# FLAVA

## Genel Bakış

FLAVA modeli, Amanpreet Singh, Ronghang Hu, Vedanuj Goswami, Guillaume Couairon, Wojciech Galuba, Marcus Rohrbach ve Douwe Kiela tarafından [FLAVA: A Foundational Language And Vision Alignment Model](https://huggingface.co/papers/2112.04482) adlı çalışmada önerilmiş olup CVPR 2022'de kabul edilmiştir.

Makale, hem görü hem dil hem de görü-dil çok modlu görevlerde çalışabilen tek bir birleşik temel model oluşturmayı amaçlamaktadır.

Makalenin özeti aşağıdaki gibidir:

*En son nesil görme ve görme-dil modelleri, çeşitli aşağı akış görevlerinde iyi performans elde etmek için büyük ölçekli görsel-dilsel ön eğitime dayanır. Genel olarak, bu tür modeller genellikle ya çapraz modallı (karşıtlı) ya da çok modallı (erken füzyonlu) olur, ikisi birden olmaz; ve genellikle yalnızca belirli modalları veya görevleri hedefler. Umut verici bir yön, tüm modalları aynı anda hedefleyen, bir "temel" olarak kullanılacak tek bütüncül evrensel modelin kullanılmasıdır -- gerçek bir görme ve dil temel modeli, görme görevlerinde, dil görevlerinde ve çapraz ve çok modallı görme-dil görevlerinde iyi olmalıdır. FLAVA'yı böyle bir model olarak tanıtıyor ve bu hedef modalları kapsayan 35 görevin geniş bir yelpazesinde etkileyici performans gösteriyoruz.*

Bu model [aps](https://huggingface.co/aps) tarafından katkıda bulunmuştur. Orijinal kod [burada](https://github.com/facebookresearch/multimodal/tree/main/examples/flava) bulunabilir.

## FlavaConfig[[transformers.FlavaConfig]]

#### transformers.FlavaConfig[[transformers.FlavaConfig]]

```python
transformers.FlavaConfig(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, image_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = None, text_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = None, multimodal_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = None, image_codebook_config: dict[str, typing.Any] | transformers.configuration_utils.PreTrainedConfig | None = None, hidden_size: int = 768, layer_norm_eps: float = 1e-12, projection_dim: int = 768, init_codebook: bool = True, logit_scale_init_value: float = 2.6592, initializer_range: float = 0.02, ce_ignore_index: int = -100, mim_weight: float = 1.0, mlm_weight: float = 1.0, global_contrastive_weight: float = 1.0, itm_weight: float = 1.0, mmm_image_weight: float = 1.0, mmm_text_weight: float = 1.0, global_backprop_contrastive: bool = True, skip_unmasked_multimodal_encoder: bool = True, return_loss: bool = True, tie_word_embeddings: bool = True, initializer_factor: float = 1.0)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/configuration_flava.py#L185)

**Parametreler:**

image_config (`dict`, *isteğe bağlı*) : [FlavaImageConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageConfig) sınıfını başlatmak için kullanılan yapılandırma seçeneklerinin sözlüğü.

text_config (`Union[dict[str, Any], ~configuration_utils.PreTrainedConfig]`, *isteğe bağlı*) : Metin omurgasının yapılandırma nesnesi veya sözlüğü.

multimodal_config (`dict`, *isteğe bağlı*) : [FlavaMultimodalConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalConfig) sınıfını başlatmak için kullanılan yapılandırma seçeneklerinin sözlüğü.

image_codebook_config (`dict`, *isteğe bağlı*) : `FlavaCodebookConfig` sınıfını başlatmak için kullanılan yapılandırma seçeneklerinin sözlüğü.

hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu.

layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-12`) : Katman normalizasyonu katmanları tarafından kullanılan epsilon.

projection_dim (`int`, *isteğe bağlı*, varsayılan `768`) : Metin ve görme projeksiyon katmanlarının boyutluluğu.

init_codebook (`bool`, *isteğe bağlı*, varsayılan `True`) : Kod kitabının (codebook) başlatılıp başlatılmayacağı

logit_scale_init_value (`float`, *isteğe bağlı*, varsayılan 2.6592) : *logit_scale* parametresinin başlangıç değeri. Varsayılan değer, orijinal FLAVA/CLIP uygulamasına göre kullanılır.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

ce_ignore_index (`int`, *isteğe bağlı*, varsayılan -100) : Yoksayılacak çapraz entropi indeksi.

mim_weight (`float`, *isteğe bağlı*, varsayılan 1.0) : MIM (Masked Image Modeling) unimodal kaybına atanacak ağırlık

mlm_weight (`float`, *isteğe bağlı*, varsayılan 1.0) : MLM (Masked Language Modeling) unimodal kaybına atanacak ağırlık

global_contrastive_weight (`float`, *isteğe bağlı*, varsayılan 1.0) : Küresel karşıtlı çapraz hizalama kaybına atanacak ağırlık.

itm_weight (`float`, *opsiyonel*, varsayılan 1.0) : Görsel-metin eşleştirme çok modlu kaybına atanacak ağırlık.

mmm_image_weight (`float`, *isteğe bağlı*, varsayılan 1.0) : MMM kaybının görüntü kısmına atanacak ağırlık.

mmm_text_weight (`float`, *isteğe bağlı*, varsayılan 1.0) : MMM kaybının metin kısmına atanacak ağırlık.

global_backprop_contrastive (`bool`, *isteğe bağlı*, varsayılan `True`) : Karşılaştırmalı kayıpta tüm işçilerde küresel geri yayılımın kullanılıp kullanılmayacağı.

skip_unmasked_multimodal_encoder (`bool`, *isteğe bağlı*, varsayılan `True`) : Çıktıları FLAVA kayıpları tarafından kullanılmayan maskelenmemiş çok modlu kodlayıcıların çalıştırılmasının atlanıp atlanmayacağı.

return_loss (`bool`, *isteğe bağlı*, varsayılan `True`) : Kaybın (loss) döndürülüp döndürülmeyeceği

tie_word_embeddings (`bool`, *isteğe bağlı*, varsayılan `True`) : Ağırlık gömme bağlamalarının, modelin `tied_weights_keys` eşlemesine göre yapılıp yapılmayacağını belirtir.

initializer_factor (`float`, *opsiyonel*, varsayılan `1.0`) : Tüm ağırlık matrislerini başlatmak için kullanılan bir çarpan (1 olarak tutulmalıdır, başlatma testleri için dahili olarak kullanılır).

Bu, bir FlavaModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Flava modelinin örneklenmesi ve model mimarisinin tanımlanması için kullanılır. Varsayılanlarla bir yapılandırma örneklendiğinde, [facebook/flava-full](https://huggingface.co/facebook/flava-full) ile benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import FlavaConfig, FlavaModel, FlavaForPreTraining

>>> # Initializing a FlavaConfig with style configuration
>>> configuration = FlavaConfig()

>>> # Initializing a FlavaModel and FlavaForPreTraining model (with random weights) from the style configuration
>>> model = FlavaModel(configuration)
>>> model_pre = FlavaForPreTraining(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
>>> configuration_pre = model_pre.config
```

## FlavaTextConfig[[transformers.FlavaTextConfig]]

#### transformers.FlavaTextConfig[[transformers.FlavaTextConfig]]

```python
transformers.FlavaTextConfig(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, vocab_size: int = 30522, type_vocab_size: int = 2, max_position_embeddings: int = 512, hidden_size: int = 768, num_hidden_layers: int = 12, num_attention_heads: int = 12, intermediate_size: int = 3072, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, attention_probs_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-12, pad_token_id: int | None = 0, qkv_bias: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/configuration_flava.py#L71)

**Parametreler:**

vocab_size (`int`, *isteğe bağlı*, varsayılan `30522`) : Modelin sözlük boyutu. `input_ids` tarafından temsil edilebilecek farklı token sayısını tanımlar.

type_vocab_size (`int`, *isteğe bağlı*, varsayılan `2`) : `token_type_ids` için sözlük boyutu.

max_position_embeddings (`int`, *isteğe bağlı*, varsayılan `512`) : Bu modelin kullanılabileceği maksimum dizi uzunluğu.

hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu.

num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki gizli katman sayısı.

num_attention_heads (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

intermediate_size (`int`, *isteğe bağlı*, varsayılan `3072`) : MLP temsil boyutu.

hidden_act (`str`, *isteğe bağlı*, varsayılan `gelu`) : Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

hidden_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Gömme, kodlayıcı ve havuzlayıcıdaki tüm tam bağlı katmanlar için dropout olasılığı.

attention_probs_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Dikkat olasılıkları için dropout oranı.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-12`) : Katman normalizasyonu katmanları tarafından kullanılan epsilon.

pad_token_id (`int`, *isteğe bağlı*, varsayılan `0`) : Sözlükte dolgu için kullanılan token kimliği.

qkv_bias (`bool`, *isteğe bağlı*, varsayılan `True`) : Sorgulara, anahtarlara ve değerlere bir sapma (bias) eklenip eklenmeyeceğini belirtir.

Bu, bir FlavaModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Flava modelinin örneklenmesi ve model mimarisinin tanımlanması için kullanılır. Varsayılanlarla bir yapılandırma örneklendiğinde, [facebook/flava-full](https://huggingface.co/facebook/flava-full) ile benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import FlavaTextConfig, FlavaTextModel

>>> # Initializing a FlavaTextModel with  style configuration
>>> configuration = FlavaTextConfig()

>>> # Initializing a FlavaTextModel model (with random weights) from the style configuration
>>> model = FlavaTextModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## FlavaImageConfig[[transformers.FlavaImageConfig]]

#### transformers.FlavaImageConfig[[transformers.FlavaImageConfig]]

