayısını bütçeye sığdırmak için kullanılan strateji. Yalnızca “uniform” veya “truncate” olarak ayarlanabilir. FPS tabanlı örneklemeyi uyguladıktan sonra ve FPS tabanlı örneklemenin kapalı veya uygulanabilir olmadığı durumlarda tek başına uygulanır.
  • load_audio_from_video (bool, kwargs, opsiyonel) — Girdi videosunun ses kaydının yüklenip yüklenmeyeceğini belirtir.

Dönüş değeri

~image_processing_base.BatchFeature

  • data (dict) — call yönteminin döndürdüğü listeler/diziler/tensörler sözlüğü (‘pixel_values’ vb.).
  • tensor_type (Union[None, str, TensorType], isteğe bağlı) — Başlatma sırasında PyTorch/Numpy Tensörlerindeki tamsayı listelerini dönüştürmek için burada bir tensor_type verebilirsiniz.

EmbeddingGemma2Processor

sınıf transformers.EmbeddingGemma2Processor

< >

( feature_extractorimage_processortokenizervideo_processorchat_template = Noneimage_seq_length: int = 280audio_seq_length: int = 750audio_ms_per_token: int = 40**kwargs )

Parametreler

  • feature_extractor (Gemma4AudioFeatureExtractor) — Özellik çıkarıcı zorunlu bir girdidir.
  • image_processor (Gemma4ImageProcessor) — Görsel işleyici zorunlu bir girdidir.
  • tokenizer (tokenizer_class) — Tokenizer zorunlu bir girdidir.
  • video_processor (EmbeddingGemma2VideoProcessor) — Video işleyici zorunlu bir girdidir.
  • chat_template (str) — Bir sohbet içindeki mesaj listelerini tokenize edilebilir bir metne dönüştürmek için kullanılan Jinja şablonu.
  • image_seq_length (int, opsiyonel, varsayılan 280) — Yer tutucu genişletme için görüntü başına kullanılan yumuşak token sayısı.
  • audio_seq_length (int, opsiyonel, varsayılan 750) — Ses segmenti başına maksimum ses yumuşak jeton sayısı. Dinamik ses jeton sayıları hesaplanırken üst sınır olarak görev yapar.
  • audio_ms_per_token (int, optional, varsayılan 40) — Çıktı soft token başına milisaniye cinsinden ses süresi. Ses yer tutucu token sayısını dinamik olarak ceil(duration_ms / audio_ms_per_token) formülüyle hesaplamak için kullanılır. Varsayılan değer olan 40, SSCP konvolüsyonunun 10 ms'lik çerçeveler üzerinde sağladığı 4× zaman indirgemesinden kaynaklanır.

Bir özellik çıkarıcıyı, bir görüntü işleyiciyi, bir belirteçleştiriciyi ve bir video işleyiciyi tek bir işleyicide birleştiren bir EmbeddingGemma2Processor oluşturur.

[EmbeddingGemma2Processor], [Gemma4AudioFeatureExtractor], [Gemma4ImageProcessor], [tokenizer_class] ve [EmbeddingGemma2VideoProcessor] sınıflarının tüm işlevlerini sunar. Daha fazla bilgi için [~Gemma4AudioFeatureExtractor], [~Gemma4ImageProcessor], [~tokenizer_class] ve [~EmbeddingGemma2VideoProcessor] belgelerini inceleyin.

__call__

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = Nonetext: str | list[str] | list[list[str]] | None = Nonevideos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = Noneaudio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = Noneaudio_from_video_indices: list[int] | None = None**kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'> )

