# MiniCPM-OCR MiniCPM-OCR là một mô hình hiểu tài liệu thuộc dòng [MiniCPM-V](https://huggingface.co/papers/2509.18154) do [OpenBMB](https://github.com/OpenBMB) phát triển. Nó giữ nguyên kiến trúc [MiniCPM-V 4.6](./minicpmv4_6) -- một bộ mã hóa thị giác [SigLIP](./siglip) với bộ hợp nhất chú ý cửa sổ đặt trước mô hình ngôn ngữ [Qwen3.5](./qwen3_5) -- và chuyên biệt hóa cho việc đọc các hình ảnh chứa nhiều văn bản như trang quét, ảnh chụp màn hình, hóa đơn và bảng biểu. Mô hình này được đóng góp bởi [OpenBMB](https://huggingface.co/openbmb). Mã nguồn gốc có thể được tìm thấy [tại đây](https://github.com/openbmb/MiniCPM-OCR). ## Ví dụ sử dụng ```python from transformers import pipeline messages = [ { "role": "user", "content": [ { "type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg", }, {"type": "text", "text": "Transcribe all the text in this document."}, ], }, ] pipe = pipeline("image-text-to-text", model="openbmb/MiniCPM-OCR-1.0") outputs = pipe(text=messages, max_new_tokens=256, return_full_text=False) print(outputs[0]["generated_text"]) # # # Document No : TD01167104 # Date : 25/12/2018 8:13:39 PM # Cashier : MANIS # Member : # CASH BILL # CODE/DESC PRICE Disc AMOUNT # QTY RM RM # 9556939040118 KF MODELLING CLAY KIDDY FISH # 1 PC * 9.00 0.00 9.00 # Total : 9.00 # Rounding Adjustment : 0.00 # Round-d Total (RM) : 9.00 ``` ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Convert this page to markdown."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=512) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) # ```markdown # R&D QUALITY IMPROVEMENT # SUGGESTION/SOLUTION FORM # # Name/Phone Ext.: M. Hamann, P. Harper, P. Martinez Date: 9/3/92 # # Supervisor/Manager: J. S. Wigand R&D Group: Licensee # ... # ``` ``` Chat template của checkpoint đã phát hành tắt chế độ suy nghĩ theo mặc định. Truyền `enable_thinking=True` vào `apply_chat_template` để bật nó một cách tường minh. MiniCPM-OCR hỗ trợ cả hai chế độ giảm mẫu hình ảnh của dòng MiniCPM-V: - **4x** (mặc định): Ít hạ mẫu hơn, nhiều token thị giác hơn, đây là điều cần thiết cho việc chuyển đổi văn bản từ tài liệu và ảnh chụp màn hình. - **16x**: Giảm mẫu (downsampling) mạnh hơn, ít token thị giác hơn, suy luận nhanh hơn trên các hình ảnh tự nhiên. Chế độ phải được truyền cho bộ xử lý và cho `model.generate` cùng lúc, vì bộ xử lý đếm các vị trí giữ chỗ hình ảnh mà tháp thị giác được kỳ vọng sẽ tạo ra: ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Convert this page to markdown."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"downsample_mode": "4x"}, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=512, downsample_mode="4x") print((inputs["input_ids"] == model.config.image_token_id).sum().item()) # 1260 visual tokens; the same page in `"16x"` mode is 315 instead ``` Mỗi lần gọi `downsample_mode` chỉ áp dụng cho lần gọi đó và không làm thay đổi processor, do đó cùng một processor có thể phục vụ cả hai chế độ đồng thời. Khi gọi processor trực tiếp thay vì thông qua `apply_chat_template`, hãy truyền nó như một tham số từ khóa thông thường: ```python inputs = processor(images=[image], text=[text], return_tensors="pt", downsample_mode="4x") ``` Để đặt một chế độ làm mặc định, hãy thiết lập nó khi nạp bộ xử lý: ```python processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", downsample_mode="4x") ``` Các hình ảnh quá nhỏ để được cắt sẽ được phóng to lên `scale_resolution` theo mặc định, đây là cài đặt mà checkpoint đã phát hành được huấn luyện với. Ảnh chụp màn hình và ảnh cắt thường nên giữ ở độ phân giải gốc, vì việc phóng to chỉ làm mờ các ký tự, do đó `small_image_upsize` cho phép chọn giữa hai phương án: - `"always"` (mặc định): phóng to chúng lên `scale_resolution`. - `"never"`: giữ chúng ở độ phân giải gốc, chỉ căn chỉnh theo lưới patch. - `"adaptive"`: quyết định theo từng hình ảnh và từng lát cắt, dựa trên kích thước và mật độ của glyph. ```python from transformers import AutoProcessor from transformers.image_utils import load_image url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg" image = load_image(url).resize((224, 224)) processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") messages = [{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": "Read the text."}]}] text = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=False) print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[32, 32]] -- upscaled to `scale_resolution` processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", small_image_upsize="never") print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[16, 16]] -- 224 / 14 patches per side, no upscaling ``` `"adaptive"` phóng to văn bản đặc nhỏ lên `scale_resolution`, các ảnh dưới 6272 pixel lên 84, và giữ nguyên độ phân giải gốc cho phần còn lại; trên một lát cắt, nó không bao giờ tiêu tốn nhiều token hơn so với ô chuẩn. Chiều cao và mật độ ký tự được đo bằng ngưỡng Otsu kết hợp với phân tích thành phần liên thông, do đó nó yêu cầu [OpenCV](https://pypi.org/project/opencv-python/) và sẽ gây lỗi nếu thiếu thư viện này, thay vì âm thầm chuyển sang một quy tắc khác. ```python processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0", small_image_upsize="adaptive") print(processor(images=[image], text=[text], return_tensors="pt")["target_sizes"].tolist()) # [[32, 32]] -- dense text detected, so this one is upscaled anyway ``` Tương tự như `downsample_mode`, tham số này cũng có thể được ghi đè cho từng lần gọi, giúp giữ nguyên độ phân giải gốc 224x224 của phiếu biên nhận mà không cần nạp lại bộ xử lý: ```python inputs = processor(images=[image], text=[text], return_tensors="pt", small_image_upsize="never") print(inputs["target_sizes"].tolist()) # [[16, 16]] -- 224 / 14 patches per side, no upscaling ``` ```python from transformers import AutoModelForImageTextToText, AutoProcessor model_id = "openbmb/MiniCPM-OCR-1.0" processor = AutoProcessor.from_pretrained(model_id) model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto") messages = [ [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_receipt.jpeg"}, {"type": "text", "text": "Transcribe all the text in this document."}, ], } ], [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/ocr_suggestion_form.jpg"}, {"type": "text", "text": "Transcribe all the text in this document."}, ], } ], ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"padding": True}, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=256) decoded_outputs = processor.batch_decode(output[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_outputs[0]) # Document No : TD01167104 # Date : 25/12/2018 8:13:39 PM # Cashier : MANIS # ... print(decoded_outputs[1]) # R&D QUALITY IMPROVEMENT # SUGGESTION/SOLUTION FORM # # Name/Phone Ext.: M. Hamann P. Harper P. Martinez Date: 9/3/92 # Supervisor/Manager: J. S. Wigand R&D Group: Licensee # ... ``` Hai trang được thay đổi kích thước độc lập, nên prompt của chúng có độ dài khác nhau. `padding` phải được yêu cầu thông qua `processor_kwargs` để `apply_chat_template` chuyển tiếp nó đến processor, và processor sẽ đệm ở phía bên trái để `generate` tiếp tục tạo ra từ cuối mỗi prompt. ## MiniCPMOcrConfig[[transformers.MiniCPMOcrConfig]] #### transformers.MiniCPMOcrConfig[[transformers.MiniCPMOcrConfig]] ```python transformers.MiniCPMOcrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, insert_layer_id: int = 6, image_token_id: int | None = None, video_token_id: int | None = None, tie_word_embeddings: bool = True, downsample_mode: str = '4x', merge_kernel_size: tuple[int, int] | list[int] = (2, 2), merger_times: int = 1) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L66) **Tham số:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Đối tượng config hoặc từ điển của text backbone. vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *tùy chọn*) : Đối tượng config hoặc từ điển của vision backbone. insert_layer_id (`int`, *tuỳ chọn*, mặc định là 6) : Chỉ số lớp của bộ mã hóa thị giác sau đó bộ hợp nhất chú ý cửa sổ được áp dụng. image_token_id (`int`, *tuỳ chọn*) : Chỉ số token hình ảnh được dùng làm ký tự thay thế cho các hình ảnh đầu vào. video_token_id (`int`, *tuỳ chọn*) : Chỉ số token video được dùng làm ký tự thay thế cho các video đầu vào. tie_word_embeddings (`bool`, *tùy chọn*, mặc định là `True`) : Có nên gắn kết các nhúng trọng số theo ánh xạ `tied_weights_keys` của mô hình hay không. downsample_mode (`str`, *tùy chọn*, mặc định là `"4x"`) : Tỷ lệ giảm mẫu token trực quan. `"4x"` giữ lại nhiều token gấp 4 lần so với `"16x"`, đây là mức được dùng để đọc các hình ảnh tài liệu chứa nhiều văn bản. merge_kernel_size (`tuple[int, int]`, *tùy chọn*, mặc định là `(2, 2)`) : Kích thước kernel `(h, w)` để gộp các visual patch lân cận trong Merger. merger_times (`int`, *tuỳ chọn*, mặc định là 1) : Số vòng lặp gộp trong Merger. Đây là lớp cấu hình để lưu trữ cấu hình của một MiniCPMOcrModel. Nó được sử dụng để khởi tạo một mô hình Minicpm Ocr 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 [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. ## MiniCPMOcrVisionConfig[[transformers.MiniCPMOcrVisionConfig]] #### transformers.MiniCPMOcrVisionConfig[[transformers.MiniCPMOcrVisionConfig]] ```python transformers.MiniCPMOcrVisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, intermediate_size: int = 3072, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, insert_layer_id: int = 6, window_kernel_size: tuple[int, int] | list[int] = (2, 2)) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/configuration_minicpm_ocr.py#L31) **Tham số:** hidden_size (`int`, *optional*, mặc định là `768`) : Kích thước của các biểu diễn ẩn. intermediate_size (`int`, *tuỳ chọn*, mặc định là `3072`) : Kích thước của các biểu diễn MLP. num_hidden_layers (`int`, *tuỳ chọn*, mặc định là `12`) : Số lượng lớp ẩn trong bộ giải mã Transformer. num_attention_heads (`int`, *tùy chọn*, mặc định là `12`) : Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. num_channels (`int`, *tuỳ chọn*, mặc định là `3`) : Số lượng kênh đầu vào. image_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `224`) : Kích thước (độ phân giải) của mỗi hình ảnh. patch_size (`Union[int, list[int], tuple[int, int]]`, *tùy chọn*, mặc định là `16`) : Kích thước (độ phân giải) của mỗi patch. hidden_act (`str`, *tùy chọn*, mặc định là `gelu_pytorch_tanh`) : Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ, `"gelu"`, `"relu"`, `"silu"`, v.v. layer_norm_eps (`float`, *tuỳ chọn*, mặc định là `1e-06`) : Epsilon được sử dụng bởi các lớp chuẩn hóa lớp (layer normalization). attention_dropout (`Union[float, int]`, *tùy chọn*, mặc định là `0.0`) : Tỷ lệ dropout cho các xác suất chú ý. insert_layer_id (`int`, *tuỳ chọn*, mặc định là 6) : Chỉ số lớp của bộ mã hóa thị giác sau đó bộ hợp nhất chú ý cửa sổ được áp dụng. window_kernel_size (`tuple[int, int]`, *tùy chọn*, mặc định là `(2, 2)`) : Kích thước cửa sổ `(h, w)` cho bộ hợp nhất chú ý cửa sổ trung gian. Đây là lớp cấu hình để lưu trữ cấu hình của một MiniCPMOcrModel. Nó được sử dụng để khởi tạo một mô hình Minicpm Ocr 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 [openbmb/MiniCPM-OCR-1.0](https://huggingface.co/openbmb/MiniCPM-OCR-1.0) Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/main/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin. ## MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] #### transformers.MiniCPMOcrVisionPreTrainedModel[[transformers.MiniCPMOcrVisionPreTrainedModel]] ```python transformers.MiniCPMOcrVisionPreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L396) #### forward[[transformers.MiniCPMOcrVisionPreTrainedModel.forward]] ```python forward(*args, **kwargs) ``` Một giá trị giả lập cho một đường dẫn có dấu chấm (ví dụ: `torch.float32`): các chuỗi truy cập thuộc tính, các lời gọi hoạt động như các decorator pass-through, `repr` là đường dẫn có dấu chấm, và việc sử dụng nó như một lớp cơ sở sẽ thay thế bằng một lớp cơ sở `type` thông thường (PEP 560 `__mro_entries__`), do đó các lớp con thực sự vẫn giữ nguyên metaclass bình thường và `inspect.signature` sẽ đọc `__init__` thực của chúng thay vì của một mock. ## MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] #### transformers.MiniCPMOcrVisionModel[[transformers.MiniCPMOcrVisionModel]] ```python transformers.MiniCPMOcrVisionModel(config: MiniCPMOcrVisionConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L410) #### forward[[transformers.MiniCPMOcrVisionModel.forward]] ```python forward(pixel_values, target_sizes: typing.Optional[torch.IntTensor] = None, use_vit_merger: bool = True, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L442) **Tham