```python
transformers.FlavaImageConfig(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, num_hidden_layers: int = 12, num_attention_heads: int = 12, intermediate_size: int = 3072, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, attention_probs_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-12, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, num_channels: int = 3, qkv_bias: bool = True, mask_token: bool = True, vocab_size: int = 8192)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/configuration_flava.py#L29)

**Parametreler:**

hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu.

num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki gizli katman sayısı.

num_attention_heads (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

intermediate_size (`int`, *isteğe bağlı*, varsayılan `3072`) : MLP temsil boyutu.

hidden_act (`str`, *isteğe bağlı*, varsayılan `gelu`) : Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

hidden_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Gömme, kodlayıcı ve havuzlayıcıdaki tüm tam bağlı katmanlar için dropout olasılığı.

attention_probs_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Dikkat olasılıkları için dropout oranı.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-12`) : Katman normalizasyonu katmanları tarafından kullanılan epsilon.

image_size (`Union[int, list[int], tuple[int, int]]`, *isteğe bağlı*, varsayılan `224`) : Her bir görüntünün boyutu (çözünürlüğü).

patch_size (`Union[int, list[int], tuple[int, int]]`, *isteğe bağlı*, varsayılan `16`) : Her yamanın boyutu (çözünürlüğü).

num_channels (`int`, *opsiyonel*, varsayılan `3`) : Girdi kanal sayısı.

qkv_bias (`bool`, *isteğe bağlı*, varsayılan `True`) : Sorgulara, anahtarlara ve değerlere bir sapma (bias) eklenip eklenmeyeceğini belirtir.

mask_token (`bool`, *isteğe bağlı*, varsayılan `True`) : Bir maske token'ı kullanılacak mı. FLAVA için MIM (Masked Image Modeling) kaybında kullanılır.

vocab_size (`int`, *isteğe bağlı*, varsayılan `8192`) : Modelin sözlük boyutu. `input_ids` tarafından temsil edilebilecek farklı token sayısını tanımlar.

Bu, bir FlavaModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Flava modelinin örneklenmesi ve model mimarisinin tanımlanması için kullanılır. Varsayılanlarla bir yapılandırma örneklendiğinde, [facebook/flava-full](https://huggingface.co/facebook/flava-full) ile benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import FlavaImageConfig, FlavaImageModel

>>> # Initializing a FlavaImageModel with  style configuration
>>> configuration = FlavaImageConfig()

>>> # Initializing a FlavaImageModel model (with random weights) from the style configuration
>>> model = FlavaImageModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## FlavaMultimodalConfig[[transformers.FlavaMultimodalConfig]]

#### transformers.FlavaMultimodalConfig[[transformers.FlavaMultimodalConfig]]

```python
transformers.FlavaMultimodalConfig(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, num_hidden_layers: int = 6, num_attention_heads: int = 12, intermediate_size: int = 3072, hidden_act: str = 'gelu', hidden_dropout_prob: float | int = 0.0, attention_probs_dropout_prob: float | int = 0.0, initializer_range: float = 0.02, layer_norm_eps: float = 1e-12, qkv_bias: bool = True, use_cls_token: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/configuration_flava.py#L109)

**Parametreler:**

hidden_size (`int`, *isteğe bağlı*, varsayılan `768`) : Gizli temsillerin boyutu.

num_hidden_layers (`int`, *isteğe bağlı*, varsayılan `6`) : Transformer decoder'ındaki gizli katman sayısı.

num_attention_heads (`int`, *isteğe bağlı*, varsayılan `12`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

intermediate_size (`int`, *isteğe bağlı*, varsayılan `3072`) : MLP temsil boyutu.

hidden_act (`str`, *isteğe bağlı*, varsayılan `gelu`) : Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

hidden_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Gömme, kodlayıcı ve havuzlayıcıdaki tüm tam bağlı katmanlar için dropout olasılığı.

attention_probs_dropout_prob (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.0`) : Dikkat olasılıkları için dropout oranı.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

layer_norm_eps (`float`, *opsiyonel*, varsayılan `1e-12`) : Katman normalizasyonu katmanları tarafından kullanılan epsilon.

qkv_bias (`bool`, *isteğe bağlı*, varsayılan `True`) : Sorgulara, anahtarlara ve değerlere bir sapma (bias) eklenip eklenmeyeceğini belirtir.

use_cls_token (`bool`, *isteğe bağlı*, varsayılan `True`) : Çok modlu ayarlar için ek bir CLS jetonu kullanılıp kullanılmayacağı. Genellikle FLAVA modeli tarafından gereklidir.

Bu, bir FlavaModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Flava modelinin örneklenmesi ve model mimarisinin tanımlanması için kullanılır. Varsayılanlarla bir yapılandırma örneklendiğinde, [facebook/flava-full](https://huggingface.co/facebook/flava-full) ile benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import FlavaMultimodalConfig, FlavaMultimodalModel

>>> # Initializing a FlavaMultimodalModel with  style configuration
>>> configuration = FlavaMultimodalConfig()

>>> # Initializing a FlavaMultimodalModel model (with random weights) from the style configuration
>>> model = FlavaMultimodalModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## FlavaImageCodebookConfig[[transformers.FlavaImageCodebookConfig]]

#### transformers.FlavaImageCodebookConfig[[transformers.FlavaImageCodebookConfig]]

```python
transformers.FlavaImageCodebookConfig(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, num_groups: int = 4, input_channels: int = 3, num_blocks_per_group: int = 2, hidden_size: int = 256, vocab_size: int = 8192, freeze: bool = True, initializer_range: float = 0.02)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/configuration_flava.py#L147)

**Parametreler:**

num_groups (`int`, *isteğe bağlı*, varsayılan 4) : Oluşturulacak grup sayısı. Bu parametre şu anda modeli etkilemez ve bazı dahili hesaplamalar ve tahminler için kullanılır.

input_channels (`int`, *opsiyonel*, varsayılan `3`) : Girdi kanal sayısı.

num_blocks_per_group (`int`, *isteğe bağlı*, varsayılan 2) : Grup başına conv tabanlı blok sayısı.

hidden_size (`int`, *isteğe bağlı*, varsayılan `256`) : Gizli temsillerin boyutu.

vocab_size (`int`, *isteğe bağlı*, varsayılan `8192`) : Modelin sözlük boyutu. `input_ids` tarafından temsil edilebilecek farklı token sayısını tanımlar.

freeze (`bool`, varsayılan `True`) : Modelin ağırlıklarının dondurulup dondurulmayacağı.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

Bu, bir FlavaModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Flava modelinin örneklenmesi ve model mimarisinin tanımlanması için kullanılır. Varsayılanlarla bir yapılandırma örneklendiğinde, [facebook/flava-full](https://huggingface.co/facebook/flava-full) ile benzer bir yapılandırma elde edilir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/main/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import FlavaImageCodebookConfig, FlavaImageCodebook

>>> # Initializing a FlavaImageCodebook with style configuration
>>> configuration = FlavaImageCodebookConfig()

>>> # Initializing a FlavaImageCodebook model (with random weights) from the style configuration
>>> model = FlavaImageCodebook(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
```

## FlavaProcessor[[transformers.FlavaProcessor]]

#### transformers.FlavaProcessor[[transformers.FlavaProcessor]]

```python
transformers.FlavaProcessor(image_processor = None, tokenizer = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/processing_flava.py#L23)

**Parametreler:**

image_processor (`FlavaImageProcessor`) : Görüntü işleyici zorunlu bir girdidir.

tokenizer (`BertTokenizer`) : Tokenizer zorunlu bir girdidir.

Bir görüntü işleyiciyi ve bir belirteçleyiciyi tek bir işleyicide birleştiren bir FlavaProcessor oluşturur.

[FlavaProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaProcessor), [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) ve [BertTokenizer](/docs/transformers/main/tr/model_doc/lxmert#transformers.BertTokenizer) sınıflarının tüm işlevlerini sunar. Daha fazla bilgi için [~FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) ve [~BertTokenizer](/docs/transformers/main/tr/model_doc/lxmert#transformers.BertTokenizer) belgelerini inceleyin.

