# Gemma4 ## Ikhtisar Gemma 4 adalah model multimodal dengan varian pra-pelatihan dan penyetelan instruksi, tersedia dalam ukuran parameter E2B, E4B, 31B, dan 26B-A4B (MoE). Model Gemma 4 menyediakan kemampuan berikut: - Penalaran: Semua model dalam keluarga ini dirancang sebagai penalar yang sangat mumpuni, dengan mode berpikir yang dapat dikonfigurasi. - Multimodalitas yang Diperluas: Memproses Teks, Gambar dengan dukungan rasio aspek dan resolusi yang bervariasi (semua model), Video, dan Audio (fitur bawaan pada model E2B dan E4B). - Jendela Konteks yang Lebih Besar: Model-model kecil memiliki jendela konteks 128K, sedangkan model-model lainnya mendukung 256K. - Kemampuan Coding & Agentic yang Ditingkatkan: Mencapai peningkatan yang signifikan pada benchmark coding sekaligus dukungan function-calling bawaan, yang menggerakkan agen otonom yang sangat mumpuni. - Dukungan System Prompt Native: Gemma 4 memperkenalkan dukungan bawaan untuk peran sistem, memungkinkan percakapan yang lebih terstruktur dan dapat dikendalikan. Anda dapat menemukan semua checkpoint asli Gemma 4 di bawah rilis [Gemma 4](https://huggingface.co/collections/google/gemma-4). ### Model Gemma4 Vision Perbedaan utama dari rilis Gemma sebelumnya untuk visi adalah desain baru untuk memproses **gambar dengan ukuran berbeda** menggunakan **jumlah token dengan anggaran tetap**. Berbeda dengan banyak model yang memaksa setiap gambar menjadi persegi berukuran tetap (seperti 224×224), Gemma 4 mempertahankan rasio aspek alami gambar sambil menyesuaikannya ke ukuran yang tepat. Ada beberapa batasan yang perlu diikuti: - Jumlah total piksel harus muat dalam anggaran patch - Ketinggian dan lebar keduanya harus dapat dibagi habis oleh **48** (= ukuran patch 16 × kernel pooling 3) > [!IMPORTANT] > Gemma 4 tidak **menerapkan** normalisasi mean/std ImageNet standar yang digunakan oleh banyak model visi lainnya. Lapisan patch embedding milik model itu sendiri menangani penskalaan akhir secara internal (menggeser nilai ke rentang [-1, 1]). Jumlah "soft token" (atau token visual) yang dapat dihasilkan oleh image processor dapat dikonfigurasi. Opsi yang didukung diuraikan di bawah ini, dan nilai defaultnya adalah **280 soft token** per gambar. | Token Lunak | Patches (sebelum pooling) | Luas Gambar Perkiraan | |:-----------:|:------------------------:|:-------------------:| | 70 | 630 | ~161K piksel | | 140 | 1,260 | ~323K piksel | | **280** | **2,520** | **~645K piksel** | | 560 | 5,040 | ~1,3 juta piksel | | 1,120 | 10,080 | ~2,6 juta piksel | Untuk mengkodekan informasi posisi untuk setiap patch dalam gambar, Gemma 4 menggunakan tabel posisi 2D yang dipelajari. Tabel posisi menyimpan hingga 10.240 posisi per sumbu, yang memungkinkan model untuk menangani gambar yang sangat besar. Setiap posisi adalah vektor yang dipelajari dengan dimensi yang sama dengan patch embedding. 2D RoPE yang digunakan oleh Gemma 4 secara independen memutar setengah dimensi kepala perhatian untuk sumbu x dan setengah lainnya untuk sumbu y. Hal ini memungkinkan model untuk memahami hubungan spasial seperti "di atas," "di bawah," "di kiri," dan "di kanan." ### Embedding Per-Lapisan (PLE) Gemma 4 memperkenalkan sistem Per-Layer Embeddings (PLE) yang memberikan sinyal residual tambahan ke setiap lapisan decoder, alih-alih hanya mengandalkan satu embedding bersama di input. PLE menggabungkan dua komponen yang dijumlahkan dan diskalakan dengan `1/√2` sebelum dimasukkan ke setiap lapisan decoder: 1. Token-identity (`get_per_layer_inputs`): mencari `input_ids` di `embed_tokens_per_layer`, yaitu `Gemma4TextScaledWordEmbedding` yang mengalikan dengan `√(hidden_size_per_layer_input)`. Output yang dikemas di-reshape dari `[batch, seq, num_hidden_layers * hidden_size_per_layer_input]` menjadi `[batch, seq, num_hidden_layers, hidden_size_per_layer_input]`. 2. Context-aware (`project_per_layer_inputs`): memproyeksikan `inputs_embeds` melalui `per_layer_model_projection` (lapisan Linear), menskalakan dengan `1/√(hidden_size)`, membentuk ulang menjadi `[batch, seq, num_layers, ple_dim]`, dan menormalisasi dengan `per_layer_projection_norm` (RMSNorm). Ketika kedua komponen tersedia, input per-lapisan akhir adalah `(token_identity + context_aware) * (1/√2)`. Untuk input multimodal di mana `input_ids` tidak tersedia, hanya proyeksi yang sadar konteks yang digunakan. ## Contoh penggunaan Contoh di bawah ini menunjukkan cara menghasilkan teks berdasarkan gambar dengan [Pipeline](/docs/transformers/main/id/main_classes/pipelines#transformers.Pipeline) atau kelas [AutoModel](/docs/transformers/main/id/model_doc/auto#transformers.AutoModel). ```python from transformers import pipeline pipeline = pipeline( task="image-text-to-text", model="google/gemma-4-E2B-it", ) pipeline( images="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg", text="<|image|>\n\nWhat is shown in this image?" ) ``` ```python from transformers import AutoModelForImageTextToText, AutoProcessor model = AutoModelForImageTextToText.from_pretrained( "google/gemma-4-E2B-it", device_map="auto", attn_implementation="sdpa" ) processor = AutoProcessor.from_pretrained( "google/gemma-4-E2B-it", padding_side="left" ) messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, {"type": "text", "text": "What is shown in this image?"