số:** pixel_values (`` of shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng cách sử dụng [MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor). Xem [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết ([MiniCPMOcrProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) sử dụng [MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) để xử lý ảnh). target_sizes (`torch.IntTensor` có hình dạng `(batch_size, 2)`, *tùy chọn*) : Kích thước lưới patch `(h, w)` để tính toán nhúng vị trí. use_vit_merger (`bool`, *tùy chọn*, mặc định là `True`) : Có áp dụng bộ hợp nhất window-attention của ViT sau bộ mã hóa hay không. **Trả về:** [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Phương thức forward của [MiniCPMOcrVisionModel](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrVisionModel) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. ## MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] #### transformers.MiniCPMOcrModel[[transformers.MiniCPMOcrModel]] ```python transformers.MiniCPMOcrModel(config: MiniCPMOcrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L593) **Tham số:** config ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình. Mô hình MiniCPMOcr bao gồm một bộ khung thị giác và một mô hình ngôn ngữ, không có đầu mô hình hóa ngôn ngữ. Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.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 ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.MiniCPMOcrModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L662) **Tham số:** input_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của các token trong chuỗi đầu vào theo từ vựng. Mặc định, các token đệm (padding) sẽ bị bỏ qua. Có thể lấy chỉ số bằng cách sử dụng [AutoTokenizer](/docs/transformers/main/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết chi tiết. [ID đầu vào là gì?](../glossary#input-ids) pixel_values (`torch.Tensor`, *tùy chọn*) : Các mảng giá trị pixel cho hình ảnh, được đóng gói theo NaViT. target_sizes (`torch.IntTensor`, *tùy chọn*) : Chiều cao và chiều rộng (theo số patch) của mỗi hình ảnh. pixel_values_videos (`torch.Tensor`, *tùy chọn*) : Các patch giá trị pixel cho các khung hình video, được đóng gói theo NaViT. target_sizes_videos (`torch.IntTensor`, *tùy chọn*) : Chiều cao và chiều rộng (theo số patch) của mỗi khung hình video. attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các token **không bị che**, - 0 cho các token **bị che**. [Mặt nạ chú ý là gì?](../glossary#attention-mask) position_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các embedding vị trí. Được chọn trong khoảng `[0, config.n_positions - 1]`. [Position IDs là gì?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *tùy chọn*) : 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 để tăng tốc giải mã tuần tự. Điều này thường bao gồm `past_key_values` do mô hình trả về ở một giai đoạn giải mã trước đó, khi `use_cache=True` hoặc `config.use_cache=True`. Chỉ cho phép nhập instance của [Cache](/docs/transformers/main/vi/internal/generation_utils#transformers.Cache), xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Nếu không truyền `past_key_values`, [DynamicCache](/docs/transformers/main/vi/internal/generation_utils#transformers.DynamicCache) sẽ được khởi tạo theo mặc định. Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào. Nếu sử dụng `past_key_values`, người dùng được kỳ vọng chỉ nhập các `input_ids` chưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có shape `(batch_size, unprocessed_length)` thay vì tất cả `input_ids` có shape `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`). downsample_mode (`str`, *tùy chọn*) : `"4x"` giữ lại gấp 4 lần số token thị giác; mặc định `"16x"` áp dụng gộp hoàn toàn. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *tùy chọn*) : Dict trong đó các khóa là các chế độ (modalities) được hỗ trợ và các giá trị là kết quả mã hóa cho chế độ đó. Mỗi kết quả mã hóa là một tuple bao gồm (`pooler_output`, *tùy chọn*: `last_hidden_states`, *tùy chọn*: `hidden_states`, *tùy chọn*: `attentions`) `pooler_output` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) là một chuỗi các đặc trưng đa chế độ của bộ mã hóa được hợp nhất vào các nhúng văn bản. **Trả về:** [BaseModelOutputWithPast](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPast](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) 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 ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Phương thức forward của [MiniCPMOcrModel](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrModel) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. Nếu `past_key_values` được sử dụng, chỉ có hidden-state cuối cùng của các chuỗi có shape `(batch_size, 1, hidden_size)` được xuất ra. - **past_key_values** (`Cache`, *tùy chọn*, được trả về khi `use_cache=True` được truyền vào hoặc khi `config.use_cache=True`) -- Đây là một instance của [Cache](/docs/transformers/main/vi/internal/generation_utils#transformers.Cache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention và tùy chọn nếu `config.is_encoder_decoder=True` trong các khối cross-attention) có thể được sử dụng (xem đầu vào `past_key_values`) để tăng tốc độ giải mã tuần tự. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. #### get_image_features[[transformers.MiniCPMOcrModel.get_image_features]] ```python get_image_features(pixel_values: Tensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L602) **Tham số:** pixel_values (`torch.Tensor` có shape `(batch_size, num_channels, image_size, image_size)`) : Các tensor tương ứng với các ảnh đầu vào. Giá trị pixel có thể được lấy bằng [MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor). Xem [MiniCPMOcrImageProcessor.__call__()](/docs/transformers/main/vi/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) để biết chi tiết ([MiniCPMOcrProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) sử dụng [MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor) để xử lý ảnh). target_sizes (`torch.IntTensor` có hình dạng `(num_images, 2)`) : Chiều cao và chiều rộng (tính bằng số patch) của mỗi hình ảnh. downsample_mode (`str`, *tùy chọn*) : Khi đặt thành `"4x"`, `vit_merger` trung gian sẽ bị bỏ qua để mỗi hình ảnh giữ lại nhiều hơn `4×` token thị giác. Chế độ mặc định `"16x"` áp dụng quy trình hợp nhất đầy đủ. **Trả về:** [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Trích xuất đặc trưng hình ảnh: bộ mã hóa thị giác, chèn bộ hợp nhất, sau đó là bộ hợp nhất MLP. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. #### get_video_features[[transformers.MiniCPMOcrModel.get_video_features]] ```python get_video_features(pixel_values_videos: Tensor, target_sizes_videos: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L743) **Tham số:** pixel_values_videos (`torch.Tensor` có shape `(1, channels, patch_size, seq_len)`) : Các pixel patch được đóng gói theo NaViT cho tất cả các khung hình của video. Video processor nối các patch của từng khung hình dọc theo chiều cuối thành một chuỗi duy nhất với dim-0 = 1, giống hệt định dạng đóng gói ảnh. target_sizes_videos (`torch.IntTensor` có hình dạng `(num_patches, 2)`) : Chiều cao và chiều rộng (tính bằng số patch) của mỗi đơn vị thị giác. downsample_mode (`str`, *tùy chọn*) : Khi đặt thành `"4x"`, `vit_merger` trung gian sẽ bị bỏ qua để mỗi khung hình giữ lại nhiều hơn `4×` token thị giác. Chế độ mặc định `"16x"` áp dụng quy trình hợp nhất đầy đủ. **Trả về:** [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Trích xuất đặc trưng video: đóng gói lại các khung hình thành định dạng NaViT, sau đó dùng bộ mã hóa thị giác + bộ hợp nhất. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. ## MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] #### transformers.MiniCPMOcrForConditionalGeneration[[transformers.MiniCPMOcrForConditionalGeneration]] ```python transformers.MiniCPMOcrForConditionalGeneration(config: MiniCPMOcrConfig) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L779) **Tham số:** config ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/main/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số mô hình. Mô hình Minicpm Ocr để tạo token có điều kiện dựa trên các phương thức khác (ví dụ: tạo văn bản từ hình ảnh-văn bản). Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/main/vi/main_classes/model#transformers.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 ra, v.v.) Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#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[[transformers.MiniCPMOcrForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.Tensor] | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L790) **Tham số:** input_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của các token trong chuỗi đầu vào theo từ vựng. Mặc định, các token đệm (padding) sẽ bị bỏ qua. Có thể lấy chỉ số bằng cách sử dụng [AutoTokenizer](/docs/transformers/main/vi/model_doc/auto#transformers.AutoTokenizer). Xem [PreTrainedTokenizer.encode()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) và [PreTrainedTokenizer.__call__()](/docs/transformers/main/vi/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) để biết chi tiết. [ID đầu vào là gì?](../glossary#input-ids) pixel_values (`torch.Tensor`, *tùy chọn*) : Các mảng giá trị pixel cho hình ảnh, được đóng gói theo NaViT. target_sizes (`torch.IntTensor`, *tùy chọn*) : Chiều cao và chiều rộng (theo số patch) của mỗi hình ảnh. pixel_values_videos (`torch.Tensor`, *tùy chọn*) : Các patch giá trị pixel cho các khung hình video, đóng gói theo NaViT. target_sizes_videos (`torch.IntTensor`, *tùy chọn*) : Chiều cao và chiều rộng (theo số patch) của mỗi khung hình video. attention_mask (`torch.Tensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong `[0, 1]`: - 1 cho các token **không bị che**, - 0 cho các token **bị che**. [Mặt nạ chú ý là gì?](../glossary#attention-mask) position_ids (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Chỉ số của vị trí các token trong mỗi chuỗi đầu vào trong các embedding vị trí. Được chọn trong khoảng `[0, config.n_positions - 1]`. [Position IDs là gì?](../glossary#position-ids) past_key_values (`list[torch.Tensor]`, *tùy chọn*) : 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 để tăng tốc giải mã tuần tự. Điều này thường bao gồm `past_key_values` do mô hình trả về ở một giai đoạn giải mã trước đó, khi `use_cache=True` hoặc `config.use_cache=True`. Chỉ cho phép nhập instance của [Cache](/docs/transformers/main/vi/internal/generation_utils#transformers.Cache), xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Nếu không truyền `past_key_values`, [DynamicCache](/docs/transformers/main/vi/internal/generation_utils#transformers.DynamicCache) sẽ được khởi tạo theo mặc định. Mô hình sẽ xuất ra cùng định dạng cache được đưa vào làm đầu vào. Nếu sử dụng `past_key_values`, người dùng được kỳ vọng chỉ nhập các `input_ids` chưa được xử lý (những phần chưa có trạng thái key value quá khứ được cung cấp cho mô hình này) có shape `(batch_size, unprocessed_length)` thay vì tất cả `input_ids` có shape `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) : Tùy chọn, thay vì truyền `input_ids`, bạn có thể chọn cách truyền trực tiếp một biểu diễn nhúng. Điều này hữu ích nếu bạn muốn kiểm soát nhiều hơn cách chuyển đổi các chỉ số `input_ids` thành các vector liên quan so với ma trận tra cứu nhúng nội bộ của mô hình. labels (`torch.LongTensor` có hình dạng `(batch_size, sequence_length)`, *tùy chọn*) : Nhãn để tính toán tổn thất mô hình hóa ngôn ngữ có mặt nạ. Chỉ số phải nằm trong `[0, ..., config.vocab_size]` hoặc -100 (xem docstring của `input_ids`). Các token có chỉ số được đặt thành `-100` sẽ bị bỏ qua (mặt nạ), tổn thất chỉ được tính cho các token có nhãn nằm trong `[0, ..., config.vocab_size]`. use_cache (`bool`, *tùy chọn*) : Nếu được đặt thành `True`, các trạng thái khóa và giá trị `past_key_values` sẽ được trả về và có thể được sử dụng để tăng tốc quá trình giải mã (xem `past_key_values`). downsample_mode (`str`, *tùy chọn*) : `"4x"` giữ lại gấp 4 lần số token thị giác; mặc định `"16x"` áp dụng gộp hoàn toàn. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *tùy chọn*) : Dict trong đó các khóa là các chế độ (modalities) được hỗ trợ và các giá trị là kết quả mã hóa cho chế độ đó. Mỗi kết quả mã hóa là một tuple bao gồm (`pooler_output`, *tùy chọn*: `last_hidden_states`, *tùy chọn*: `hidden_states`, *tùy chọn*: `attentions`) `pooler_output` có hình dạng `(batch_size, sequence_length, hidden_size)`, *tùy chọn*) là một chuỗi các đặc trưng đa chế độ của bộ mã hóa được hợp nhất vào các nhúng văn bản. **Trả về:** [CausalLMOutputWithPast](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) hoặc `tuple(torch.Tensor)` Một [CausalLMOutputWithPast](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Phương thức forward của [MiniCPMOcrForConditionalGeneration](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrForConditionalGeneration) ghi đè lên phương thức đặc biệt `__call__`. Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng. - **loss** (`torch.Tensor` có shape `(1,)`, *optional*, được trả về khi `labels` được cung cấp) -- Loss của language modeling (cho next-token prediction). - **logits** (`torch.Tensor` có 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** (`Cache`, *tùy chọn*, được trả về khi `use_cache=True` được truyền vào hoặc khi `config.use_cache=True`) -- Đây là một instance của [Cache](/docs/transformers/main/vi/internal/generation_utils#transformers.Cache). Để biết thêm chi tiết, hãy xem [hướng dẫn về kv cache](https://huggingface.co/docs/transformers/en/kv_cache) của chúng tôi. Chứa các hidden-states đã được tính trước (key và values trong các khối self-attention) có thể được sử dụng (xem đầu vào `past_key_values`) để tăng tốc độ giải mã tuần tự. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. Ví dụ: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_image_features[[transformers.MiniCPMOcrForConditionalGeneration.get_image_features]] ```python get_image_features(*args, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L854) **Trả về:** [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Trích xuất đặc trưng hình ảnh: bộ mã hóa thị giác, chèn bộ hợp nhất, sau đó là bộ hợp nhất MLP. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. Ví dụ: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_video_features[[transformers.MiniCPMOcrForConditionalGeneration.get_video_features]] ```python get_video_features(*args, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/modeling_minicpm_ocr.py#L858) **Trả về:** [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc `tuple(torch.Tensor)` Một [BaseModelOutputWithPooling](/docs/transformers/main/vi/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([MiniCPMOcrConfig](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrConfig)) và đầu vào. Trích xuất đặc trưng video: đóng gói lại các khung hình thành định dạng NaViT, sau đó dùng bộ mã hóa thị giác + bộ hợp nhất. - **last_hidden_state** (`torch.Tensor` có hình dạng `(batch_size, sequence_length, hidden_size)`) -- Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình. - **pooler_output** (`torch.Tensor` có hình dạng `(batch_size, hidden_size)`) -- Trạng thái ẩn của lớp cuối cùng cho token đầu tiên của chuỗi (token phân loại) sau khi được xử lý thêm thông qua các lớp dùng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện. - **hidden_states** (`tuple(torch.Tensor)`, *tuỳ chọn*, được trả về khi `output_hidden_states=True` được truyền vào hoặc khi `config.output_hidden_states=True`) -- Bộ tuple của `torch.Tensor` (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 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 khi `output_attentions=True` được truyền vào hoặc khi `config.output_attentions=True`) -- Bộ tuple của `torch.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. Ví dụ: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMOcrForConditionalGeneration >>> model = MiniCPMOcrForConditionalGeneration.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-OCR-1.0") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` ## MiniCPMOcrProcessor[[transformers.MiniCPMOcrProcessor]] #### transformers.MiniCPMOcrProcessor[[transformers.MiniCPMOcrProcessor]] ```python transformers.MiniCPMOcrProcessor(image_processor = None, video_processor = None, tokenizer = None, chat_template = None, **kwargs) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L47) **Tham số:** image_processor (`MiniCPMOcrImageProcessor`) : Bộ xử lý ảnh là một đầu vào bắt buộc. video_processor (`MiniCPMOcrVideoProcessor`) : Bộ xử lý video là một đầu vào bắt buộc. tokenizer (`TokenizersBackend`) : Tokenizer là đầu vào bắt buộc. chat_template (`str`) : Một mẫu Jinja để chuyển đổi các danh sách tin nhắn trong một cuộc trò chuyện thành chuỗi có thể token hóa. Tạo một MiniCPMOcrProcessor, đóng gói một bộ xử lý ảnh, một bộ xử lý video và một tokenizer thành một bộ xử lý duy nhất. [MiniCPMOcrProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrProcessor) cung cấp đầy đủ các chức năng của [MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [MiniCPMOcrVideoProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor) và [TokenizersBackend](/docs/transformers/main/vi/main_classes/tokenizer#transformers.TokenizersBackend). Xem [~MiniCPMOcrImageProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrImageProcessor), [~MiniCPMOcrVideoProcessor](/docs/transformers/main/vi/model_doc/minicpm_ocr#transformers.MiniCPMOcrVideoProcessor) và [~TokenizersBackend](/docs/transformers/main/vi/main_classes/tokenizer#transformers.TokenizersBackend) để biết thêm thông tin. #### __call__[[transformers.MiniCPMOcrProcessor.__call__]] ```python __call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text: str | list[str] | list[list[str]] | None = None, 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]], NoneType] = None, **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/processing_minicpm_ocr.py#L70) **Tham số:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *tùy chọn*) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh với giá trị pixel dao động từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel nằm trong khoảng từ 0 đến 1, hãy đặt `do_rescale=False`. text (`Union[str, list[str], list[list[str]]]`, *tùy chọn*) : Chuỗi hoặc lô các chuỗi cần được mã hóa. Mỗi chuỗi có thể là một chuỗi ký tự hoặc một danh sách các chuỗi ký tự (chuỗi đã được tách token trước). Nếu bạn truyền vào đầu vào đã tách token trước, hãy đặt `is_split_into_words=True` để tránh nhầm lẫn với các đầu vào dạng lô. 