#### __call__[[transformers.FlavaProcessor.__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, audio: typing.Union[numpy.ndarray, ForwardRef('torch.Tensor'), collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence['torch.Tensor'], NoneType] = None, **kwargs: *<class 'transformers.processing_utils.ProcessingKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/processing_utils.py#L653)

**Parametreler:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *isteğe bağlı*) : Ön işleme tabi tutulacak görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa `do_rescale=False` olarak ayarlayın.

text (`Union[str, list[str], list[list[str]]]`, *isteğe bağlı*) : Kodlanacak dizi veya dizi topluluğu. Her dizi bir metin veya metin listesi (önceden tokenize edilmiş metin) olabilir. Önceden tokenize edilmiş bir girdi geçirirseniz, toplu girdilerle karışıklığı önlemek için `is_split_into_words=True` değerini ayarlayın.

videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`, *isteğe bağlı*) : Ön işleme tabi tutulacak video. Piksel değerleri 0 ile 255 arasında değişen tek bir video veya video grubu beklenir. Piksel değerleri 0 ile 1 arasında olan videoları geçiriyorsanız, `do_rescale=False` olarak ayarlayın.

audio (`Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]]`, *isteğe bağlı*) : Hazırlanacak ses veya sesler grubu. Her ses, bir NumPy dizisi veya PyTorch tensörü olabilir. NumPy dizisi/PyTorch tensörü durumunda, her sesin şekli (C, T) olmalıdır; burada C kanal sayısı, T ise sesin örnek uzunluğudur.

return_tensors (`str` veya [TensorType](/docs/transformers/main/tr/internal/file_utils#transformers.TensorType), *opsiyonel*) : Ayarlanırsa, belirli bir çerçeveye ait tensörleri döndürür. Kabul edilen değerler:  - `'pt'`: PyTorch `torch.Tensor` nesnelerini döndürür. - `'np'`: NumPy `np.ndarray` nesnelerini döndürür.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/main/tr/main_classes/processors#transformers.ProcessingKwargs), *opsiyonel*) : Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın.

## FlavaImageProcessor[[transformers.FlavaImageProcessor]]

#### transformers.FlavaImageProcessor[[transformers.FlavaImageProcessor]]

```python
transformers.FlavaImageProcessor(**kwargs: *<class 'transformers.models.flava.image_processing_flava.FlavaImageProcessorKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/image_processing_flava.py#L213)

**Parametreler:**

do_convert_rgb (`bool`, *kwargs*, *isteğe bağlı*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği.

do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, varsayılan `{'height' : 224, 'width': 224}`): Modelin kabul ettiği maksimum giriş boyutlarını açıklar.

default_to_square (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntü kullanılıp kullanılmayacağını belirtir.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, varsayılan `{'height' : 224, 'width': 224}`): `center_crop` uygulandıktan sonra çıktı görüntüsünün boyutu.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, varsayılan `3`) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, `PILImageResampling` enum değerlerinden biri olabilir. Yalnızca `do_resize` `True` olarak ayarlanırsa etkilidir.

do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir.

rescale_factor (`float`, *kwargs*, *opsiyonel*, varsayılan `0.00392156862745098`) : `do_rescale` `True` olarak ayarlandığında görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü.

do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin normalize edilip edilmeyeceğini belirtir.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*, varsayılan `[0.48145466, 0.4578275, 0.40821073]`) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*, varsayılan `[0.26862954, 0.26130258, 0.27577711]`) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

do_pad (`bool`, *kwargs*, *isteğe bağlı*) : Görselin dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görsel başına sabit bir kare boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Görsellerin doldurulacağı boyut, `{"height": int, "width" int}` biçiminde. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. `pad_size` sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe doldurulur. Yalnızca `do_pad=True.` olduğunda uygulanır.

do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin merkezden kırpılıp kırpılmayacağını belirtir.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Yalnızca `ChannelDimension.FIRST` desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. - `"none"` veya `ChannelDimension.NONE`: (height, width) biçiminde görüntü.

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'` olarak ayarlanırsa yığılmış tensörleri, aksi halde tensör listesi döndürür.

disable_grouping (`bool`, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakarak bunların toplu olarak değil, tek tek işlenmesini sağlar. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara dayalı ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *isteğe bağlı*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak bu, gelecekteki modellerde bir işlemci özniteliği olarak ayarlanmalıdır.

return_image_mask (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Görsel maskesinin döndürülüp döndürülmeyeceğini belirtir. `preprocess` içindeki `return_image_mask` parametresi ile geçersiz kılınabilir.

input_size_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `14`) : Görüntünün yükseklik ve genişlik yönlerindeki yama sayısı. 14x14 = toplam 196 yama. `preprocess` içindeki `input_size_patches` parametresi ile geçersiz kılınabilir.

total_mask_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `75`) : Maskelenmesi gereken toplam yama sayısı. `preprocess` içindeki `total_mask_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `16`) : Maskelenmesi gereken en az yama sayısı. `preprocess` içindeki `mask_group_min_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_max_patches (`int`, *kwargs*, *opsiyonel*) : Maskelenmesi gereken maksimum yama sayısı. `preprocess` içindeki `mask_group_max_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_aspect_ratio (`float`, *kwargs*, *opsiyonel*, varsayılan `0.3`) : Maske penceresinin minimum en-boy oranı. `preprocess` içindeki `mask_group_min_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

mask_group_max_aspect_ratio (`float`, *kwargs*, *opsiyonel*) : Maske penceresinin maksimum en-boy oranı. `preprocess` içindeki `mask_group_max_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

return_codebook_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Kod kitabı piksel değerlerinin döndürülüp döndürülmeyeceğini belirtir.

codebook_do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı için girdinin belirli bir boyuta yeniden boyutlandırılıp boyutlandırılmayacağını belirtir. `preprocess` içindeki `codebook_do_resize` parametresi ile geçersiz kılınabilir. `codebook_size`.

codebook_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Kod kitabı için girdiyi verilen boyuta yeniden boyutlandırır. `preprocess` içindeki `codebook_size` parametresi tarafından geçersiz kılınabilir.

codebook_resample (`PILImageResampling`, *kwargs*, *opsiyonel*, varsayılan `PILImageResampling.LANCZOS`) : Kod kitabı görüntüsünün yeniden boyutlandırılması durumunda kullanılacak yeniden örnekleme filtresi. torchvision < 0.27 sürümlerinde LANCZOS, torch Tensors için desteklenmez ve en yakın alternatif olarak BICUBIC kullanılır. `preprocess` içindeki `codebook_resample` parametresi ile geçersiz kılınabilir.

codebook_do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, codebook için merkezden kırpılıp kırpılmayacağını belirtir. Girdi boyutu herhangi bir kenar boyunca `codebook_crop_size` değerinden küçükse, görüntü 0'larla doldurulur ve ardından merkezden kırpılır. `preprocess` içindeki `codebook_do_center_crop` parametresi ile geçersiz kılınabilir.

codebook_crop_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Merkezden kırpma uygulandığında codebook girdisi için istenen çıktı boyutu. `preprocess` içindeki `codebook_crop_size` parametresi ile geçersiz kılınabilir.

codebook_do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, belirtilen `codebook_rescale_factor` ölçeğine göre kod kitabı için yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_rescale` parametresi tarafından geçersiz kılınabilir.

codebook_rescale_factor (`int`, *kwargs* veya `float`, *opsiyonel*, varsayılan `1/255`) : Kod kitabı görüntüsünü yeniden ölçeklendirirken kullanılacak ölçekleme çarpanını tanımlar. `preprocess` içindeki `codebook_rescale_factor` parametresi tarafından geçersiz kılınabilir.

codebook_do_map_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı girdisinin piksel değerlerinin (1 - 2e)x + e'ye eşlenip eşlenmeyeceğini belirtir. `preprocess` içindeki `codebook_do_map_pixels` parametresi ile geçersiz kılınabilir.

codebook_do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : `codebook_image_mean` ve `codebook_image_std` ile codebook için girdinin normalize edilip edilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_normalize` parametresi ile geçersiz kılınabilir.

codebook_image_mean (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0, 0, 0]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için kullanılacak ortalamalar dizisi. `preprocess` içindeki `codebook_image_mean` parametresi ile geçersiz kılınabilir.

codebook_image_std (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0.5, 0.5, 0.5]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için standart sapma dizisi. `preprocess` içindeki `codebook_image_std` parametresi ile geçersiz kılınabilir.

FlavaImageProcessor görüntü işleyicisi oluşturur.

#### preprocess[[transformers.FlavaImageProcessor.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: *<class 'transformers.models.flava.image_processing_flava.FlavaImageProcessorKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/image_processing_flava.py#L250)

**Parametreler:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ön işlenecek görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa `do_rescale=False` olarak ayarlayın.

do_convert_rgb (`bool`, *kwargs*, *isteğe bağlı*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği.

do_resize (`bool`, *kwargs*, *isteğe bağlı*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar.

default_to_square (`bool`, *kwargs*, *opsiyonel*) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görsel kullanılıp kullanılmayacağı.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : `center_crop` uygulandıktan sonra çıktı görüntüsünün boyutu.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, `PILImageResampling` enum değerlerinden biri olabilir. Yalnızca `do_resize` `True` olarak ayarlanırsa etkilidir.

do_rescale (`bool`, *kwargs*, *opsiyonel*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir.

rescale_factor (`float`, *kwargs*, *opsiyonel*) : `do_rescale` `True` olarak ayarlanırsa görüntüyü yeniden ölçeklemek için yeniden ölçekleme çarpanı.

do_normalize (`bool`, *kwargs*, *isteğe bağlı*) : Görüntünün normalize edilip edilmeyeceğini belirtir.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

do_pad (`bool`, *kwargs*, *isteğe bağlı*) : Görselin dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görsel başına sabit bir kare boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Görsellerin doldurulacağı boyut, `{"height": int, "width" int}` biçiminde. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. `pad_size` sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe doldurulur. Yalnızca `do_pad=True.` olduğunda uygulanır.

do_center_crop (`bool`, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Yalnızca `ChannelDimension.FIRST` desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. - `"none"` veya `ChannelDimension.NONE`: (height, width) biçiminde görüntü.

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'` olarak ayarlanırsa yığılmış tensörleri, aksi halde tensör listesi döndürür.

disable_grouping (`bool`, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakarak bunların toplu olarak değil, tek tek işlenmesini sağlar. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara dayalı ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *isteğe bağlı*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak bu, gelecekteki modellerde bir işlemci özniteliği olarak ayarlanmalıdır.

return_image_mask (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Görsel maskesinin döndürülüp döndürülmeyeceğini belirtir. `preprocess` içindeki `return_image_mask` parametresi ile geçersiz kılınabilir.

input_size_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `14`) : Görüntünün yükseklik ve genişlik yönlerindeki yama sayısı. 14x14 = toplam 196 yama. `preprocess` içindeki `input_size_patches` parametresi ile geçersiz kılınabilir.

total_mask_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `75`) : Maskelenmesi gereken toplam yama sayısı. `preprocess` içindeki `total_mask_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `16`) : Maskelenmesi gereken en az yama sayısı. `preprocess` içindeki `mask_group_min_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_max_patches (`int`, *kwargs*, *opsiyonel*) : Maskelenmesi gereken maksimum yama sayısı. `preprocess` içindeki `mask_group_max_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_aspect_ratio (`float`, *kwargs*, *opsiyonel*, varsayılan `0.3`) : Maske penceresinin minimum en-boy oranı. `preprocess` içindeki `mask_group_min_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

mask_group_max_aspect_ratio (`float`, *kwargs*, *opsiyonel*) : Maske penceresinin maksimum en-boy oranı. `preprocess` içindeki `mask_group_max_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

return_codebook_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Kod kitabı piksel değerlerinin döndürülüp döndürülmeyeceğini belirtir.

codebook_do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı için girdinin belirli bir boyuta yeniden boyutlandırılıp boyutlandırılmayacağını belirtir. `preprocess` içindeki `codebook_do_resize` parametresi ile geçersiz kılınabilir. `codebook_size`.

codebook_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Kod kitabı için girdiyi verilen boyuta yeniden boyutlandırır. `preprocess` içindeki `codebook_size` parametresi tarafından geçersiz kılınabilir.

codebook_resample (`PILImageResampling`, *kwargs*, *opsiyonel*, varsayılan `PILImageResampling.LANCZOS`) : Kod kitabı görüntüsünün yeniden boyutlandırılması durumunda kullanılacak yeniden örnekleme filtresi. torchvision < 0.27 sürümlerinde LANCZOS, torch Tensors için desteklenmez ve en yakın alternatif olarak BICUBIC kullanılır. `preprocess` içindeki `codebook_resample` parametresi ile geçersiz kılınabilir.

codebook_do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, codebook için merkezden kırpılıp kırpılmayacağını belirtir. Girdi boyutu herhangi bir kenar boyunca `codebook_crop_size` değerinden küçükse, görüntü 0'larla doldurulur ve ardından merkezden kırpılır. `preprocess` içindeki `codebook_do_center_crop` parametresi ile geçersiz kılınabilir.

codebook_crop_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Merkezden kırpma uygulandığında codebook girdisi için istenen çıktı boyutu. `preprocess` içindeki `codebook_crop_size` parametresi ile geçersiz kılınabilir.

codebook_do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, belirtilen `codebook_rescale_factor` ölçeğine göre kod kitabı için yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_rescale` parametresi tarafından geçersiz kılınabilir.

codebook_rescale_factor (`int`, *kwargs* veya `float`, *opsiyonel*, varsayılan `1/255`) : Kod kitabı görüntüsünü yeniden ölçeklendirirken kullanılacak ölçekleme çarpanını tanımlar. `preprocess` içindeki `codebook_rescale_factor` parametresi tarafından geçersiz kılınabilir.

codebook_do_map_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı girdisinin piksel değerlerinin (1 - 2e)x + e'ye eşlenip eşlenmeyeceğini belirtir. `preprocess` içindeki `codebook_do_map_pixels` parametresi ile geçersiz kılınabilir.

codebook_do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : `codebook_image_mean` ve `codebook_image_std` ile codebook için girdinin normalize edilip edilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_normalize` parametresi ile geçersiz kılınabilir.

codebook_image_mean (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0, 0, 0]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için kullanılacak ortalamalar dizisi. `preprocess` içindeki `codebook_image_mean` parametresi ile geçersiz kılınabilir.

codebook_image_std (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0.5, 0.5, 0.5]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için standart sapma dizisi. `preprocess` içindeki `codebook_image_std` parametresi ile geçersiz kılınabilir.

**Dönüş:** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- __call__ yönteminin döndürdüğü listeler/diziler/tensörler sözlüğü ('pixel_values' vb.).
- **tensor_type** (`Union[None, str, TensorType]`, *isteğe bağlı*) -- Başlatma sırasında PyTorch/Numpy Tensörlerindeki tamsayı listelerini dönüştürmek için burada bir tensor_type verebilirsiniz.

## FlavaImageProcessorPil[[transformers.FlavaImageProcessorPil]]

#### transformers.FlavaImageProcessorPil[[transformers.FlavaImageProcessorPil]]

