# PPLCNetV4

PPLCNetV4는 백본 네트워크로만 제공됩니다. 사전 학습된 이미지 분류 체크포인트는 공식적으로 공개되지 않았습니다.

## PPLCNetV4Config[[transformers.PPLCNetV4Config]]

#### transformers.PPLCNetV4Config[[transformers.PPLCNetV4Config]]

```python
transformers.PPLCNetV4Config(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, scale: float | int = 1.0, block_configs: list | None = None, stem_channels: list[int] | tuple[int, ...] = (3, 48, 96), reduction: int = 4, hidden_act: str = 'relu', _out_features: list[str] | None = None, _out_indices: list[int] | None = None, num_channels: int = 3, stem_strides: Sequence = (2, 1, 1, 2, 1), stem_type: str = 'large', use_learnable_affine_block: bool = False)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_lcnet_v4/configuration_pp_lcnet_v4.py#L33)

**매개변수:**

scale (`float`, *선택 사항*, 기본값 1.0) : 모델의 채널 차원을 위한 스케일링 팩터로, 전체 아키텍처를 변경하지 않고 모델 크기와 계산 비용을 조정하는 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 구성입니다. 각 튜플에는 다음이 포함됩니다: (kernel_size, in_channels, out_channels, stride, use_squeeze_excitation). `None`인 경우 기본 PP-LCNet 구성을 사용합니다.

stem_channels (`list[int]`, *선택 사항*, 기본값 `[3, 48, 96]`) : stem 레이어의 채널 차원입니다: - 첫 번째 숫자(3)는 입력 이미지 채널 - 두 번째 숫자(48)는 중간 stem 채널 - 세 번째 숫자(96)는 출력 stem 채널

reduction (`int`, *선택 사항*, 기본값 4) : squeeze-and-excitation (SE) 블록에서 feature channel 차원의 축소 계수입니다. feature의 표현력을 유지하면서 모델 파라미터 수와 계산 복잡도를 줄이는 데 사용됩니다.

hidden_act (`str`, *선택 사항*, 기본값 `relu`) : 디코더의 비선형 활성화 함수(함수 또는 문자열). 예를 들어, `"gelu"`, `"relu"`, `"silu"` 등.

num_channels (`int`, *선택 사항*, 기본값 `3`) : 입력 채널의 수입니다.

stem_strides (`Sequence[int | list[int] | tuple[int, ...]]`, *선택 사항*, 기본값은 `(2, 1, 1, 2, 1)`) : stem 레이어의 스트라이드 패턴입니다.

stem_type (`str`, *선택 사항*, 기본값 `large`) : 사용할 stem 레이어의 유형입니다. 다음 중 하나여야 합니다: - `"large"`: 표준 PP-LCNetV4 stem. - `"small"`: 채널 차원이 더 작은 변형.

use_learnable_affine_block (`bool`, *선택 사항*, 기본값 `False`) : 네트워크에서 Learnable Affine Blocks(LAB)를 사용할지 여부입니다. LAB은 특정 연산 이후에 학습 가능한 scale 및 bias 매개변수를 추가합니다.

이것은 Pp Lcnet V4Model의 구성을 저장하기 위한 구성 클래스입니다. 지정된 인자에 따라 Pp Lcnet V4 모델을 인스턴스화하여 모델 아키텍처를 정의하는 데 사용됩니다. 기본값으로 구성을 인스턴스화하면 [PaddlePaddle/Not_yet_released](https://huggingface.co/PaddlePaddle/Not_yet_released)와 유사한 구성이 생성됩니다.

Configuration 객체는 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)를 상속하며, 모델 출력을 제어하는 데 사용할 수 있습니다. 자세한 내용은 [PreTrainedConfig](/docs/transformers/main/ko/main_classes/configuration#transformers.PreTrainedConfig)의 문서를 참고하세요.

## PPLCNetV4Backbone[[transformers.PPLCNetV4Backbone]]

#### transformers.PPLCNetV4Backbone[[transformers.PPLCNetV4Backbone]]

```python
transformers.PPLCNetV4Backbone(config: PPLCNetV4Config)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_lcnet_v4/modeling_pp_lcnet_v4.py#L351)

**매개변수:**

config ([PPLCNetV4Config](/docs/transformers/main/ko/model_doc/pp_lcnet_v4#transformers.PPLCNetV4Config)) : 모델의 모든 매개변수를 포함하는 모델 구성 클래스입니다. 구성 파일로 초기화하는 것은 모델과 관련된 가중치를 로드하지 않으며, 구성 정보만 로드합니다. 모델 가중치를 로드하려면 [from_pretrained()](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained) 메서드를 확인하세요.