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]]]`, *optional*) : Video cần tiền xử lý. Kỳ vọng một video đơn hoặc một batch video với giá trị pixel từ 0 đến 255. Nếu truyền vào video có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`. return_tensors (`str` hoặc [TensorType](/docs/transformers/main/vi/internal/file_utils#transformers.TensorType), *optional*) : Nếu được đặt, sẽ trả về các tensor của một framework cụ thể. Các giá trị chấp nhận được là: - `'pt'`: Trả về các đối tượng `torch.Tensor` của PyTorch. - `'np'`: Trả về các đối tượng `np.ndarray` của NumPy. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/vi/main_classes/processors#transformers.ProcessingKwargs), *optional*) : Các tùy chọn xử lý bổ sung cho từng phương thức (text, images, videos, audio). Các tham số cụ thể của model được liệt kê ở trên; xem lớp TypedDict để biết danh sách đầy đủ các đối số được hỗ trợ. ## MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] #### transformers.MiniCPMOcrImageProcessor[[transformers.MiniCPMOcrImageProcessor]] ```python transformers.MiniCPMOcrImageProcessor(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L139) **Tham số:** do_convert_rgb (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chuyển đổi hình ảnh sang RGB hay không. do_resize (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có nên thay đổi kích thước ảnh hay không. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Mô tả kích thước đầu vào tối đa của mô hình. default_to_square (*bool*, *kwargs*, *optional*, mặc định là *True*) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng *center_crop*. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, mặc định là *3*) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum *PILImageResampling*. Chỉ có hiệu lực khi *do_resize* được đặt thành *True*. do_rescale (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có nên điều chỉnh lại tỷ lệ của hình ảnh hay không. rescale_factor (*float*, *kwargs*, *optional*, mặc định là *0.00392156862745098*) : Hệ số để điều chỉnh lại kích thước ảnh nếu *do_rescale* được đặt thành *True*. do_normalize (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, mặc định là *[0.5, 0.5, 0.5]*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, mặc định là *[0.5, 0.5, 0.5]*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. do_pad (*bool*, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Kích thước ở dạng *{"height": int, "width" int}* để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp để tiền xử lý. Nếu *pad_size* không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi *do_pad=True.* do_center_crop (*bool*, *kwargs*, *optional*) : Xác định có cắt ảnh theo kiểu căn giữa hay không. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Chỉ hỗ trợ *ChannelDimension.FIRST*. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - *"channels_first"* hoặc *ChannelDimension.FIRST*: ảnh ở định dạng (num_channels, height, width). - *"channels_last"* hoặc *ChannelDimension.LAST*: ảnh ở định dạng (height, width, num_channels). - *"none"* hoặc *ChannelDimension.NONE*: ảnh ở định dạng (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành *'pt'*, ngược lại trả về một danh sách các tensor. disable_grouping (*bool*, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. max_slice_nums (*int*, *kwargs*, *optional*, mặc định là 9) : Số lượng lát cắt tối đa khi tách một hình ảnh độ phân giải cao. scale_resolution (*int*, *kwargs*, *optional*, mặc định là 448) : Độ phân giải mục tiêu cho từng lát riêng lẻ. patch_size (*int*, *kwargs*, *optional*, mặc định là 14) : Kích thước patch không gian của bộ mã hóa thị giác. slice_mode (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chia hình ảnh thành nhiều lát để đạt độ phân giải cao hơn hay không. downsample_mode (*str*, *kwargs*, *optional*, mặc định là *"4x"*) : Chế độ giảm mẫu token trực quan. *"4x"* giữ lại nhiều token gấp 4 lần so với *"16x"*, vốn áp dụng gộp toàn bộ. Hỗ trợ ghi đè cho từng lần gọi. use_image_id (*bool*, *kwargs*, *optional*, mặc định là *True*) : Có nên thêm thẻ image-id (`N`) trước mỗi image placeholder hay không. Được Processor sử dụng để tạo placeholder, không phải bởi chính pipeline xử lý ảnh. small_image_upsize (*str*, *kwargs*, *optional*, mặc định là *"always"*) : Cách các hình ảnh và lát cắt có kích thước không lớn hơn *scale_resolution* bình phương được thay đổi kích thước. *"always"* phóng to chúng lên *scale_resolution*, *"never"* giữ nguyên độ phân giải gốc của chúng được căn chỉnh theo lưới patch, và *"adaptive"* chọn theo từng hình ảnh và từng lát cắt dựa trên kích thước và mật độ của glyph (yêu cầu OpenCV, xem [*adaptive_upsize_resolution*]). Tạo bộ xử lý ảnh MiniCPMOcrImageProcessor. #### preprocess[[transformers.MiniCPMOcrImageProcessor.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/image_processing_minicpm_ocr.py#L246) **Tham số:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : Ảnh cần tiền xử lý. Kỳ vọng một ảnh đơn hoặc một lô ảnh có giá trị pixel từ 0 đến 255. Nếu truyền vào các ảnh có giá trị pixel từ 0 đến 1, hãy đặt *do_rescale=False*. do_convert_rgb (*bool*, *kwargs*, *optional*) : Xác định có chuyển đổi hình ảnh sang RGB hay không. do_resize (*bool*, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Mô tả kích thước đầu vào tối đa của mô hình. default_to_square (*bool*, *kwargs*, *optional*) : Xác định có mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng *center_crop*. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các hằng số liệt kê (enum) của *PILImageResampling*. Chỉ có hiệu lực khi *do_resize* được đặt thành *True*. do_rescale (*bool*, *kwargs*, *optional*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (*float*, *kwargs*, *optional*) : Hệ số để điều chỉnh lại kích thước ảnh nếu *do_rescale* được đặt thành *True*. do_normalize (*bool*, *kwargs*, *optional*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. do_pad (*bool*, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model. pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Kích thước ở dạng *{"height": int, "width" int}* để đệm (pad) các ảnh. Phải lớn hơn kích thước của bất kỳ ảnh nào được cung cấp để tiền xử lý. Nếu *pad_size* không được cung cấp, các ảnh sẽ được đệm đến chiều cao và chiều rộng lớn nhất trong batch. Chỉ được áp dụng khi *do_pad=True.* do_center_crop (*bool*, *kwargs*, *optional*) : Xác định có cắt ảnh theo kiểu căn giữa hay không. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Chỉ hỗ trợ *ChannelDimension.FIRST*. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - *"channels_first"* hoặc *ChannelDimension.FIRST*: ảnh ở định dạng (num_channels, height, width). - *"channels_last"* hoặc *ChannelDimension.LAST*: ảnh ở định dạng (height, width, num_channels). - *"none"* hoặc *ChannelDimension.NONE*: ảnh ở định dạng (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành *'pt'*, ngược lại trả về một danh sách các tensor. disable_grouping (*bool*, *kwargs*, *optional*) : Xác định có vô hiệu hóa việc nhóm các hình ảnh theo kích thước để xử lý chúng riêng lẻ thay vì theo lô hay không. Nếu là None, giá trị sẽ được đặt thành True nếu các hình ảnh nằm trên CPU, và False trong các trường hợp khác. Lựa chọn này dựa trên các quan sát thực nghiệm, chi tiết tại đây: https://github.com/huggingface/transformers/pull/38157 image_seq_length (*int*, *kwargs*, *optional*) : Số lượng token hình ảnh sẽ được sử dụng cho mỗi hình ảnh trong đầu vào. Được thêm vào để đảm bảo tương thích ngược, nhưng trong các mô hình tương lai, giá trị này nên được đặt như một thuộc tính của bộ xử lý. max_slice_nums (*int*, *kwargs*, *optional*, mặc định là 9) : Số lượng lát cắt tối đa khi tách một hình ảnh độ phân giải cao. scale_resolution (*int*, *kwargs*, *optional*, mặc định là 448) : Độ phân giải mục tiêu cho từng lát riêng lẻ. patch_size (*int*, *kwargs*, *optional*, mặc định là 14) : Kích thước patch không gian của bộ mã hóa thị giác. slice_mode (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chia hình ảnh thành nhiều lát để đạt độ phân giải cao hơn hay không. downsample_mode (*str*, *kwargs*, *optional*, mặc định là *"4x"*) : Chế độ giảm mẫu token trực quan. *"4x"* giữ lại nhiều token gấp 4 lần so với *"16x"*, vốn áp dụng gộp toàn bộ. Hỗ trợ ghi đè cho từng lần gọi. use_image_id (*bool*, *kwargs*, *optional*, mặc định là *True*) : Có nên thêm thẻ image-id (`N`) trước mỗi image placeholder hay không. Được Processor sử dụng để tạo placeholder, không phải bởi chính pipeline xử lý ảnh. small_image_upsize (*str*, *kwargs*, *optional*, mặc định là *"always"*) : Cách các hình ảnh và lát cắt có kích thước không lớn hơn *scale_resolution* bình phương được thay đổi kích thước. *"always"* phóng to chúng lên *scale_resolution*, *"never"* giữ nguyên độ phân giải gốc của chúng được căn chỉnh theo lưới patch, và *"adaptive"* chọn theo từng hình ảnh và từng lát cắt dựa trên kích thước và mật độ của glyph (yêu cầu OpenCV, xem [*adaptive_upsize_resolution*]). **Trả về:** `*~feature_extraction_utils.BatchFeature*` - **data** (*dict*, *optional*) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi các phương thức __call__/pad ('input_values', 'attention_mask', v.v.). - **tensor_type** (*Union[None, str, TensorType]*, *optional*) -- Bạn có thể cung cấp một tensor_type tại đây để chuyển đổi các danh sách số nguyên trong PyTorch/Numpy Tensors khi khởi tạo. - **skip_tensor_conversion** (*list[str]* hoặc *set[str]*, *tuỳ chọn*) -- Danh sách hoặc tập hợp các khóa KHÔNG được chuyển đổi thành tensor, ngay cả khi *tensor_type* được chỉ định. ## MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] #### transformers.MiniCPMOcrVideoProcessor[[transformers.MiniCPMOcrVideoProcessor]] ```python transformers.MiniCPMOcrVideoProcessor(**kwargs: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L77) **Tham số:** do_convert_rgb (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chuyển đổi hình ảnh sang RGB hay không. do_resize (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có nên thay đổi kích thước ảnh hay không. size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Mô tả kích thước đầu vào tối đa của mô hình. default_to_square (*bool*, *kwargs*, *optional*, mặc định là *True*) : Có nên mặc định sử dụng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*, mặc định là *3*) : Bộ lọc lấy mẫu lại (resampling filter) được sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum *PILImageResampling*. Chỉ có hiệu lực khi *do_resize* được đặt thành *True*. do_rescale (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có nên điều chỉnh lại tỷ lệ của hình ảnh hay không. rescale_factor (*float*, *kwargs*, *optional*, mặc định là *0.00392156862745098*) : Hệ số để điều chỉnh lại kích thước ảnh nếu *do_rescale* được đặt thành *True*. do_normalize (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, mặc định là *[0.5, 0.5, 0.5]*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*, mặc định là *[0.5, 0.5, 0.5]*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu *do_normalize* được đặt thành *True*. do_center_crop (*bool*, *kwargs*, *optional*) : Xác định có cắt ảnh theo kiểu căn giữa hay không. do_pad (*bool*, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến kích thước vuông cố định cho từng ảnh. Chiến lược padding cụ thể phụ thuộc vào model. crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng *center_crop*. data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Chỉ hỗ trợ *ChannelDimension.FIRST*. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - *"channels_first"* hoặc *ChannelDimension.FIRST*: ảnh ở định dạng (num_channels, height, width). - *"channels_last"* hoặc *ChannelDimension.LAST*: ảnh ở định dạng (height, width, num_channels). - *"none"* hoặc *ChannelDimension.NONE*: ảnh ở định dạng (height, width). device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. do_sample_frames (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định xem có lấy mẫu các khung hình từ video trước khi xử lý hay xử lý toàn bộ video. video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : Metadata của video, chứa thông tin về tổng thời lượng, fps và tổng số khung hình. Dữ liệu này sẽ được dùng để lấy mẫu các khung hình từ video hoặc tính toán mốc thời gian. Không truyền bất kỳ metadata nào trừ khi bạn đang cố gắng giải mã video thủ công trước khi xử lý fps (*Annotated[int | float | None, None]*, *kwargs*) : Số khung hình mục tiêu cần lấy mẫu mỗi giây khi *do_sample_frames=True*. num_frames (*Annotated[int | None, None]*, *kwargs*) : Số khung hình tối đa cần lấy mẫu khi *do_sample_frames=True*. return_metadata (*bool*, *kwargs*, *optional*, mặc định là *False*) : Xác định có trả về metadata của video hay không. Video metadata là một đối tượng chứa thông tin về thời lượng video, fps, backend giải