```python
transformers.FlavaImageProcessorPil(**kwargs: *<class 'transformers.models.flava.image_processing_pil_flava.FlavaImageProcessorKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/image_processing_pil_flava.py#L227)

**Parametreler:**

do_convert_rgb (`bool`, *kwargs*, *isteğe bağlı*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği.

do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, varsayılan `{'height' : 224, 'width': 224}`): Modelin kabul ettiği maksimum giriş boyutlarını açıklar.

default_to_square (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görüntü kullanılıp kullanılmayacağını belirtir.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, varsayılan `{'height' : 224, 'width': 224}`): `center_crop` uygulandıktan sonra çıktı görüntüsünün boyutu.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, varsayılan `3`) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, `PILImageResampling` enum değerlerinden biri olabilir. Yalnızca `do_resize` `True` olarak ayarlanırsa etkilidir.

do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir.

rescale_factor (`float`, *kwargs*, *opsiyonel*, varsayılan `0.00392156862745098`) : `do_rescale` `True` olarak ayarlandığında görüntüyü yeniden ölçeklemek için kullanılan yeniden ölçekleme faktörü.

do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin normalize edilip edilmeyeceğini belirtir.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*, varsayılan `[0.48145466, 0.4578275, 0.40821073]`) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*, varsayılan `[0.26862954, 0.26130258, 0.27577711]`) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

do_pad (`bool`, *kwargs*, *isteğe bağlı*) : Görselin dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görsel başına sabit bir kare boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Görsellerin doldurulacağı boyut, `{"height": int, "width" int}` biçiminde. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. `pad_size` sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe doldurulur. Yalnızca `do_pad=True.` olduğunda uygulanır.

do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Görselin merkezden kırpılıp kırpılmayacağını belirtir.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Yalnızca `ChannelDimension.FIRST` desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. - `"none"` veya `ChannelDimension.NONE`: (height, width) biçiminde görüntü.

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'` olarak ayarlanırsa yığılmış tensörleri, aksi halde tensör listesi döndürür.

disable_grouping (`bool`, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakarak bunların toplu olarak değil, tek tek işlenmesini sağlar. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara dayalı ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *isteğe bağlı*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak bu, gelecekteki modellerde bir işlemci özniteliği olarak ayarlanmalıdır.

return_image_mask (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Görsel maskesinin döndürülüp döndürülmeyeceğini belirtir. `preprocess` içindeki `return_image_mask` parametresi ile geçersiz kılınabilir.

input_size_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `14`) : Görüntünün yükseklik ve genişlik yönlerindeki yama sayısı. 14x14 = toplam 196 yama. `preprocess` içindeki `input_size_patches` parametresi ile geçersiz kılınabilir.

total_mask_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `75`) : Maskelenmesi gereken toplam yama sayısı. `preprocess` içindeki `total_mask_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `16`) : Maskelenmesi gereken en az yama sayısı. `preprocess` içindeki `mask_group_min_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_max_patches (`int`, *kwargs*, *opsiyonel*) : Maskelenmesi gereken maksimum yama sayısı. `preprocess` içindeki `mask_group_max_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_aspect_ratio (`float`, *kwargs*, *opsiyonel*, varsayılan `0.3`) : Maske penceresinin minimum en-boy oranı. `preprocess` içindeki `mask_group_min_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

mask_group_max_aspect_ratio (`float`, *kwargs*, *opsiyonel*) : Maske penceresinin maksimum en-boy oranı. `preprocess` içindeki `mask_group_max_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

return_codebook_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Kod kitabı piksel değerlerinin döndürülüp döndürülmeyeceğini belirtir.

codebook_do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı için girdinin belirli bir boyuta yeniden boyutlandırılıp boyutlandırılmayacağını belirtir. `preprocess` içindeki `codebook_do_resize` parametresi ile geçersiz kılınabilir. `codebook_size`.

codebook_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Kod kitabı için girdiyi verilen boyuta yeniden boyutlandırır. `preprocess` içindeki `codebook_size` parametresi tarafından geçersiz kılınabilir.