}, ] }, ] inputs = processor.apply_chat_template( messages, tokenize=True, return_dict=True, return_tensors="pt", add_generation_prompt=True, ).to(model.device) input_len = inputs["input_ids"].shape[-1] output = model.generate(**inputs, max_new_tokens=50, cache_implementation="static") print(processor.decode(output[0][input_len:], skip_special_tokens=True)) ``` ### Pemanggilan fungsi ```python from transformers import AutoModelForCausalLM, AutoProcessor WEATHER_TOOL = { "type": "function", "function": { "name": "get_n_day_weather_forecast", "description": "Get an N-day weather forecast", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "The city and state, e.g. San Francisco, CA", }, "format": { "type": "string", "enum": ["celsius", "fahrenheit"], "description": "The temperature unit to use", }, "num_days": { "type": "integer", "description": "The number of days to forecast", }, }, "required": ["location", "format", "num_days"], }, }, } messages = [ { "role": "user", "content": "What's the weather like the next 3 days in San Francisco, CA (using F)?", }, ] model = AutoModelForCausalLM.from_pretrained( "google/gemma-4-E2B-it", device_map="auto", attn_implementation="sdpa" ) processor = AutoProcessor.from_pretrained( "google/gemma-4-E2B-it", padding_side="left" ) text = processor.apply_chat_template( messages, tools=[WEATHER_TOOL], tokenize=False, add_generation_prompt=True, ) inputs = processor(text=text, return_tensors="pt").to(model.device) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=200) print(processor.decode(outputs[0][input_len:], skip_special_tokens=False)) ``` ### Audio (Hanya E2B dan E4B) ```python from transformers import AutoModelForMultimodalLM, AutoProcessor messages = [ { "role": "user", "content": [ {"type": "text", "text": "Please transcribe the following audio:"}, { "type": "audio", "url": "https://huggingface.co/datasets/eustlb/audio-samples/resolve/main/dude_where_is_my_car.wav", }, ], } ] model = AutoModelForMultimodalLM.from_pretrained( "google/gemma-4-E2B-it", device_map="auto", attn_implementation="sdpa" ) processor = AutoProcessor.from_pretrained( "google/gemma-4-E2B-it", padding_side="left" ) inputs = processor.apply_chat_template( messages, tokenize=True, add_generation_prompt=True, return_dict=True, return_tensors="pt" ).to(model.device, dtype=model.dtype) input_len = inputs["input_ids"].shape[-1] outputs = model.generate(**inputs, max_new_tokens=200) print(processor.decode(outputs[0][input_len:], skip_special_tokens=False)) ``` ## Gemma4AudioConfig[[transformers.Gemma4AudioConfig]] #### transformers.Gemma4AudioConfig[[transformers.Gemma4AudioConfig]] ```python transformers.Gemma4AudioConfig(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 = 1024, num_hidden_layers: int = 12, num_attention_heads: int = 8, hidden_act: str = 'silu', subsampling_conv_channels: list[int] | tuple[int, int] = (128, 32), conv_kernel_size: int = 5, residual_weight: float = 0.5, attention_chunk_size: int = 12, attention_context_left: int = 13, attention_context_right: int = 0, attention_logit_cap: float = 50.0, attention_invalid_logits_value: float = -1000000000.0, use_clipped_linears: bool = True, rms_norm_eps: float = 1e-06, gradient_clipping: float = 10000000000.0, output_proj_dims: int = 1536, initializer_range: float = 0.02) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/configuration_gemma4.py#L29) **Parameter:** hidden_size (`int`, *opsional*, defaultnya `1024`) : Dimensi dari representasi tersembunyi. num_hidden_layers (`int`, *opsional*, defaultnya `12`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `8`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. hidden_act (`str`, *opsional*, defaultnya `silu`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. subsampling_conv_channels (`list[int]`, defaultnya `[128, 32]`) : Ukuran channel untuk lapisan konvolusional dalam Sub-sample Convolution Projection. conv_kernel_size (`int`, *opsional*, defaultnya `5`) : Ukuran kernel konvolusional. residual_weight (`float`, defaultnya `0.5`) : Skala yang diterapkan pada hidden_states sebelum digabungkan dengan residual di feedforward. attention_chunk_size (`int`, defaultnya `12`) : Ukuran sub-sekuens untuk pemrosesan perhatian. attention_context_left (`int`, defaultnya `13`) : Ukuran konteks ke kiri untuk chunk perhatian. attention_context_right (`int`, defaultnya `0`) : Ukuran konteks ke kanan untuk chunk perhatian. attention_logit_cap (`float`, defaultnya `50.0`) : Batas yang diterapkan pada bobot perhatian. attention_invalid_logits_value (`float`, defaultnya `1e-9`) : Nilai yang digunakan untuk logits tidak valid dalam attention. use_clipped_linears (`bool`, defaultnya `True`) : Jika true, terapkan clipping ke lapisan Linear, dengan batas yang diambil dari checkpoint model. rms_norm_eps (`float`, *opsional*, defaultnya `1e-06`) : Epsilon yang digunakan oleh lapisan normalisasi rms. gradient_clipping (`float`, defaultnya `1e10`) : Nilai pemotongan yang digunakan untuk menstabilkan nilai gradien yang sangat besar. output_proj_dims (`int`, defaultnya `1536`) : Dimensi dari proyeksi linear akhir dari `hidden_size` ke output model. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari Gemma4Model. Kelas ini digunakan untuk membuat instans model Gemma4 sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [google/gemma-4-e2b-it](https://huggingface.co/google/gemma-4-e2b-it) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. ## Gemma4VisionConfig[[transformers.Gemma4VisionConfig]] #### transformers.Gemma4VisionConfig[[transformers.Gemma4VisionConfig]] ```python transformers.Gemma4VisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, intermediate_size: int = 3072, num_hidden_layers: int = 16, num_attention_heads: int = 12, num_key_value_heads: int = 12, head_dim: int = 64, hidden_activation: str = 'gelu_pytorch_tanh', rms_norm_eps: float = 1e-06, max_position_embeddings: int = 131072, attention_bias: bool | None = False, attention_dropout: float | None = 0.0, rope_parameters: dict | None = None, pooling_kernel_size: int = 3, patch_size: int = 16, position_embedding_size: int = 10240, use_clipped_linears: bool = False, standardize: bool = False, initializer_range: float = 0.02) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/configuration_gemma4.py#L271) **Parameter:** hidden_size (`int`, *opsional*, defaultnya `768`) : Dimensi dari representasi tersembunyi. intermediate_size (`int`, *opsional*, defaultnya `3072`) : Dimensi dari representasi MLP. num_hidden_layers (`int`, *opsional*, defaultnya `16`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `12`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. num_key_value_heads (`int`, *opsional*, defaultnya `12`) : Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika `num_key_value_heads=num_attention_heads`, model akan menggunakan Multi Head Attention (MHA), jika `num_key_value_heads=1` model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat [paper ini](https://huggingface.co/papers/2305.13245). Jika tidak ditentukan, akan default ke `num_attention_heads`. head_dim (`int`, *opsional*, defaultnya `64`) : Dimensi kepala perhatian. Jika None, nilainya akan menjadi hidden_size // num_attention_heads hidden_activation (`str`, *opsional*, defaultnya `gelu_pytorch_tanh`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. rms_norm_eps (`float`, *opsional*, defaultnya `1e-06`) : Epsilon yang digunakan oleh lapisan normalisasi rms. max_position_embeddings (`int`, *opsional*, defaultnya `131072`) : Panjang maksimum urutan yang mungkin akan digunakan dengan model ini. attention_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention. attention_dropout (`float`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian. rope_parameters (`dict`, *opsional*) : Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus ini harus berisi nilai untuk `rope_theta` dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan `max_position_embeddings` yang lebih panjang. pooling_kernel_size (`int`, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. patch_size (`int`, *opsional*, defaultnya `16`) : Ukuran (resolusi) dari setiap patch. position_embedding_size (`int`, defaultnya 10240) : Jumlah maksimum position embeddings untuk vision encoder. Mengontrol ukuran tabel position embedding 2D yang dipelajari dan digunakan oleh patch embedder. use_clipped_linears (`bool`, defaultnya `False`) : Apakah akan menggunakan linear layer dengan pembatasan bobot. Saat diaktifkan, bobot linear layer akan dibatasi ke rentang tetap selama forward pass untuk meningkatkan stabilitas numerik. standardize (`bool`, defaultnya `False`) : Jika true, menerapkan bias dan skala ke token lunak yang dikembalikan dari pooler. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari Gemma4Model. Kelas ini digunakan untuk membuat instans model Gemma4 sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [google/gemma-4-e2b-it](https://huggingface.co/google/gemma-4-e2b-it) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. ## Gemma4TextConfig[[transformers.Gemma4TextConfig]] #### transformers.Gemma4TextConfig[[transformers.Gemma4TextConfig]] ```python transformers.Gemma4TextConfig(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 = 262144, hidden_size: int = 2304, intermediate_size: int = 9216, num_hidden_layers: int = 30, num_attention_heads: int = 8, num_key_value_heads: int = 4, head_dim: int = 256, hidden_activation: str = 'gelu_pytorch_tanh', max_position_embeddings: int = 131072, initializer_range: float = 0.02, rms_norm_eps: float = 1e-06, use_cache: bool = True, pad_token_id: int | None = 0, eos_token_id: int | list[int] | None = 1, bos_token_id: int | None = 2, tie_word_embeddings: bool = True, rope_parameters: dict | None = None, attention_bias: bool = False, attention_dropout: int | float | None = 0.0, sliding_window: int = 512, layer_types: list[str] | None = None, final_logit_softcapping: float | None = None, use_bidirectional_attention: typing.Optional[typing.Literal['all', 'vision']] = None, vocab_size_per_layer_input: int = 262144, hidden_size_per_layer_input: int = 256, attention_k_eq_v: bool = False, num_kv_shared_layers: int = 0, enable_moe_block: bool = False, use_double_wide_mlp: bool = False, num_experts: int | None = None, top_k_experts: int | None = None, moe_intermediate_size: int | None = None) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/configuration_gemma4.py#L87) **Parameter:** vocab_size (`int`, *opsional*, defaultnya `262144`) : Ukuran kosakata model. Menentukan jumlah token berbeda yang dapat direpresentasikan oleh `input_ids`. hidden_size (`int`, *opsional*, defaultnya `2304`) : Dimensi dari representasi tersembunyi. intermediate_size (`int`, *opsional*, defaultnya `9216`) : Dimensi dari representasi MLP. num_hidden_layers (`int`, *opsional*, defaultnya `30`) : Jumlah lapisan tersembunyi dalam decoder Transformer. num_attention_heads (`int`, *opsional*, defaultnya `8`) : Jumlah kepala perhatian untuk setiap lapisan perhatian dalam decoder Transformer. num_key_value_heads (`int`, *opsional*, defaultnya `4`) : Ini adalah jumlah key_value heads yang harus digunakan untuk mengimplementasikan Grouped Query Attention. Jika `num_key_value_heads=num_attention_heads`, model akan menggunakan Multi Head Attention (MHA), jika `num_key_value_heads=1` model akan menggunakan Multi Query Attention (MQA), selain itu GQA yang digunakan. Saat mengonversi checkpoint multi-head menjadi checkpoint GQA, setiap group key dan value head harus dibangun dengan meanpooling semua head asli di dalam grup tersebut. Untuk detail lebih lanjut, lihat [paper ini](https://huggingface.co/papers/2305.13245). Jika tidak ditentukan, akan default ke `num_attention_heads`. head_dim (`int`, *opsional*, defaultnya `256`) : Dimensi kepala perhatian. Jika None, nilainya akan menjadi hidden_size // num_attention_heads hidden_activation (`str`, *opsional*, defaultnya `gelu_pytorch_tanh`) : Fungsi aktivasi non-linear (fungsi atau string) di decoder. Misalnya, `"gelu"`, `"relu"`, `"silu"`, dan sebagainya. max_position_embeddings (`int`, *opsional*, defaultnya `131072`) : Panjang maksimum urutan yang mungkin akan digunakan dengan model ini. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. rms_norm_eps (`float`, *opsional*, defaultnya `1e-06`) : Epsilon yang digunakan oleh lapisan normalisasi rms. use_cache (`bool`, *opsional*, defaultnya `True`) : Apakah model harus mengembalikan perhatian kunci/nilai terakhir (tidak digunakan oleh semua model). Hanya relevan jika `config.is_decoder=True` atau ketika model adalah model generatif yang hanya decoder. pad_token_id (`int`, *opsional*, defaultnya `0`) : ID token yang digunakan untuk padding dalam kosakata. eos_token_id (`Union[int, list[int]]`, *opsional*, defaultnya `1`) : Token id yang digunakan untuk end-of-stream dalam kosakata. bos_token_id (`int`, *opsional*, defaultnya `2`) : Token id yang digunakan untuk awal-stream dalam kosakata. tie_word_embeddings (`bool`, *opsional*, defaultnya `True`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model. rope_parameters (`dict`, *opsional*) : Kamus yang berisi parameter konfigurasi untuk embedding RoPE. Kamus ini harus berisi nilai untuk `rope_theta` dan secara opsional parameter yang digunakan untuk penskalaan jika Anda ingin menggunakan RoPE dengan `max_position_embeddings` yang lebih panjang. attention_bias (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan bias pada lapisan proyeksi query, key, value, dan output selama self-attention. attention_dropout (`Union[int, float]`, *opsional*, defaultnya `0.0`) : Rasio dropout untuk probabilitas perhatian. sliding_window (`int`, *opsional*, defaultnya `512`) : Ukuran jendela untuk sliding window attention. Jika `None`, sliding window tidak diterapkan. layer_types (`list[str]`, *opsional*) : Daftar yang secara eksplisit memetakan setiap indeks lapisan dengan tipe lapisannya. Jika tidak disediakan, daftar ini akan dibuat secara otomatis berdasarkan nilai konfigurasi. final_logit_softcapping (`float`, *opsional*) : Nilai soft-capping yang diterapkan pada logits akhir sebelum menghitung distribusi probabilitas. Logits diskalakan dengan `tanh(logit / cap) * cap`. use_bidirectional_attention (`str`, *opsional*) : Mengontrol perilaku perhatian bidireksional. Ketika diatur ke `"vision"`, token visual memperhatikan secara bidireksional sementara token teks menggunakan perhatian kausal. Ketika diatur ke `"all"`, semua token menggunakan perhatian bidireksional. vocab_size_per_layer_input (`int`, defaultnya 262144) : Ukuran kosakata untuk input embeddings per-lapisan (PLE). Digunakan oleh model dengan residual streams per-lapisan di mana embedding yang lebih kecil ditambahkan di setiap lapisan decoder. hidden_size_per_layer_input (`int`, default 256) : Dimensi tersembunyi per lapisan untuk sistem PLE. Bobot embedding aktual memiliki bentuk `[vocab_size_per_layer_input, num_hidden_layers * hidden_size_per_layer_input]` karena semua lapisan dikemas ke dalam satu tabel. Lihat dokumentasi [Gemma4](https://huggingface.co/docs/transformers/main/en/model_doc/gemma4#per-layer-embeddings-ple) untuk deskripsi pipeline PLE lengkap. attention_k_eq_v (`bool`, defaultnya `False`) : Apakah kunci dan nilai berbagi bobot proyeksi yang sama. Ketika `True`, keluaran proyeksi kunci digunakan kembali sebagai proyeksi nilai. num_kv_shared_layers (`int`, defaultnya 0) : Jumlah lapisan decoder berurutan yang berbagi proyeksi key-value yang sama. Nilai 0 berarti tidak ada berbagi (setiap lapisan memiliki proyeksi KV independen). enable_moe_block (`bool`, defaultnya `False`) : Apakah akan mengaktifkan blok Mixture-of-Experts (MoE) pada lapisan decoder. Ketika `True`, lapisan yang memenuhi syarat akan menggunakan jaringan feed-forward MoE yang sparse. use_double_wide_mlp (`bool`, defaultnya `False`) : Apakah akan menggunakan MLP dengan lebar ganda yang memiliki proyeksi gate dan up yang digabungkan. num_experts (`int`, *opsional*) : Jumlah pakar yang dirutekan di lapisan MoE. top_k_experts (`int`, *opsional*) : Jumlah pakar yang diaktifkan per token di lapisan MoE. Hanya digunakan ketika `enable_moe_block=True`. moe_intermediate_size (`int`, *opsional*) : Ukuran (tersembunyi) antara dari jaringan feed-forward masing-masing ahli di lapisan MoE. Hanya digunakan ketika `enable_moe_block=True`. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari Gemma4Model. Kelas ini digunakan untuk membuat instans model Gemma4 sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [google/gemma-4-e2b-it](https://huggingface.co/google/gemma-4-e2b-it) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. ## Gemma4Config[[transformers.Gemma4Config]] #### transformers.Gemma4Config[[transformers.Gemma4Config]] ```python transformers.Gemma4Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: transformers.models.gemma4.configuration_gemma4.Gemma4TextConfig | dict[str, typing.Any] | None = None, vision_config: transformers.models.gemma4.configuration_gemma4.Gemma4VisionConfig | dict[str, typing.Any] | None = None, audio_config: transformers.models.gemma4.configuration_gemma4.Gemma4AudioConfig | dict[str, typing.Any] | None = None, boi_token_id: int | None = 255999, eoi_token_id: int | None = 258882, image_token_id: int | None = 258880, video_token_id: int | None = 258884, boa_token_id: int | None = 256000, eoa_token_index: int | None = 258883, audio_token_id: int | None = 258881, initializer_range: float | None = 0.02, tie_word_embeddings: bool = True) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/configuration_gemma4.py#L323) **Parameter:** text_config (`Union[~models.gemma4.configuration_gemma4.Gemma4TextConfig, dict[str, Any]]`, *opsional*) : Objek config atau dictionary dari text backbone. vision_config (`Union[~models.gemma4.configuration_gemma4.Gemma4VisionConfig, dict[str, Any]]`, *opsional*) : Objek config atau dictionary dari vision backbone. audio_config (`Union[~models.gemma4.configuration_gemma4.Gemma4AudioConfig, dict[str, Any]]`, *opsional*) : Objek config atau dictionary dari audio backbone. boi_token_id (`int`, *opsional*, defaultnya 255999) : Indeks token awal gambar untuk membungkus prompt gambar. eoi_token_id (`int`, *opsional*, defaultnya 258882) : Indeks token akhir gambar untuk membungkus prompt gambar. image_token_id (`int`, *opsional*, defaultnya `258880`) : Indeks token gambar yang digunakan sebagai placeholder untuk gambar input. video_token_id (`int`, *opsional*, defaultnya `258884`) : Indeks token video yang digunakan sebagai placeholder untuk video input. boa_token_id (`int`, *opsional*, default 256000) : Indeks token awal audio untuk membungkus prompt audio. eoa_token_index (`int`, *opsional*, defaultnya 258883) : Indeks token akhir audio untuk membungkus prompt audio. audio_token_id (`int`, *opsional*, defaultnya `258881`) : Indeks token audio yang digunakan sebagai placeholder untuk audio input. initializer_range (`float`, *opsional*, defaultnya `0.02`) : Deviasi standar dari truncated_normal_initializer untuk menginisialisasi semua matriks bobot. tie_word_embeddings (`bool`, *opsional*, defaultnya `True`) : Apakah mengikat embedding bobot sesuai dengan pemetaan `tied_weights_keys` model. Ini adalah kelas konfigurasi untuk menyimpan konfigurasi dari Gemma4Model. Kelas ini digunakan untuk membuat instans model Gemma4 sesuai dengan argumen yang ditentukan, yang mendefinisikan arsitektur model. Membuat instans konfigurasi dengan nilai bawaan akan menghasilkan konfigurasi yang serupa dengan konfigurasi dari [google/gemma-4-e2b-it](https://huggingface.co/google/gemma-4-e2b-it) Objek konfigurasi mewarisi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) dan dapat digunakan untuk mengontrol keluaran model. Baca dokumentasi dari [PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig) untuk informasi lebih lanjut. Contoh: ```python >>> from transformers import ( >>> Gemma4AudioConfig, >>> Gemma4Config, >>> Gemma4ForConditionalGeneration, >>> Gemma4TextConfig, >>> Gemma4VisionConfig, >>> ) >>> # Initializing a Gemma 4 Audio config. >>> audio_config = Gemma4AudioConfig() >>> # Initializing a Gemma 4 Text config. >>> text_config = Gemma4TextConfig() >>> # Initializing a Gemma 4 vision config. >>> vision_config = Gemma4VisionConfig() >>> # Initializing a Gemma 4 config similar to google/gemma-4-e2b-it >>> configuration = Gemma4Config(text_config, vision_config, audio_config) >>> # Initializing a model from the google/gemma-4-e2b-it configuration >>> model = Gemma4ForConditionalGeneration(configuration) >>> # Accessing the model configuration >>> configuration = model.config ``` ## Gemma4AudioFeatureExtractor[[transformers.Gemma4AudioFeatureExtractor]] #### transformers.Gemma4AudioFeatureExtractor[[transformers.Gemma4AudioFeatureExtractor]] ```python transformers.Gemma4AudioFeatureExtractor(feature_size: int = 128, sampling_rate: int = 16000, padding_value: float = 0.0, return_attention_mask: bool = True, frame_length_ms: float = 20.0, hop_length_ms: float = 10.0, min_frequency: float = 0.0, max_frequency: float = 8000.0, preemphasis: float = 0.0, preemphasis_htk_flavor: bool = True, fft_overdrive: bool = False, dither: float = 0.0, input_scale_factor: float = 1.0, mel_floor: float = 0.001, per_bin_mean: collections.abc.Sequence[float] | None = None, per_bin_stddev: collections.abc.Sequence[float] | None = None, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/feature_extraction_gemma4.py#L49) **Parameter:** feature_size (`int`, *opsional*, default 128) : Dimensi fitur dari fitur yang diekstrak. sampling_rate (`int`, *opsional*, default 16000) : Laju sampling di mana file audio harus didigitalisasi, dinyatakan dalam hertz (Hz). padding_value (`float`, *opsional*, default 0.0) : Nilai padding yang digunakan untuk mem-padded audio. Seharusnya sesuai dengan keheningan. return_attention_mask (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan attention mask untuk spekrogram MEL yang dihasilkan. frame_length_ms (`float`, *opsional*, default 20.0) : Panjang satu frame dalam milidetik. hop_length_ms (`float`, *opsional*, default 10.0) : Panjang jendela yang tumpang tindih untuk STFT yang digunakan untuk memperoleh koefisien Frekuensi Mel. min_frequency (`float`, *opsional*, default 0.0) : Frekuensi minimum (dalam Hz) untuk Mel filterbank. max_frequency (`float`, *opsional*, default 8000.0) : Frekuensi maksimum (dalam Hz) untuk Mel filterbank. preemphasis (`float`, *opsional*, default 0.0) : Koefisien preemphasis. preemphasis_htk_flavor (`bool`, *opsional*, defaultnya `True`) : Apakah akan menggunakan preemphasis bergaya HTK. fft_overdrive (`bool`, *opsional*, defaultnya `False`) : Apakah akan menggunakan FFT overdrive. dither (`float`, *opsional*, default 0.0) : Menambahkan dithering. Dengan kata lain, menambahkan noise Gaussian kecil ke setiap frame. Misalnya, gunakan 0.0001 untuk menambahkan dithering dengan distribusi normal yang berpusat di 0.0 dengan deviasi standar 0.0001 (mengasumsikan rentang [-1,+1] dari raw_speech). Nilai 0.0 berarti tidak ada dithering. Dithering memiliki efek serupa dengan `spectrogram(mel_floor=...)`. Ini mengurangi nilai log_mel_fbank yang tinggi untuk sinyal dengan bagian hard-zero, ketika cutoff VAD hadir dalam sinyal. input_scale_factor (`float`, *opsional*, default 1.0) : Faktor penskalaan yang diterapkan pada gelombang input. mel_floor (`float`, *opsional*, default 0.001) : Nilai minimum untuk spektrogram Mel untuk menghindari log(0). per_bin_mean (`Optional[Sequence[float]]`, *opsional*) : Nilai rata-rata untuk normalisasi per-bin. per_bin_stddev (`Optional[Sequence[float]]`, *opsional*) : Nilai standar deviasi untuk normalisasi per-bin. Ekstraktor fitur audio Universal Speech Models https://huggingface.co/papers/2303.01037. #### __call__[[transformers.Gemma4AudioFeatureExtractor.