Parametreler

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]], isteğe bağlı) — Ön işleme yapılacak görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa do_rescale=False olarak ayarlayın.
  • text (Union[str, list[str], list[list[str]]], isteğe bağlı) — Kodlanacak dizi veya dizi grubu. Her dizi bir metin veya metin listesi (önceden tokenize edilmiş metin) olabilir. Önceden tokenize edilmiş bir girdi geçirirseniz, gruplu girdilerle karışıklığı önlemek için is_split_into_words=True değerini ayarlayın.
  • videos (Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]], isteğe bağlı) — Ön işleme yapılacak video. Piksel değerleri 0 ile 255 arasında değişen tek bir video veya video partisi beklenir. Piksel değerleri 0 ile 1 arasında olan videoları geçiriyorsanız do_rescale=False olarak ayarlayın.
  • audio (Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]], isteğe bağlı) — Hazırlanacak ses veya sesler partisi. Her ses, bir NumPy dizisi veya PyTorch tensörü olabilir. NumPy dizisi/PyTorch tensörü durumunda, her sesin şekli (C, T) olmalıdır; burada C kanal sayısı, T ise sesin örnek uzunluğudur.
  • audio_from_video_indices (list[int], isteğe bağlı) — Her ses yuvasının kaynağını açıklayan bir liste.
    • None -> video iziyle ilişkilendirilmemiş bağımsız ses
    • i -> videos[i] videosundan çıkarılan ses audio her slot için bir giriş içeriyorsa, videos[i] sesinin çözülmesi yerine bu girişten alınır.
  • return_tensors (str veya TensorType, isteğe bağlı) — Belirlenirse, belirli bir çerçeveye ait tensörler döndürülür. Kabul edilen değerler şunlardır:
    • 'pt': PyTorch torch.Tensor nesnelerini döndürür.
    • 'np': NumPy np.ndarray nesnelerini döndürür.
  • **kwargs (ProcessingKwargs, isteğe bağlı) — Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın.

EmbeddingGemma2PreTrainedModel

sınıf transformers.EmbeddingGemma2PreTrainedModel

< >

( config: PreTrainedConfig*inputs**kwargs )

Parametreler

  • config (PreTrainedConfig) — Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için from_pretrained() yöntemine bakın.

Bu model PreTrainedModel sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden boyutlandırma, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch torch.nn.Module alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

forward

( *args**kwargs )

Noktalı bir yol için sahte bir değer (ör. torch.float32): öznitelik erişim zincirleri, çağrılar geçiş (pass-through) dekoratörleri gibi davranır, repr noktalı yoldur ve bir taban sınıf olarak kullanıldığında düz bir type tabanı yerine geçer (PEP 560 __mro_entries__), böylece gerçek alt sınıflar normal bir meta sınıfı korur ve inspect.signature sahtenin yerine gerçek __init__ değerlerini okur.

EmbeddingGemma2TextModel

sınıf transformers.EmbeddingGemma2TextModel

< >

( config: EmbeddingGemma2TextConfig )

Parametreler

  • config (EmbeddingGemma2TextConfig) — Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için from_pretrained() yöntemine bakın.

EmbeddingGemma 2 metin omurgası. Son gizli durumları config.embedding_dim boyutuna indirgeyen embedding_projection bileşenini barındırır; bu sayede bileşik model için forward geçersiz kılma işlemi gerekmez.

Bu model PreTrainedModel sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden boyutlandırma, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch torch.nn.Module alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutput or tuple(torch.Tensor)

Parametreler

  • input_ids (torch.LongTensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yok sayılır.

    Dizinler AutoTokenizer kullanılarak elde edilebilir. Ayrıntılar için PreTrainedTokenizer.encode() ve PreTrainedTokenizer.call() konularına bakın.

    Girdi kimlikleri nelerdir?

  • attention_mask (torch.Tensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Doldurma (padding) token indekslerinde dikkat (attention) işlemi yapmaktan kaçınmak için kullanılan maske. Seçilen maske değerleri [0, 1]:
    • 1, maskelenmemiş jetonlar için,
    • maskelenmiş jetonlar için 0.

    Dikkat maskeleri nedir?

  • position_ids (torch.LongTensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Girdi dizilerindeki her token'ın konum gömme (position embedding) içindeki konum indeksleri. Seçim aralığı [0, config.n_positions - 1].

    Pozisyon kimlikleri nedir?

  • inputs_embeds (torch.Tensor, şekli (batch_size, sequence_length, hidden_size), isteğe bağlı) — İsteğe bağlı olarak, input_ids yerine gömülü bir temsil doğrudan geçmeyi tercih edebilirsiniz. Bu, input_ids dizinlerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisinden daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.

Dönüş değeri

BaseModelOutput veya tuple(torch.Tensor)

Bir BaseModelOutput veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (EmbeddingGemma2Config) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

EmbeddingGemma2TextModel forward metodu, __call__ özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine Module örneğini çağırmak gerekir; çünkü önceki, ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

  • last_hidden_state (torch.Tensor, şekli (batch_size, sequence_length, hidden_size)) — Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  • hidden_states (tuple(torch.Tensor), isteğe bağlı, output_hidden_states=True geçirildiğinde veya config.output_hidden_states=True olduğunda döndürülür) — torch.Tensor (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, (batch_size, sequence_length, hidden_size) biçiminde bir demet.

    Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.

  • attentions (tuple(torch.Tensor), isteğe bağlı, output_attentions=True geçirildiğinde veya config.output_attentions=True olduğunda döndürülür) — torch.Tensor (katman başına bir tane) içeren bir tuple, şekli (batch_size, num_heads, sequence_length, sequence_length).

    Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

EmbeddingGemma2Model

sınıf transformers.EmbeddingGemma2Model

< >

( config: EmbeddingGemma2Config )

Parametreler

  • config (EmbeddingGemma2Config) — Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için from_pretrained() yöntemine bakın.

EmbeddingGemma 2 modeli: config.text_config.embedding_dim boyutuna projekte edilen son gizli durumları olan bir görme omurgası, bir ses omurgası ve bir metin omurgası. SentenceTransformers’ın ortalama havuzlama ve normalizasyon işlemleriyle sarılması amaçlanmaktadır.

Bu model PreTrainedModel sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden boyutlandırma, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch torch.nn.Module alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Nonepixel_values: typing.Optional[torch.Tensor] = Nonepixel_values_videos: typing.Optional[torch.Tensor] = Noneinput_features: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneinput_features_mask: typing.Optional[torch.Tensor] = Noneposition_ids: typing.Optional[torch.LongTensor] = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneimage_position_ids: typing.Optional[torch.LongTensor] = Nonevideo_position_ids: typing.Optional[torch.LongTensor] = Nonenum_frames_per_video: typing.Optional[torch.LongTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EmbeddingGemma2ModelOutput or tuple(torch.Tensor)

Parametreler

  • input_ids (torch.LongTensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yok sayılır.

    Dizinler AutoTokenizer kullanılarak elde edilebilir. Ayrıntılar için PreTrainedTokenizer.encode() ve PreTrainedTokenizer.call() konularına bakın.

    Girdi kimlikleri nelerdir?

  • pixel_values (torch.Tensor, şekli (batch_size, num_channels, image_size, image_size), isteğe bağlı) — Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri Gemma4ImageProcessor kullanılarak elde edilebilir. Ayrıntılar için Gemma4ImageProcessor.call() bölümüne bakın (EmbeddingGemma2Processor, görüntü işleme için Gemma4ImageProcessor kullanır).
  • pixel_values_videos (torch.Tensor, şekli (batch_size, num_frames, num_channels, frame_size, frame_size), isteğe bağlı) — Girdi videosuna karşılık gelen tensörler. Videolar için piksel değerleri, EmbeddingGemma2VideoProcessor kullanılarak elde edilebilir. Ayrıntılar için EmbeddingGemma2VideoProcessor.call() bölümüne bakın (EmbeddingGemma2Processor, videoları işlemek için EmbeddingGemma2VideoProcessor kullanır).
  • input_features (torch.Tensor, şekli (batch_size, sequence_length, feature_dim), isteğe bağlı) — Giriş ses özelliklerine karşılık gelen tensörler. Ses özellikleri Gemma4AudioFeatureExtractor kullanılarak elde edilebilir. Ayrıntılar için Gemma4AudioFeatureExtractor.call() bölümüne bakın (EmbeddingGemma2Processor, sesleri işlemek için Gemma4AudioFeatureExtractor kullanır).
  • attention_mask (torch.Tensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Doldurma (padding) token indekslerinde dikkat (attention) işlemi yapmaktan kaçınmak için kullanılan maske. Seçilen maske değerleri [0, 1]:
    • 1, maskelenmemiş jetonlar için,
    • maskelenmiş jetonlar için 0.

    Dikkat maskeleri nedir?

  • input_features_mask (torch.Tensor, şekli (num_images, seq_length)) — Girdi sesinin dikkat maskesi.
  • position_ids (torch.LongTensor şeklinde (batch_size, sequence_length), isteğe bağlı) — Girdi dizilerindeki her token'ın konum gömme (position embedding) içindeki konum indeksleri. Seçim aralığı [0, config.n_positions - 1].

    Pozisyon kimlikleri nedir?