PPLCNetV4 백본 모델로, 특징 추출에 사용됩니다.

이 모델은 [PreTrainedModel](/docs/transformers/main/ko/main_classes/model#transformers.PreTrainedModel)에서 상속됩니다. 라이브러리가 모든 모델에 대해 구현하는 일반적 메서드(다운로드 또는 저장, 입력 임베딩 크기 조정, 헤드 프루닝 등)에 대해서는 상위 클래스 문서를 확인하세요.

이 모델은 또한 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)의 하위 클래스입니다. 일반적인 PyTorch Module처럼 사용하며, 일반적인 사용법과 동작에 관한 모든 사항은 PyTorch 문서를 참조하세요.

#### forward[[transformers.PPLCNetV4Backbone.forward]]

```python
forward(pixel_values: Tensor, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[소스](https://github.com/huggingface/transformers/blob/main/src/transformers/models/pp_lcnet_v4/modeling_pp_lcnet_v4.py#L364)

**매개변수:**

pixel_values (`torch.Tensor`, shape `(batch_size, num_channels, image_size, image_size)`) : 입력 이미지에 해당하는 텐서입니다. 픽셀 값은 `image_processor_class`를 사용하여 얻을 수 있습니다. 자세한 내용은 `image_processor_class.__call__`를 참조하세요 (`processor_class`는 이미지 처리에 `image_processor_class`를 사용합니다).

**반환값:** `BackboneOutput` 또는 `tuple(torch.Tensor)`

구성([PPLCNetV4Config](/docs/transformers/main/ko/model_doc/pp_lcnet_v4#transformers.PPLCNetV4Config))과 입력에 따라 다양한 요소를 포함하는 `BackboneOutput` 또는 `torch.Tensor`의 튜플(`return_dict=False`가 전달되거나 `config.return_dict=False`인 경우).

[PPLCNetV4Backbone](/docs/transformers/main/ko/model_doc/pp_lcnet_v4#transformers.PPLCNetV4Backbone)의 forward 메서드는 `__call__` 특수 메서드를 오버라이드합니다.

`Module` 인스턴스는 전처리 및 후처리 단계를 실행하는 것을 처리하지만, 이 함수는 해당 단계를 조용히 무시하므로, 순전파(forward pass) 레시피를 이 함수 내에서 정의해야 하더라도 이후에는 이 함수 대신 `Module` 인스턴스를 호출해야 합니다.

- **feature_maps** (`tuple(torch.Tensor)`, shape `(batch_size, num_channels, height, width)`) -- 각 단계의 feature maps.
- **hidden_states** (`tuple(torch.Tensor)`, *선택*, `output_hidden_states=True`가 전달되거나 `config.output_hidden_states=True`인 경우 반환) -- 백본에 따라 shape가 `(batch_size, sequence_length, hidden_size)` 또는 `(batch_size, num_channels, height, width)`인 `torch.Tensor` 튜플 (임베딩 출력 1개 + 각 레이어 출력 1개)

  각 단계의 출력에서 모델의 Hidden-states와 초기 임베딩 출력을 포함합니다.
- **attentions** (`tuple(torch.Tensor)`, *선택*, `output_attentions=True`가 전달되거나 `config.output_attentions=True`인 경우 반환) -- 각 레이어당 하나씩, shape가 `(batch_size, num_heads, sequence_length, sequence_length)`인 `torch.Tensor`의 튜플. backbone이 attention을 사용하는 경우에만 적용됩니다.

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

예:

```python
>>> from transformers import PPLCNetV4Config, PPLCNetV4Backbone
>>> import torch

>>> config = PPLCNetV4Config()
>>> model = PPLCNetV4Backbone(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)
```