__call__]] ```python __call__(raw_speech: numpy.ndarray | list[float] | list[numpy.ndarray] | list[list[float]], padding: bool | str | transformers.utils.generic.PaddingStrategy = 'longest', max_length: int | None = 480000, truncation: bool = True, pad_to_multiple_of: int | None = 128, return_tensors: str | transformers.utils.generic.TensorType | None = None, return_attention_mask: bool | None = True, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/feature_extraction_gemma4.py#L226) **Parameter:** raw_speech : Audio yang digunakan untuk membuat spektrogram MEL. padding (`Union[bool, str, PaddingStrategy]`, *opsional*, defaultnya `"longest"`) : Strategi padding yang digunakan untuk batch audio dengan panjang berbeda. max_length (`int`, *opsional*, default 480000) : Jika diberikan, mendefinisikan panjang maksimum audio yang diizinkan. Audio yang lebih panjang dari ini akan dipangkas jika `truncation=True`. truncation (`bool`, *opsional*, defaultnya `True`) : Apakah akan memotong audio di atas `max_length` atau tidak. pad_to_multiple_of (`int`, *opsional*, default 128) : Saat melakukan padding, pad hingga kelipatan dari nilai ini. Nilai default didefinisikan untuk dukungan TPU yang optimal. return_tensors (`Union[str, TensorType]`, *opsional*, defaultnya `None`) : Jenis tensor yang akan dikembalikan (misalnya, NumPy, atau Torch). return_attention_mask (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan attention mask untuk spekrogram MEL yang dihasilkan. Membuat batch spekrogram MEL dari ucapan mentah yang diberikan. Implementasi ini menggunakan algoritma yang berbeda untuk windowing dan preemphasis dibandingkan dengan fungsi bawaan `transformers.audio_utils.spectrogram()` yang _akan_ menghasilkan output yang berbeda. Pertimbangkan hal ini dengan cermat saat memilih audio feature extractor, terutama dengan model pre-trained. ## Gemma4ImageProcessorPil[[transformers.Gemma4ImageProcessorPil]] #### transformers.Gemma4ImageProcessorPil[[transformers.Gemma4ImageProcessorPil]] ```python transformers.Gemma4ImageProcessorPil(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/image_processing_pil_gemma4.py#L137) **Parameter:** do_convert_rgb (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, defaultnya `3`) : Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum `PILImageResampling`. Hanya berdampak jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*, defaultnya `0.00392156862745098`) : Faktor rescale untuk melakukan rescale pada gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*, defaultnya `False`) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[0.0, 0.0, 0.0]`) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[1.0, 1.0, 1.0]`) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran dalam `{"height": int, "width" int}` untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang diberikan untuk pra-pemrosesan. Jika `pad_size` tidak diberikan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika `do_pad=True.` do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. disable_grouping (`bool`, *kwargs*, *opsional*) : Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan tidak dalam batch. Jika None, akan diset ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *opsional*) : Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini sebaiknya diatur sebagai atribut prosesor pada model-model mendatang. patch_size (`int`, *kwargs*, *opsional*) : Ukuran setiap patch gambar dalam piksel. max_soft_tokens (`int`, *kwargs*, *opsional*) : Jumlah maksimum token lunak (visi) per gambar. Harus salah satu dari {70, 140, 280, 560, 1120}. pooling_kernel_size (`int`, *kwargs*, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. Membangun pemroses gambar Gemma4. #### preprocess[[transformers.Gemma4ImageProcessorPil.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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/image_processing_pil_gemma4.py#L167) **Parameter:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : Gambar yang akan dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan gambar dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. do_convert_rgb (`bool`, *kwargs*, *opsional*) : Apakah akan mengkonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Filter resampling yang digunakan saat mengubah ukuran gambar. Nilai ini dapat berupa salah satu enum `PILImageResampling`. Hanya berpengaruh jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*) : Faktor penskalaan ulang untuk menskalakan ulang gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran dalam `{"height": int, "width" int}` untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang diberikan untuk pra-pemrosesan. Jika `pad_size` tidak diberikan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika `do_pad=True.