codebook_resample (`PILImageResampling`, *kwargs*, *opsiyonel*, varsayılan `PILImageResampling.LANCZOS`) : Kod kitabı görüntüsünün yeniden boyutlandırılması durumunda kullanılacak yeniden örnekleme filtresi. torchvision < 0.27 sürümlerinde LANCZOS, torch Tensors için desteklenmez ve en yakın alternatif olarak BICUBIC kullanılır. `preprocess` içindeki `codebook_resample` parametresi ile geçersiz kılınabilir.

codebook_do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, codebook için merkezden kırpılıp kırpılmayacağını belirtir. Girdi boyutu herhangi bir kenar boyunca `codebook_crop_size` değerinden küçükse, görüntü 0'larla doldurulur ve ardından merkezden kırpılır. `preprocess` içindeki `codebook_do_center_crop` parametresi ile geçersiz kılınabilir.

codebook_crop_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Merkezden kırpma uygulandığında codebook girdisi için istenen çıktı boyutu. `preprocess` içindeki `codebook_crop_size` parametresi ile geçersiz kılınabilir.

codebook_do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, belirtilen `codebook_rescale_factor` ölçeğine göre kod kitabı için yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_rescale` parametresi tarafından geçersiz kılınabilir.

codebook_rescale_factor (`int`, *kwargs* veya `float`, *opsiyonel*, varsayılan `1/255`) : Kod kitabı görüntüsünü yeniden ölçeklendirirken kullanılacak ölçekleme çarpanını tanımlar. `preprocess` içindeki `codebook_rescale_factor` parametresi tarafından geçersiz kılınabilir.

codebook_do_map_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı girdisinin piksel değerlerinin (1 - 2e)x + e'ye eşlenip eşlenmeyeceğini belirtir. `preprocess` içindeki `codebook_do_map_pixels` parametresi ile geçersiz kılınabilir.

codebook_do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : `codebook_image_mean` ve `codebook_image_std` ile codebook için girdinin normalize edilip edilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_normalize` parametresi ile geçersiz kılınabilir.

codebook_image_mean (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0, 0, 0]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için kullanılacak ortalamalar dizisi. `preprocess` içindeki `codebook_image_mean` parametresi ile geçersiz kılınabilir.

codebook_image_std (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0.5, 0.5, 0.5]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için standart sapma dizisi. `preprocess` içindeki `codebook_image_std` parametresi ile geçersiz kılınabilir.

FlavaImageProcessor görüntü işleyicisi oluşturur.

#### preprocess[[transformers.FlavaImageProcessorPil.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: *<class 'transformers.models.flava.image_processing_pil_flava.FlavaImageProcessorKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/image_processing_pil_flava.py#L264)

**Parametreler:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Ön işlenecek görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa `do_rescale=False` olarak ayarlayın.

do_convert_rgb (`bool`, *kwargs*, *isteğe bağlı*) : Görselin RGB'ye dönüştürülüp dönüştürülmeyeceği.

do_resize (`bool`, *kwargs*, *isteğe bağlı*) : Görselin yeniden boyutlandırılıp boyutlandırılmayacağı.

size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Modelin kabul ettiği maksimum giriş boyutlarını açıklar.

default_to_square (`bool`, *kwargs*, *opsiyonel*) : Boyut bir int ise, yeniden boyutlandırma sırasında varsayılan olarak kare bir görsel kullanılıp kullanılmayacağı.

crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : `center_crop` uygulandıktan sonra çıktı görüntüsünün boyutu.

resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Görsel yeniden boyutlandırılıyorsa kullanılacak yeniden örnekleme filtresi. Bu, `PILImageResampling` enum değerlerinden biri olabilir. Yalnızca `do_resize` `True` olarak ayarlanırsa etkilidir.

do_rescale (`bool`, *kwargs*, *opsiyonel*) : Görselin yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir.

rescale_factor (`float`, *kwargs*, *opsiyonel*) : `do_rescale` `True` olarak ayarlanırsa görüntüyü yeniden ölçeklemek için yeniden ölçekleme çarpanı.

do_normalize (`bool`, *kwargs*, *isteğe bağlı*) : Görüntünün normalize edilip edilmeyeceğini belirtir.

image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü ortalaması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsiyonel*) : Normalizasyon için kullanılacak görüntü standart sapması. Yalnızca `do_normalize` `True` olarak ayarlanırsa etkilidir.

do_pad (`bool`, *kwargs*, *isteğe bağlı*) : Görselin dolgu (padding) uygulanıp uygulanmayacağını belirtir. Dolgu, ya batch içindeki en büyük boyuta ya da görsel başına sabit bir kare boyuta yapılır. Kesin dolgu stratejisi modele bağlıdır.

pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Görsellerin doldurulacağı boyut, `{"height": int, "width" int}` biçiminde. Ön işleme için sağlanan herhangi bir görsel boyutundan büyük olmalıdır. `pad_size` sağlanmazsa, görseller partideki en büyük yüksekliğe ve genişliğe doldurulur. Yalnızca `do_pad=True.` olduğunda uygulanır.

do_center_crop (`bool`, *kwargs*, *opsiyonel*) : Görselin merkezden kırpılıp kırpılmayacağını belirtir.

data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Yalnızca `ChannelDimension.FIRST` desteklenir. Yavaş işleyicilerle uyumluluk için eklendi.

input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *isteğe bağlı*) : Girdi görüntüsünün kanal boyutu biçimi. Ayarlanmazsa, kanal boyutu biçimi girdi görüntüsünden çıkarılır. Aşağıdakilerden biri olabilir: - `"channels_first"` veya `ChannelDimension.FIRST`: (num_channels, height, width) biçiminde görüntü. - `"channels_last"` veya `ChannelDimension.LAST`: (height, width, num_channels) biçiminde görüntü. - `"none"` veya `ChannelDimension.NONE`: (height, width) biçiminde görüntü.

device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Videoların işleneceği cihaz. Ayarlanmamışsa, cihaz girdi videolarından çıkarılır.

return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'` olarak ayarlanırsa yığılmış tensörleri, aksi halde tensör listesi döndürür.

disable_grouping (`bool`, *kwargs*, *opsiyonel*) : Görsellerin boyuta göre gruplandırılmasını devre dışı bırakarak bunların toplu olarak değil, tek tek işlenmesini sağlar. None ise, görseller CPU üzerindeyse True, aksi halde False olarak ayarlanır. Bu seçim, buradaki ayrıntılı açıklamalara dayalı ampirik gözlemlere dayanmaktadır: https://github.com/huggingface/transformers/pull/38157

image_seq_length (`int`, *kwargs*, *isteğe bağlı*) : Girdideki her görüntü için kullanılacak görüntü jetonlarının sayısı. Geriye dönük uyumluluk için eklendi ancak bu, gelecekteki modellerde bir işlemci özniteliği olarak ayarlanmalıdır.

return_image_mask (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Görsel maskesinin döndürülüp döndürülmeyeceğini belirtir. `preprocess` içindeki `return_image_mask` parametresi ile geçersiz kılınabilir.

input_size_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `14`) : Görüntünün yükseklik ve genişlik yönlerindeki yama sayısı. 14x14 = toplam 196 yama. `preprocess` içindeki `input_size_patches` parametresi ile geçersiz kılınabilir.

total_mask_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `75`) : Maskelenmesi gereken toplam yama sayısı. `preprocess` içindeki `total_mask_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_patches (`int`, *kwargs*, *opsiyonel*, varsayılan `16`) : Maskelenmesi gereken en az yama sayısı. `preprocess` içindeki `mask_group_min_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_max_patches (`int`, *kwargs*, *opsiyonel*) : Maskelenmesi gereken maksimum yama sayısı. `preprocess` içindeki `mask_group_max_patches` parametresi tarafından geçersiz kılınabilir.

mask_group_min_aspect_ratio (`float`, *kwargs*, *opsiyonel*, varsayılan `0.3`) : Maske penceresinin minimum en-boy oranı. `preprocess` içindeki `mask_group_min_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

mask_group_max_aspect_ratio (`float`, *kwargs*, *opsiyonel*) : Maske penceresinin maksimum en-boy oranı. `preprocess` içindeki `mask_group_max_aspect_ratio` parametresi tarafından geçersiz kılınabilir.

return_codebook_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `False`) : Kod kitabı piksel değerlerinin döndürülüp döndürülmeyeceğini belirtir.

codebook_do_resize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı için girdinin belirli bir boyuta yeniden boyutlandırılıp boyutlandırılmayacağını belirtir. `preprocess` içindeki `codebook_do_resize` parametresi ile geçersiz kılınabilir. `codebook_size`.

codebook_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Kod kitabı için girdiyi verilen boyuta yeniden boyutlandırır. `preprocess` içindeki `codebook_size` parametresi tarafından geçersiz kılınabilir.

codebook_resample (`PILImageResampling`, *kwargs*, *opsiyonel*, varsayılan `PILImageResampling.LANCZOS`) : Kod kitabı görüntüsünün yeniden boyutlandırılması durumunda kullanılacak yeniden örnekleme filtresi. torchvision < 0.27 sürümlerinde LANCZOS, torch Tensors için desteklenmez ve en yakın alternatif olarak BICUBIC kullanılır. `preprocess` içindeki `codebook_resample` parametresi ile geçersiz kılınabilir.

codebook_do_center_crop (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, codebook için merkezden kırpılıp kırpılmayacağını belirtir. Girdi boyutu herhangi bir kenar boyunca `codebook_crop_size` değerinden küçükse, görüntü 0'larla doldurulur ve ardından merkezden kırpılır. `preprocess` içindeki `codebook_do_center_crop` parametresi ile geçersiz kılınabilir.