  • inputs_embeds (torch.Tensor, şekli (batch_size, sequence_length, hidden_size), isteğe bağlı) — İsteğe bağlı olarak, input_ids yerine gömülü bir temsil doğrudan geçmeyi tercih edebilirsiniz. Bu, input_ids dizinlerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisinden daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.
  • image_position_ids (torch.LongTensor, şekli (batch_size, max_patches, 2), isteğe bağlı) — Görüntü işleyiciden gelen 2B yama konum koordinatları; (-1, -1) dolguyu (padding) belirtir. Konumsal gömme (positional embedding) hesabı için görme kodlayıcıya (vision encoder) aktarılır.
  • video_position_ids (torch.LongTensor, şekli (total_num_frames, max_patches, 2), isteğe bağlı) — Video işleyiciden gelen 2B yama konum koordinatları; (-1, -1) dolguyu (padding) belirtir. Konumsal gömme (positional embedding) hesabı için görme kodlayıcıya (vision encoder) iletilir.
  • num_frames_per_video (torch.LongTensor, şekli (num_videos,), isteğe bağlı) — Her videoya ait kare sayısı. pixel_values_videos parametresi iletildiğinde zorunludur, çünkü tüm videoların kareleri tek bir eksende birleştirilir.

Dönüş değeri

EmbeddingGemma2ModelOutput veya tuple(torch.Tensor)

EmbeddingGemma2ModelOutput veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (EmbeddingGemma2Config) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

EmbeddingGemma2Model forward metodu, __call__ özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine Module örneğini çağırmak gerekir; çünkü önceki, ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

  • last_hidden_state (torch.Tensor, şekli (batch_size, sequence_length, hidden_size)) — Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  • hidden_states (tuple(torch.Tensor), isteğe bağlı, output_hidden_states=True geçirildiğinde veya config.output_hidden_states=True olduğunda döndürülür) — torch.Tensor (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, (batch_size, sequence_length, hidden_size) biçiminde bir demet.

    Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.

  • attentions (tuple(torch.Tensor), isteğe bağlı, output_attentions=True geçirildiğinde veya config.output_attentions=True olduğunda döndürülür) — torch.Tensor (katman başına bir tane) içeren bir tuple, şekli (batch_size, num_heads, sequence_length, sequence_length).

    Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

  • image_hidden_states (torch.Tensor, isteğe bağlı) — Boyutu (batch_size, num_images, sequence_length, hidden_size) olan bir torch.Tensor. Görüntü kodlayıcısı tarafından üretilen ve son gizli durum projekte edildikten sonraki modelin image_hidden_states değerleri.

  • audio_hidden_states (torch.Tensor, isteğe bağlı) — Boyutu (batch_size, num_images, sequence_length, hidden_size) olan bir torch.Tensor. Ses kodlayıcı tarafından üretilen ve son gizli durum projeksiyondan geçirildikten sonraki modelin audio_hidden_states değerleri.

get_image_features

< >

( pixel_values: Tensorimage_position_ids: typing.Optional[torch.LongTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parametreler

  • pixel_values (torch.Tensor, şekli (batch_size, num_channels, image_size, image_size)) — Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri Gemma4ImageProcessor kullanılarak elde edilebilir. Ayrıntılar için Gemma4ImageProcessor.call()'a bakın (EmbeddingGemma2Processor, görüntü işleme için Gemma4ImageProcessor kullanır).
  • image_position_ids (torch.LongTensor, şekli (batch_size, max_patches, 2), isteğe bağlı) — Görseldeki yama konumları, (x, y) koordinatları olarak. Dolgu yamaları (-1, -1) ile gösterilir.

Dönüş değeri

BaseModelOutputWithPooling veya tuple(torch.Tensor)

A BaseModelOutputWithPooling veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (EmbeddingGemma2Config) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

Görüntü modelinden son gizli durumu dil modeli uzayına yansıtır.

  • last_hidden_state (torch.Tensor, şekli (batch_size, sequence_length, hidden_size)) — Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  • pooler_output (torch.Tensor, şekli (batch_size, hidden_size)) — Sıranın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlar üzerinden ek işlemden geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonu üzerinden işlenmesinden sonra döndürülen değerdir. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.

  • hidden_states (tuple(torch.Tensor), isteğe bağlı, output_hidden_states=True geçirildiğinde veya config.output_hidden_states=True olduğunda döndürülür) — torch.Tensor (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, (batch_size, sequence_length, hidden_size) biçiminde bir demet.

    Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.

  • attentions (tuple(torch.Tensor), isteğe bağlı, output_attentions=True geçirildiğinde veya config.output_attentions=True olduğunda döndürülür) — torch.Tensor (katman başına bir tane) içeren bir tuple, şekli (batch_size, num_heads, sequence_length, sequence_length).

    Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

get_video_features

< >

( pixel_values_videos: Tensorvideo_position_ids: typing.Optional[torch.LongTensor] = Nonenum_frames_per_video: typing.Optional[torch.LongTensor] = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPooling or tuple(torch.Tensor)

Parametreler

  • pixel_values_videos (torch.Tensor, şekli (total_num_frames, max_patches, patch_pixels)) — Toplumdaki (batch) her videonun kareleri, ayrı bir video ekseni üzerinde yığılmak yerine farklı uzunluklardaki videoların birlikte toplama (batch) işlemine alınabilmesi için kare ekseni boyunca birleştirilmiştir.
  • video_position_ids (torch.LongTensor, şekli (total_num_frames, max_patches, 2), isteğe bağlı) — Video işleyiciden gelen 2B yama konum koordinatları; (-1, -1) dolguyu (padding) belirtir. Konumsal gömme (positional embedding) hesabı için görme kodlayıcıya (vision encoder) iletilir.
  • num_frames_per_video (torch.LongTensor, şekli (num_videos,)) — Her videoya ait kare sayısı; düz kare dizisini video bazında yeniden bölmek için kullanılır.

Dönüş değeri

BaseModelOutputWithPooling veya tuple(torch.Tensor)

A BaseModelOutputWithPooling veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (EmbeddingGemma2Config) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

Görüntü kodlayıcısının son gizli durumunu dil modeli uzayına yansıtır.

  • last_hidden_state (torch.Tensor, şekli (batch_size, sequence_length, hidden_size)) — Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  • pooler_output (torch.Tensor, şekli (batch_size, hidden_size)) — Sıranın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlar üzerinden ek işlemden geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonu üzerinden işlenmesinden sonra döndürülen değerdir. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.

  • hidden_states (tuple(torch.Tensor), isteğe bağlı, output_hidden_states=True geçirildiğinde veya config.output_hidden_states=True olduğunda döndürülür) — torch.Tensor (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, (batch_size, sequence_length, hidden_size) biçiminde bir demet.

    Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.

  • attentions (tuple(torch.Tensor), isteğe bağlı, output_attentions=True geçirildiğinde veya config.output_attentions=True olduğunda döndürülür) — torch.Tensor (katman başına bir tane) içeren bir tuple, şekli (batch_size, num_heads, sequence_length, sequence_length).

    Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

get_audio_features

< >

( input_features: Tensorinput_features_mask: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → EmbeddingGemma2AudioModelOutput or tuple(torch.Tensor)

Parametreler

  • input_features (torch.Tensor, şekli (num_images, seq_length, num_features)) — Girdi sesine karşılık gelen tensörler.
  • input_features_mask (torch.Tensor, şekli (num_images, seq_length)) — Girdi sesinin dikkat maskesi.

Dönüş değeri

EmbeddingGemma2AudioModelOutput veya tuple(torch.Tensor)

EmbeddingGemma2AudioModelOutput veya bir torch.Tensor demeti (eğer return_dict=False geçirildiyse veya config.return_dict=False ise), yapılandırmaya (EmbeddingGemma2Config) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

Ses kodlayıcısının son gizli durumunu dil modeli uzayına yansıtır.

  • last_hidden_state (torch.Tensor, şekli (batch_size, sequence_length, hidden_size)) — Modelin son katmanının çıktısındaki gizli durumlar dizisi.

  • pooler_output (torch.Tensor, şekli (batch_size, hidden_size)) — Sıranın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlar üzerinden ek işlemden geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonu üzerinden işlenmesinden sonra döndürülen değerdir. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.

  • hidden_states (tuple(torch.Tensor), isteğe bağlı, output_hidden_states=True geçirildiğinde veya config.output_hidden_states=True olduğunda döndürülür) — torch.Tensor (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, (batch_size, sequence_length, hidden_size) biçiminde bir demet.

    Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.

  • attentions (tuple(torch.Tensor), isteğe bağlı, output_attentions=True geçirildiğinde veya config.output_attentions=True olduğunda döndürülür) — torch.Tensor (katman başına bir tane) içeren bir tuple, şekli (batch_size, num_heads, sequence_length, sequence_length).

    Dikkat softmax'ı sonrası dikkat ağırlıkları, öz-dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.

  • attention_mask (torch.BoolTensor, isteğe bağlı) — (batch_size, num_frames) biçiminde bir torch.BoolTensor. Geçerli konumlar için True, dolgu (padding) için False.

Update on GitHub