Hugging Face's logo

Transformers documentation

PPLCNetV3

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

이 모델은 2021-09-17에 HF papers에 게시되었으며, 2026-03-13에 Hugging Face Transformers에 기여되었습니다.

PPLCNetV3

PPLCNetV3는 효율적인 이미지 분류 및 하위 비전 작업을 위해 설계된 경량 CPU 최적화 컨볼루션 백본입니다. PP-LCNet 아키텍처를 기반으로 하며, CPU 하드웨어에서 정확도와 지연 시간 간의 트레이드오프를 개선하기 위해 향상된 학습 전략과 구조적 정교화를 적용했습니다.

The input is a single word "Notes". 참고

  • PPLCNetV3는 백본 네트워크로만 제공됩니다. 사전 학습된 이미지 분류 체크포인트는 공식적으로 공개되지 않았습니다.

PPLCNetV3Config

클래스 transformers.PPLCNetV3Config

< >

( 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 = Nonescale: float | int = 1.0block_configs: list | None = Nonestem_channels: int = 16stem_stride: int = 2reduction: int = 4divisor: int = 8hidden_act: str = 'hardswish'_out_features: list[str] | None = None_out_indices: list[int] | None = Noneconv_symmetric_num: int = 4 )

매개변수

  • scale (float, 선택 사항, 기본값 1.0) — 모델의 채널 차원을 조정하는 스케일링 계수로, 전체 아키텍처를 변경하지 않으면서 모델 크기와 계산 비용을 조절하는 데 사용됩니다 (예: 0.25, 0.5, 1.0, 1.5).
  • block_configs (list[list[tuple]], 선택 사항, 기본값 None) — 각 스테이지의 각 블록에 대한 설정입니다. 각 튜플에는 다음이 포함됩니다: (kernel_size, in_channels, out_channels, stride, use_squeeze_excitation). None인 경우, 기본 PP-LCNet 설정을 사용합니다.
  • stem_channels (int, 선택 사항, 기본값 16) — stem layer의 출력 채널 수입니다.
  • stem_stride (int, 선택 사항, 기본값 2) — stem convolution layer의 stride입니다.
  • reduction (int, 선택 사항, 기본값 4) — squeeze-and-excitation(SE) 블록에서 feature channel 차원의 축소 계수입니다. feature의 표현력을 유지하면서 모델의 매개변수 수와 계산 복잡도를 줄이는 데 사용됩니다.
  • divisor (int, 선택 사항, 기본값 8) — 다양한 모델 파라미터(예: 채널 차원, 커널 크기)가 이 값의 배수가 되도록 보장하는 데 사용되는 나눗셈 값입니다. 이를 통해 모델 구현과 리소스 활용의 효율성을 높일 수 있습니다.
  • hidden_act (str, 선택 사항, 기본값 hardswish) — 디코더에서 사용되는 비선형 활성화 함수(함수 또는 문자열)입니다. 예를 들어, "gelu", "relu", "silu" 등이 있습니다.
  • conv_symmetric_num (int, 선택 사항, 기본값 4) — 학습 가능한 재매개변수화(reparameterization) 레이어에서 kxk 컨볼루션 브랜치의 수입니다. 학습 시 멀티 브랜치 아키텍처를 통해 특징 추출 능력을 강화하고, 추론 시 구조적 재매개변수화를 통해 효율적인 추론을 가능하게 합니다.

이것은 Pp Lcnet V3Model의 설정을 저장하기 위한 설정 클래스입니다. 지정된 인수를 기반으로 Pp Lcnet V3 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 설정을 인스턴스화하면 PaddlePaddle/Not_yet_released와 유사한 설정이 생성됩니다.

Configuration 객체는 PreTrainedConfig를 상속하며 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 PreTrainedConfig의 문서를 참고하세요.

PPLCNetV3Backbone

class transformers.PPLCNetV3Backbone

< >

( config: PPLCNetV3Config )

매개변수

  • config (PPLCNetV3Config) — 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 연관된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 from_pretrained() 메서드를 확인하세요.

특징 추출을 위한 PPLCNetV3 백본 모델.

이 모델은 PreTrainedModel에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대한 세부 사항은 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch torch.nn.Module의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법 및 동작과 관련된 모든 사항은 PyTorch 문서를 참조하세요.

forward

< >

( pixel_values: Tensor**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BackboneOutput or tuple(torch.Tensor)

매개변수

  • pixel_values (torch.Tensor, shape (batch_size, num_channels, image_size, image_size)) — 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 image_processor_class를 사용하여 얻을 수 있습니다. 자세한 내용은 image_processor_class.__call__를 참조하세요. (processor_class는 이미지 처리에 image_processor_class를 사용합니다.)

반환값

BackboneOutput 또는 tuple(torch.Tensor)

BackboneOutput 또는 torch.Tensor의 튜플(return_dict=False가 전달되었거나 config.return_dict=False인 경우)로, 구성(PPLCNetV3Config)과 입력에 따라 다양한 요소를 포함합니다.

PPLCNetV3Backbone의 forward 메서드는 __call__ 특수 메서드를 오버라이드합니다.

이 함수 내에서 forward pass의 레시피를 정의해야 하지만, 이후에는 이 함수 대신 Module 인스턴스를 호출해야 합니다. 전자는 전처리 및 후처리 단계를 실행하는 것을 처리하는 반면, 후자는 이를 조용히 무시하기 때문입니다.

  • feature_maps (tuple(torch.Tensor), shape (batch_size, num_channels, height, width)) — 각 단계의 feature map입니다.

  • hidden_states (tuple(torch.Tensor), 선택 사항, output_hidden_states=True가 전달되었거나 config.output_hidden_states=True인 경우 반환됨) — 임베딩의 출력 하나와 각 레이어의 출력 하나씩을 포함하는 torch.Tensor의 튜플로, 백본에 따라 shape가 (batch_size, sequence_length, hidden_size) 또는 (batch_size, num_channels, height, width)입니다.

    각 단계의 출력에서 모델의 Hidden-states와 초기 임베딩 출력을 포함합니다.

  • attentions (tuple(torch.Tensor), 선택 사항, output_attentions=True가 전달되었거나 config.output_attentions=True인 경우 반환됨) — 각 레이어마다 하나씩 포함된 torch.Tensor의 튜플로, 모양은 (batch_size, num_heads, sequence_length, sequence_length)입니다. 백본이 attention을 사용하는 경우에만 적용됩니다.

    self-attention 헤드에서 가중 평균을 계산하는 데 사용되는 attention softmax 이후의 attention 가중치.

예:

>>> from transformers import PPLCNetV3Config, PPLCNetV3Backbone
>>> import torch

>>> config = PPLCNetV3Config()
>>> model = PPLCNetV3Backbone(config)

>>> pixel_values = torch.randn(1, 3, 224, 224)

>>> with torch.no_grad():
...     outputs = model(pixel_values)

>>> feature_maps = outputs.feature_maps
>>> list(feature_maps[-1].shape)
Update on GitHub

←PPLCNet PPLCNetV4→