codebook_crop_size (`dict[str, *kwargs*, int]`, *isteğe bağlı*, varsayılan `{"height" : 224, "width": 224}`): Merkezden kırpma uygulandığında codebook girdisi için istenen çıktı boyutu. `preprocess` içindeki `codebook_crop_size` parametresi ile geçersiz kılınabilir.

codebook_do_rescale (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Girdinin, belirtilen `codebook_rescale_factor` ölçeğine göre kod kitabı için yeniden ölçeklendirilip ölçeklendirilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_rescale` parametresi tarafından geçersiz kılınabilir.

codebook_rescale_factor (`int`, *kwargs* veya `float`, *opsiyonel*, varsayılan `1/255`) : Kod kitabı görüntüsünü yeniden ölçeklendirirken kullanılacak ölçekleme çarpanını tanımlar. `preprocess` içindeki `codebook_rescale_factor` parametresi tarafından geçersiz kılınabilir.

codebook_do_map_pixels (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : Kod kitabı girdisinin piksel değerlerinin (1 - 2e)x + e'ye eşlenip eşlenmeyeceğini belirtir. `preprocess` içindeki `codebook_do_map_pixels` parametresi ile geçersiz kılınabilir.

codebook_do_normalize (`bool`, *kwargs*, *opsiyonel*, varsayılan `True`) : `codebook_image_mean` ve `codebook_image_std` ile codebook için girdinin normalize edilip edilmeyeceğini belirtir. `preprocess` içindeki `codebook_do_normalize` parametresi ile geçersiz kılınabilir.

codebook_image_mean (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0, 0, 0]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için kullanılacak ortalamalar dizisi. `preprocess` içindeki `codebook_image_mean` parametresi ile geçersiz kılınabilir.

codebook_image_std (`Optional[Union[float, *kwargs*, Iterable[float]]]`, *isteğe bağlı*, varsayılan `[0.5, 0.5, 0.5]`) : Kod kitabı için görüntüleri normalleştirmek üzere her kanal için standart sapma dizisi. `preprocess` içindeki `codebook_image_std` parametresi ile geçersiz kılınabilir.

**Dönüş:** `~image_processing_base.BatchFeature`

- **data** (`dict`) -- __call__ yönteminin döndürdüğü listeler/diziler/tensörler sözlüğü ('pixel_values' vb.).
- **tensor_type** (`Union[None, str, TensorType]`, *isteğe bağlı*) -- Başlatma sırasında PyTorch/Numpy Tensörlerindeki tamsayı listelerini dönüştürmek için burada bir tensor_type verebilirsiniz.

## FlavaForPreTraining[[transformers.FlavaForPreTraining]]

#### transformers.FlavaForPreTraining[[transformers.FlavaForPreTraining]]

```python
transformers.FlavaForPreTraining(config: FlavaConfig, image_codebook: typing.Optional[torch.nn.Module] = None)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1502)

**Parametreler:**

config ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

image_codebook (`torch.nn.Module`, *isteğe bağlı*) : Verilirse, görüntü kod kitabı buna ayarlanır. Aksi takdirde, önce config içinde tanımlanan image_codebook_config kullanılarak ilk parametre olarak başlatılır.

Kayıp değerleri, gömme (embedding) değerlerini, logit'leri ve dönüştürücü (transformer) çıktıları üreten ön eğitim için FLAVA modeli.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaForPreTraining.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, input_ids_masked: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, codebook_pixel_values: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, token_type_ids: typing.Optional[torch.Tensor] = None, bool_masked_pos: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, image_attention_mask: typing.Optional[torch.Tensor] = None, skip_unmasked_multimodal_encoder: bool | None = None, mlm_labels: typing.Optional[torch.Tensor] = None, mim_labels: typing.Optional[torch.Tensor] = None, itm_labels: typing.Optional[torch.Tensor] = None, output_attentions: bool | None = None, output_hidden_states: bool = True, return_dict: bool | None = None, return_loss: bool | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1551)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_len)`) : Sözlükteki girdi dizisi token'larının indeksleri. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)'a bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

input_ids_masked (`torch.LongTensor`, şekli `(batch_size, text_seq_len)`) : Sözlükteki girdi dizisi token'larının indeksleri. Bunlar, MLM ile kullanılacak orijinal görevin maskelenmiş versiyonudur. İndeksler, [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) ile birlikte `DataCollatorForMaskedLanguageModeling` kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`, *isteğe bağlı*) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [FlavaImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) adresine bakın ([FlavaProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaProcessor), görüntü işleme için [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanır).

codebook_pixel_values (`torch.Tensor`, şekli `(batch_size, num_image_patches, patch_size, patch_size, 3)`, *isteğe bağlı*) : Maskeli görüntü modellemesi için görüntü kod kitabı etiketlerini hesaplamakta kullanılan görüntü yama piksel değerleri.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

token_type_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_len)`, *isteğe bağlı*) : Girdilerin ilk ve ikinci bölümlerini belirtmek için segment token dizinleri. Dizinler `[0, 1]` aralığından seçilir: - 0, *sentence A* token'ına karşılık gelir, - 1, *sentence B* token'ına karşılık gelir. [Token type ID'leri nelerdir?](../glossary#token-type-ids)

bool_masked_pos (`torch.BoolTensor`, şekli `(batch_size, image_num_patches)`) : Boole maskeli konumlar. Hangi yamaların maskelendiğini (1) ve hangilerinin maskelenmediğini (0) belirtir.

position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

image_attention_mask (`torch.Tensor`, şekli `(batch_size, image_num_patches)`, *isteğe bağlı*) : Özellikle görüntüler için, padding token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri: - **maskelenmemiş** tokenlar için 1, - **maskelenmiş** tokenlar için 0. [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

skip_unmasked_multimodal_encoder (`*bool*`, *isteğe bağlı*) : Maskelenmemiş girdiler için çok modlu kodlayıcıda hesaplamaları atlar. FLAVA ön eğitimi, şu an için maskelenmemiş çok modlu gömme veya çıktıları gerektirmez.

mlm_labels (`torch.LongTensor`, şekli `(batch_size, text_seq_len)`, *isteğe bağlı*) : Soldan sağa dil ve çok modlu maskeli modelleme kaybını (sonraki kelime tahmini) hesaplamak için etiketler. Endeksler `[-100, 0, ..., text_config.vocab_size - 1]` aralığında olmalıdır (bkz. `input_ids` docstring). Endeksleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca etiketleri `[0, ..., text_config.vocab_size - 1]` aralığında olan tokenlar için hesaplanır.

mim_labels (`torch.LongTensor`, şekli `(batch_size, image_num_patches)`, *isteğe bağlı*) : Görüntü ve çok modlu maskeli modelleme kaybını hesaplamak için etiketler. Endeksler `[-100, 0, ..., image_config.vocab_size - 1]` aralığında olmalıdır. Endeksleri `-100` olarak ayarlanan tokenlar yok sayılır (maskelenir), kayıp yalnızca etiketleri `[0, ..., image_config.vocab_size - 1]` aralığında olan tokenlar için hesaplanır. Verilmezse, modele atanan görüntü kod kitabı kullanılarak otomatik olarak oluşturulurlar. Varsayılan olarak [FlavaImageCodebook](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageCodebook) kullanılır. mim_labels'ın nasıl oluşturulacağını anlamak için [FlavaImageCodebook](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageCodebook)'a bakın.

itm_labels (`torch.LongTensor`, şekli `(batch_size, 1)`, *isteğe bağlı*) : Görsel-metin eşleşme kaybını hesaplamak için etiketler. 0, çiftlerin eşleşmediğini; 1 ise eşleştiğini belirtir. 0 etiketli çiftler, MMM ve küresel kontrastif kayıpların hesaplanmasında da atlanır.

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*, varsayılan `True`) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/main/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

return_loss (`bool`, *isteğe bağlı*, varsayılan olarak None) : Hesaplanan kaybın (loss) döndürülüp döndürülmeyeceğini belirtir.

**Dönüş:** `FlavaForPreTrainingOutput` veya `tuple(torch.Tensor)`

`FlavaForPreTrainingOutput` veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[FlavaForPreTraining](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaForPreTraining) forward metodu, `__call__` özel metodunu geçersiz kılar.

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

- **loss** (`torch.Tensor`, *isteğe bağlı*, `return_loss` True olduğunda döndürülür) -- Bu model için hesaplanan toplam kayıp.
- **loss_info** (`~models.flava.modeling_flava.FlavaLosses`, *isteğe bağlı*) -- FLAVA Ön Eğitim kayıplarına ilişkin ayrıntılı bilgi. Anahtarlar hakkında bilgi için `FlavaLosses` sınıfı açıklamasına bakın.
- **image_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- Temel olarak [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'in havuzlanmış çıktısı olan gömme değerleri.
- **image_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'in çıktısı.
- **text_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *isteğe bağlı*, `input_ids` mevcut olduğunda döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'ün havuzlanmış çıktısı olan metin gömme değerleri.
- **text_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `input_ids` mevcut olduğunda döndürülür) -- [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'ün çıktısı.
- **multimodal_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *opsiyonel*, `input_ids` ve `pixel_values` mevcut olduğunda ve `skip_unmasked_multimodal_encoder` `None` veya `False` ise döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'in havuzlanmış çıktısı olan çok modlu gömme değerleri.
- **multimodal_output** (`BaseModelOutputWithPooling`, `input_ids` ve `pixel_values` mevcut olduğunda ve `skip_unmasked_multimodal_encoder` `None` veya `False` ise döndürülür) -- [FlavaMultimodalModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalModel)'ün çıktısı.
- **image_masked_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- Temel olarak [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'in havuzlanmış çıktısı olan gömme değerleri. Maskelenmiş görüntüler oluşturmak için `bool_masked_pos` kullanır.
- **image_masked_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'ün çıktısı. Maskeli görüntüler oluşturmak için `bool_masked_pos` kullanır.
- **text_masked_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *opsiyonel*, `input_ids_masked` mevcut olduğunda döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'in havuzlanmış çıktısı olan metin gömme değerleri.
- **text_masked_output** (`BaseModelOutputWithPooling`, *opsiyonel*, `input_ids_masked` mevcut olduğunda döndürülür) -- [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'ün çıktısı.
- **multimodal_masked_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *opsiyonel*, `input_ids` ve `pixel_values` mevcut olduğunda döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'in havuzlanmış çıktısı olan çok modlu gömme değerleri.
- **multimodal_masked_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `input_ids_masked` ve `pixel_values` mevcut olduğunda döndürülür) -- [FlavaMultimodalModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalModel)'ün çıktısı.
- **mim_logits** (`torch.Tensor`, şekli `(batch_size, num_image_patches, image_vocab_size)` veya `(total_masked_patches, image_vocab_size)` , *opsiyonel*, `pixel_values` mevcutken ve `input_ids_masked` yokken döndürülür) -- MIM unimodal kaybı için logitler. Maskelenmiş yamaları almak için `bool_masked_pos` kullanılır. `bool_masked_pos` yamaların bir kısmını maskeliyorsa, düzleştirilmiş çıktı döndürülür.
- **mlm_logits** (`torch.Tensor`, şekli `(batch_size, text_seq_length, text_vocab_size)` veya `(total_masked_seq_length, text_vocab_size)`, *isteğe bağlı*, `input_ids_masked` mevcut ve `pixel_values` mevcut değilse döndürülür) -- MLM unimodal kaybı için logitler. `input_ids_masked` içinde bazı tokenlar maskelendiyse, düzleştirilmiş çıktı döndürülür.
- **itm_logits** (`torch.Tensor`, şekli `(batch_size, 2)`, *isteğe bağlı*, `input_ids_masked` ve `pixel_values` mevcut olduğunda döndürülür) -- ITM kaybı için logitler. Not: FLAVA'da ITM kaybı maskelenmiş çiftler üzerinde hesaplanır.
- **contrastive_logits_per_image** (`torch.Tensor`, şekli `(image_batch_size, text_batch_size)`) -- `image_embeddings` ile `text_embeddings` arasındaki ölçekli nokta çarpımı puanları, ancak sırasıyla FLAVA'nın `image_projection` ve `text_projection` katmanlarından geçirilmiştir. Bu, görsel-metin benzerlik puanlarını temsil eder. Bu, maske uygulanmamış görseller ve metinler üzerinde hesaplanır.
- **contrastive_logits_per_text** (`torch.Tensor`, şekli `(text_batch_size, image_batch_size)`) -- `text_embeddings` ile `image_embeddings` arasındaki ölçekli nokta çarpımı puanları, ancak sırasıyla FLAVA'nın `text_projection` ve `image_projection` katmanlarından geçirilmiştir. Bu, maske uygulanmamış görüntüler ve metinler üzerinde hesaplanır.
- **mmm_image_logits** (`torch.Tensor`, şekli `(batch_size, num_image_patches, image_vocab_size)` veya `(total_masked_patches, image_vocab_size)`, *opsiyonel*, `pixel_values` ve `input_ids_masked` mevcut olduğunda döndürülür) -- MMM görüntü çok modlu kaybı için logitler. Maskelenmiş yamaları almak için `bool_masked_pos` kullanılır. `bool_masked_pos` yamaların bir kısmını maskeliyorsa, düzleştirilmiş çıktı döndürülür.
- **mmm_text_logits** (`torch.Tensor`, şekli `(batch_size, text_seq_length, text_vocab_size)` veya `(total_masked_seq_length, text_vocab_size)`, *isteğe bağlı*, `pixel_values` ve `input_ids_masked` mevcut olduğunda döndürülür) -- MMM metin çok modlu kaybı için logitler. `input_ids_masked` içinde bazı jetonlar maskelendiğinde düzleştirilmiş çıktı döndürülür.

Örnekler:
```python
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import FlavaForPreTraining, AutoProcessor