mã, v.v. return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : Nếu được đặt, sẽ trả về các tensor của một framework cụ thể. Các giá trị chấp nhận được là: - *'pt'*: Trả về các đối tượng *torch.Tensor* của PyTorch. - *'np'*: Trả về các đối tượng *np.ndarray* của NumPy. max_num_frames (*int*, *kwargs*, *optional*, mặc định là 128) : Số lượng tối đa các khung chính được lấy mẫu cho mỗi video. stack_frames (*int*, *kwargs*, *optional*, mặc định là 1) : Số khung con mỗi giây để xếp chồng. `1` vô hiệu hóa việc xếp chồng. max_slice_nums (*int*, *kwargs*, *optional*, mặc định là 9) : Số lượng lát cắt tối đa khi tách một hình ảnh độ phân giải cao. scale_resolution (*int*, *kwargs*, *optional*, mặc định là 448) : Độ phân giải mục tiêu cho từng lát riêng lẻ. patch_size (*int*, *kwargs*, *optional*, mặc định là 14) : Kích thước patch không gian của bộ mã hóa thị giác. slice_mode (*bool*, *kwargs*, *optional*, mặc định là *True*) : Xác định có chia hình ảnh thành nhiều lát để đạt độ phân giải cao hơn hay không. downsample_mode (*str*, *kwargs*, *optional*, mặc định là *"4x"*) : Chế độ giảm mẫu token trực quan. *"4x"* giữ lại nhiều token gấp 4 lần so với *"16x"*, vốn áp dụng gộp đầy đủ. use_image_id (*bool*, *kwargs*, *optional*, mặc định là *True*) : Có nên thêm thẻ image-id (`N`) trước mỗi image placeholder hay không. Được Processor sử dụng để tạo placeholder, không phải bởi chính pipeline xử lý ảnh. - ****kwargs** ([*ProcessingKwargs*], *optional*) : Các tùy chọn xử lý bổ sung cho từng phương thức (text, hình ảnh, video, âm thanh). Các tham số cụ thể của model được liệt kê ở trên; xem lớp TypedDict để biết danh sách đầy đủ các đối số được hỗ trợ. Tạo một trình xử lý video MiniCPMOcrVideoProcessor. #### preprocess[[transformers.MiniCPMOcrVideoProcessor.preprocess]] ```python preprocess(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: *) ``` [Nguồn](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpm_ocr/video_processing_minicpm_ocr.py#L292) **Tham số:** 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]]]`) : Video cần tiền xử lý. Kỳ vọng một video đơn hoặc một batch video có giá trị pixel từ 0 đến 255. Nếu truyền vào video có giá trị pixel từ 0 đến 1, hãy đặt `do_rescale=False`. do_convert_rgb (`bool`, *kwargs*, *optional*) : Có chuyển đổi hình ảnh sang RGB hay không. do_resize (`bool`, *kwargs*, *optional*) : Xác định có nên thay đổi kích thước ảnh hay không. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*): Mô tả các kích thước đầu vào tối đa của mô hình. default_to_square (`bool`, *kwargs*, *tuỳ chọn*) : Có mặc định dùng ảnh vuông khi thay đổi kích thước hay không, nếu size là một số nguyên. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Bộ lọc resampling để sử dụng khi thay đổi kích thước ảnh. Giá trị này có thể là một trong các enum `PILImageResampling`. Chỉ có hiệu lực khi `do_resize` được đặt thành `True`. do_rescale (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có nên điều chỉnh lại tỷ lệ hình ảnh hay không. rescale_factor (`float`, *kwargs*, *optional*) : Hệ số để thay đổi tỷ lệ ảnh nếu `do_rescale` được đặt thành `True`. do_normalize (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có chuẩn hóa hình ảnh hay không. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Giá trị trung bình của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : Độ lệch chuẩn của ảnh để sử dụng cho việc chuẩn hóa. Chỉ có hiệu lực nếu `do_normalize` được đặt thành `True`. do_center_crop (`bool`, *kwargs*, *optional*) : Có nên cắt ảnh theo kiểu căn giữa hay không. do_pad (`bool`, *kwargs*, *optional*) : Xác định có chèn padding cho ảnh hay không. Padding được thực hiện đến kích thước lớn nhất trong batch hoặc đến một kích thước vuông cố định cho mỗi ảnh. Chiến lược padding cụ thể phụ thuộc vào model. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Kích thước của ảnh đầu ra sau khi áp dụng `center_crop`. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *tuỳ chọn*) : Chỉ hỗ trợ `ChannelDimension.FIRST`. Được thêm vào để tương thích với các bộ xử lý chậm. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *optional*) : Định dạng chiều kênh cho ảnh đầu vào. Nếu không được đặt, định dạng chiều kênh sẽ được suy ra từ ảnh đầu vào. Có thể là một trong các giá trị sau: - `"channels_first"` hoặc `ChannelDimension.FIRST`: ảnh ở định dạng (num_channels, height, width). - `"channels_last"` hoặc `ChannelDimension.LAST`: ảnh ở định dạng (height, width, num_channels). - `"none"` hoặc `ChannelDimension.NONE`: ảnh ở định dạng (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Thiết bị để xử lý các video. Nếu không được đặt, thiết bị sẽ được suy ra từ các video đầu vào. do_sample_frames (`bool`, *kwargs*, *tuỳ chọn*) : Xác định xem có lấy mẫu các khung hình từ video trước khi xử lý hay xử lý toàn bộ video. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Metadata của video, chứa thông tin về tổng thời lượng, fps và tổng số khung hình. Dữ liệu này sẽ được sử dụng để lấy mẫu các khung hình từ video hoặc tính toán mốc thời gian. Không truyền bất kỳ metadata nào trừ khi bạn đang cố gắng giải mã video thủ công trước khi xử lý fps (`Annotated[int | float | None, None]`, *kwargs*) : Số khung hình mục tiêu cần lấy mẫu mỗi giây khi `do_sample_frames=True`. num_frames (`Annotated[int | None, None]`, *kwargs*) : Số khung hình tối đa cần lấy mẫu khi `do_sample_frames=True`. return_metadata (`bool`, *kwargs*, *tuỳ chọn*) : Xác định có trả về metadata của video hay không. Video metadata là một đối tượng chứa thông tin về thời lượng video, fps, backend giải mã, v.v. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Trả về các tensor đã xếp chồng nếu được đặt thành `'pt'`, ngược lại trả về một danh sách các tensor. **Trả về:** `~feature_extraction_utils.BatchFeature` - **data** (`dict`, *tuỳ chọn*) -- Từ điển chứa các danh sách/mảng/tensor được trả về bởi các phương thức __call__/pad ('input_values', 'attention_mask', v.v.). - **tensor_type** (`Union[None, str, TensorType]`, *tùy chọn*) -- Bạn có thể cung cấp tensor_type tại đây để chuyển đổi các danh sách số nguyên trong Tensor PyTorch/Numpy khi khởi tạo. - **skip_tensor_conversion** (`list[str]` hoặc `set[str]`, *tùy chọn*) -- Danh sách hoặc tập hợp các khóa KHÔNG được chuyển đổi thành tensor, ngay cả khi `tensor_type` được chỉ định.