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> model = FlavaForPreTraining.from_pretrained("facebook/flava-full")
>>> processor = AutoProcessor.from_pretrained("facebook/flava-full")

>>> text = ["a photo of a cat"]

>>> inputs = processor(
...     images=[image],
...     text=text,
...     return_masks=True,
...     return_codebook_pixels=True,
...     padding=True,
...     max_length=77,
...     return_tensors="pt",
... )

>>> output = model(**inputs)
```

## FlavaModel[[transformers.FlavaModel]]

#### transformers.FlavaModel[[transformers.FlavaModel]]

```python
transformers.FlavaModel(config: FlavaConfig)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L935)

**Parametreler:**

config ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

Üzerinde herhangi bir özel head olmadan ham hidden-states çıkaran çıplak Flava Model.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaModel.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, token_type_ids: typing.Optional[torch.Tensor] = None, bool_masked_pos: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, image_attention_mask: typing.Optional[torch.Tensor] = None, skip_multimodal_encoder: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool = True, return_dict: bool | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1078)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, image_num_patches + text_seq_len)`) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`, *isteğe bağlı*) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [FlavaImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) adresine bakın ([FlavaProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaProcessor), görüntü işleme için [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanır).

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

token_type_ids (`torch.LongTensor`, şekli `(batch_size, image_num_patches + text_seq_len)`, *isteğe bağlı*) : Girdilerin ilk ve ikinci bölümlerini belirtmek için segment token dizinleri. Dizinler `[0, 1]` aralığından seçilir: - 0, *cümle A* token'ına karşılık gelir, - 1, *cümle B* token'ına karşılık gelir. [Token türü kimlikleri nelerdir?](../glossary#token-type-ids)

bool_masked_pos (`torch.BoolTensor`, şekli `(batch_size, image_num_patches)`) : Boole maskeli konumlar. Hangi yamaların maskelendiğini (1) ve hangilerinin maskelenmediğini (0) belirtir.

position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

image_attention_mask (`torch.Tensor`, şekli `(batch_size, image_num_patches)`, *isteğe bağlı*) : Görsel girdilerde dolgu piksel değerleri üzerinde dikkat işleminin uygulanmaması için kullanılan maske. `[0, 1]` aralığında seçilen maske değerleri: - Gerçek (yani **maskelenmemiş**) piksel değerleri için 1, - Dolgu (yani **maskelenmiş**) piksel değerleri için 0.

skip_multimodal_encoder (`*bool*`, *isteğe bağlı*) : Çok modlu kodlayıcı için tüm hesaplamaları atlar. Çok modlu kodlamanın kullanılmayacağı durumlarda faydalıdır.

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*, varsayılan `True`) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/main/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

**Dönüş:** `FlavaModelOutput` veya `tuple(torch.Tensor)`

`FlavaModelOutput` veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[FlavaModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

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

- **image_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- Temel olarak [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'in havuzlanmış çıktısı olan gömme değerleri.
- **image_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `pixel_values` mevcut olduğunda döndürülür) -- [FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel)'in çıktısı.
- **text_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *isteğe bağlı*, `input_ids` mevcut olduğunda döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'ün havuzlanmış çıktısı olan metin gömme değerleri.
- **text_output** (`BaseModelOutputWithPooling`, *isteğe bağlı*, `input_ids` mevcut olduğunda döndürülür) -- [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'ün çıktısı.
- **multimodal_embeddings** (`torch.Tensor`, şekli `(batch_size, output_dim)`, *opsiyonel*, `input_ids` ve `pixel_values` mevcut olduğunda ve `skip_multimodal_encoder` `None` veya `False` ise döndürülür) -- Temel olarak [FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel)'in havuzlanmış çıktısı olan çok modlu gömme değerleri.
- **multimodal_output** (`BaseModelOutputWithPooling`, `input_ids` ve `pixel_values` mevcut olduğunda ve `skip_multimodal_encoder` `None` veya `False` ise döndürülür) -- [FlavaMultimodalModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalModel)'in çıktısı.

Örnekler:

```python
>>> from PIL import Image
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from transformers import AutoProcessor, FlavaModel

>>> model = FlavaModel.from_pretrained("facebook/flava-full")
>>> processor = AutoProcessor.from_pretrained("facebook/flava-full")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read()))

>>> inputs = processor(text=["a photo of a cat"], images=image, return_tensors="pt", padding=True)

>>> outputs = model(**inputs)

>>> image_embeddings = outputs.image_embeddings
>>> text_embeddings = outputs.text_embeddings
>>> multimodal_embeddings = outputs.multimodal_embeddings

>>> outputs.image_embeddings.shape
torch.Size([1, 197, 768])

>>> text_embeddings.shape
torch.Size([1, 7, 768])

>>> multimodal_embeddings.shape
torch.Size([1, 205, 768])
```

#### get_text_features[[transformers.FlavaModel.get_text_features]]

```python
get_text_features(input_ids: Tensor, attention_mask: typing.Optional[torch.Tensor] = None, token_type_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L981)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_length)`) : Sözlükteki girdi dizisi token'larının indeksleri. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)'a bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

token_type_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_length)`, *isteğe bağlı*) : Girdilerin ilk ve ikinci bölümlerini belirtmek için segment token dizinleri. Dizinler `[0, 1]` aralığından seçilir: - 0, *sentence A* token'ına karşılık gelir, - 1, *sentence B* token'ına karşılık gelir. [Token türü kimlikleri nelerdir?](../glossary#token-type-ids)

position_ids (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizileri token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

**Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.
- **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

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

Örnekler:

```python
>>> import torch
>>> from transformers import AutoProcessor, FlavaModel

>>> model = FlavaModel.from_pretrained("{0}")
>>> processor = AutoProcessor.from_pretrained("{0}")

>>> inputs = processor(
...     text=["a photo of a cat", "a photo of a dog"], max_length=77, padding="max_length", return_tensors="pt"
... )
>>> with torch.inference_mode():
...     text_features = model.get_text_features(**inputs)
```

#### get_image_features[[transformers.FlavaModel.get_image_features]]

```python
get_image_features(pixel_values: Tensor, bool_masked_pos: typing.Optional[torch.BoolTensor] = None, interpolate_pos_encoding: bool | None = None, attention_mask: typing.Optional[torch.Tensor] = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1032)

**Parametreler:**

pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [FlavaImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) bölümüne bakın ([FlavaProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaProcessor), görüntü işleme için [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanır).

bool_masked_pos (`torch.BoolTensor`, şekli `(batch_size, image_num_patches)`) : Boole maskeli konumlar. Hangi yamaların maskelendiğini (1) ve hangilerinin maskelenmediğini (0) belirtir.

interpolate_pos_encoding (`bool`, *isteğe bağlı*) : Ön eğitilmiş konum kodlamalarının interpolasyonunun yapılıp yapılmayacağını belirtir.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

**Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.
- **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

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

Örnekler:

```python
>>> import torch
>>> from transformers import AutoProcessor, FlavaModel
>>> from transformers.image_utils import load_image

>>> model = FlavaModel.from_pretrained("{0}")
>>> processor = AutoProcessor.from_pretrained("{0}")

>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = load_image(url)

>>> inputs = processor(images=image, return_tensors="pt")

>>> with torch.inference_mode():
...     image_features = model.get_image_features(**inputs)
```

## FlavaImageCodebook[[transformers.FlavaImageCodebook]]

#### transformers.FlavaImageCodebook[[transformers.FlavaImageCodebook]]

```python
transformers.FlavaImageCodebook(config: FlavaImageCodebookConfig, **kwargs: Any)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1289)

**Parametreler:**

config ([FlavaImageCodebookConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageCodebookConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

FLAVA'nın görüntü kod kitabı modeli, DALL-E'nin orijinal kodlayıcısından ilham alınarak geliştirilmiştir. Ham gizli durumları (hidden states) üretir ve DALL-E'nin sözlüğüne dayalı olarak bir görüntü için görüntü jetonları (image tokens) üretmek üzere kullanılabilir. MIM için etiketler üretmek amacıyla kullanılır. Bir görüntü için görüntü jetonlarını almak için `get_codebook_indices` kullanın.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaImageCodebook.forward]]

```python
forward(pixel_values: Tensor, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1374)

#### get_codebook_indices[[transformers.FlavaImageCodebook.get_codebook_indices]]

```python
get_codebook_indices(pixel_values: Tensor)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1340)

#### get_codebook_probs[[transformers.FlavaImageCodebook.get_codebook_probs]]

```python
get_codebook_probs(pixel_values: Tensor)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L1370)

## FlavaTextModel[[transformers.FlavaTextModel]]

#### transformers.FlavaTextModel[[transformers.FlavaTextModel]]

```python
transformers.FlavaTextModel(config: FlavaTextConfig, add_pooling_layer: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L759)

**Parametreler:**

config ([FlavaTextConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine bakın.

add_pooling_layer (`bool`, *isteğe bağlı*, varsayılan `True`) : Bir havuzlama katmanı eklenip eklenmeyeceği

Üzerinde herhangi bir özel head olmadan ham hidden-states çıkaran çıplak Flava Text Model.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaTextModel.forward]]

```python
forward(input_ids: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, token_type_ids: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.Tensor] = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L787)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_length)`) : Sözlükteki girdi dizisi token'larının indeksleri. İndeksler [AutoTokenizer](/docs/transformers/main/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/main/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__)'a bakın. [Girdi ID'leri nelerdir?](../glossary#input-ids)

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

token_type_ids (`torch.LongTensor`, şekli `(batch_size, text_seq_length)`, *isteğe bağlı*) : Girdilerin ilk ve ikinci bölümlerini belirtmek için segment token dizinleri. Dizinler `[0, 1]` aralığından seçilir: - 0, *sentence A* token'ına karşılık gelir, - 1, *sentence B* token'ına karşılık gelir. [Token türü kimlikleri nelerdir?](../glossary#token-type-ids)

position_ids (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizileri token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/main/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

**Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[FlavaTextModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaTextModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

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

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.
- **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

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

## FlavaImageModel[[transformers.FlavaImageModel]]

#### transformers.FlavaImageModel[[transformers.FlavaImageModel]]

```python
transformers.FlavaImageModel(config: FlavaImageConfig, add_pooling_layer: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L677)

**Parametreler:**

config ([FlavaImageConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

add_pooling_layer (`bool`, *isteğe bağlı*, varsayılan `True`) : Bir havuzlama katmanı eklenip eklenmeyeceği

Üzerinde herhangi bir özel head olmadan ham hidden-states çıkaran çıplak Flava Model.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaImageModel.forward]]

```python
forward(pixel_values: typing.Optional[torch.Tensor] = None, bool_masked_pos: typing.Optional[torch.BoolTensor] = None, interpolate_pos_encoding: bool | None = None, attention_mask: typing.Optional[torch.Tensor] = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L707)

**Parametreler:**

pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`, *isteğe bağlı*) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanılarak elde edilebilir. Ayrıntılar için [FlavaImageProcessor.__call__()](/docs/transformers/main/tr/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) adresine bakın ([FlavaProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaProcessor), görüntü işleme için [FlavaImageProcessor](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageProcessor) kullanır).

bool_masked_pos (`torch.BoolTensor`, şekli `(batch_size, image_num_patches)`) : Boole maskeli konumlar. Hangi yamaların maskelendiğini (1) ve hangilerinin maskelenmediğini (0) belirtir.

interpolate_pos_encoding (`bool`, *isteğe bağlı*) : Ön eğitilmiş konum kodlamalarının interpolasyonunun yapılıp yapılmayacağını belirtir.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/main/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

**Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[FlavaImageModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaImageModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

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

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.
- **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

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

## FlavaMultimodalModel[[transformers.FlavaMultimodalModel]]

#### transformers.FlavaMultimodalModel[[transformers.FlavaMultimodalModel]]

```python
transformers.FlavaMultimodalModel(config: FlavaMultimodalConfig, add_pooling_layer = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L855)

**Parametreler:**

config ([FlavaMultimodalConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

add_pooling_layer (`bool`, *isteğe bağlı*, varsayılan `True`) : Bir havuzlama katmanı eklenip eklenmeyeceği

Üzerinde herhangi bir özel head olmadan ham hidden-states çıkaran çıplak Flava Model.

Bu model [PreTrainedModel](/docs/transformers/main/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.FlavaMultimodalModel.forward]]

```python
forward(hidden_states: Tensor, attention_mask: typing.Optional[torch.Tensor] = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/main/src/transformers/models/flava/modeling_flava.py#L879)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(batch_size, image_num_patches + text_seq_len, hidden_size)`) : Unimodal kodlayıcıların birleştirilmiş gizli durumları.

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/main/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

**Dönüş:** [BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya `tuple(torch.Tensor)`

[BaseModelOutputWithPooling](/docs/transformers/main/tr/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) veya bir `torch.Tensor` demeti (`return_dict=False` geçirildiğinde veya `config.return_dict=False` olduğunda); yapılandırma ([FlavaConfig](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[FlavaMultimodalModel](/docs/transformers/main/tr/model_doc/flava#transformers.FlavaMultimodalModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

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

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin son katmanının çıktısındaki gizli durumlar dizisi.
- **pooler_output** (`torch.Tensor`, şekli `(batch_size, hidden_size)`) -- Sıralamanın ilk token'ının (sınıflandırma token'ı) son katman gizli durumu, yardımcı ön eğitim görevi için kullanılan katmanlardan geçirildikten sonraki hali. Örneğin BERT ailesi modelleri için, bu, sınıflandırma token'ının doğrusal bir katman ve tanh aktivasyon fonksiyonundan geçirildikten sonraki halini döndürür. Doğrusal katman ağırlıkları, ön eğitim sırasında bir sonraki cümle tahmini (sınıflandırma) hedefinden eğitilir.
- **hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında modelin gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

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