` do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. disable_grouping (`bool`, *kwargs*, *opsional*) : Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan tidak dalam batch. Jika None, akan diset ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *opsional*) : Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini sebaiknya diatur sebagai atribut prosesor pada model-model mendatang. patch_size (`int`, *kwargs*, *opsional*) : Ukuran setiap patch gambar dalam piksel. max_soft_tokens (`int`, *kwargs*, *opsional*) : Jumlah maksimum token lunak (visi) per gambar. Harus salah satu dari {70, 140, 280, 560, 1120}. pooling_kernel_size (`int`, *kwargs*, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. **Mengembalikan:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- Dictionary berisi list/array/tensor yang dikembalikan oleh metode __call__ ('pixel_values', dll.). - **tensor_type** (`Union[None, str, TensorType]`, *opsional*) -- Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi. ## Gemma4ImageProcessor[[transformers.Gemma4ImageProcessor]] #### transformers.Gemma4ImageProcessor[[transformers.Gemma4ImageProcessor]] ```python transformers.Gemma4ImageProcessor(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/image_processing_gemma4.py#L136) **Parameter:** do_convert_rgb (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, defaultnya `None`) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, defaultnya `3`) : Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum `PILImageResampling`. Hanya berdampak jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*, defaultnya `0.00392156862745098`) : Faktor rescale untuk melakukan rescale pada gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*, defaultnya `False`) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[0.0, 0.0, 0.0]`) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[1.0, 1.0, 1.0]`) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. pad_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran dalam `{"height": int, "width" int}` untuk melakukan padding pada gambar. Harus lebih besar dari ukuran gambar mana pun yang diberikan untuk pra-pemrosesan. Jika `pad_size` tidak diberikan, gambar akan di-pad hingga tinggi dan lebar terbesar dalam batch. Diterapkan hanya ketika `do_pad=True.` do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. disable_grouping (`bool`, *kwargs*, *opsional*) : Apakah akan menonaktifkan pengelompokan gambar berdasarkan ukuran untuk memprosesnya secara individual dan tidak dalam batch. Jika None, akan diset ke True jika gambar berada di CPU, dan False selain itu. Pilihan ini didasarkan pada pengamatan empiris, seperti yang dijelaskan di sini: https://github.com/huggingface/transformers/pull/38157 image_seq_length (`int`, *kwargs*, *opsional*) : Jumlah token gambar yang akan digunakan untuk setiap gambar dalam input. Ditambahkan untuk kompatibilitas mundur, tetapi ini sebaiknya diatur sebagai atribut prosesor pada model-model mendatang. patch_size (`int`, *kwargs*, *opsional*) : Ukuran setiap patch gambar dalam piksel. max_soft_tokens (`int`, *kwargs*, *opsional*) : Jumlah maksimum token lunak (visi) per gambar. Harus salah satu dari {70, 140, 280, 560, 1120}. pooling_kernel_size (`int`, *kwargs*, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. Membangun pemroses gambar Gemma4. #### preprocess[[transformers.Gemma4ImageProcessor.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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/image_processing_gemma4.py#L193) ## Gemma4VideoProcessor[[transformers.Gemma4VideoProcessor]] #### transformers.Gemma4VideoProcessor[[transformers.Gemma4VideoProcessor]] ```python transformers.Gemma4VideoProcessor(**kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/video_processing_gemma4.py#L155) **Parameter:** do_convert_rgb (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*, defaultnya `None`) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*, defaultnya `3`) : Filter resampling yang digunakan jika mengubah ukuran gambar. Ini bisa berupa salah satu enum `PILImageResampling`. Hanya berdampak jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*, defaultnya `0.00392156862745098`) : Faktor rescale untuk melakukan rescale pada gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[0.0, 0.0, 0.0]`) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*, defaultnya `[1.0, 1.0, 1.0]`) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. do_sample_frames (`bool`, *kwargs*, *opsional*, defaultnya `True`) : Apakah akan mengambil sampel frame dari video sebelum diproses atau memproses seluruh video. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Metadata dari video yang berisi informasi tentang durasi total, fps, dan jumlah total frame. Metadata ini akan digunakan untuk mengambil sampel frame dari video atau menghitung timestamp. Jangan mengirim metadata apa pun kecuali Anda mencoba mendekode video secara manual sebelum diproses fps (`Annotated[int | float | None, None]`, *kwargs*) : Bingkai target yang akan disampel per detik saat `do_sample_frames=True`. num_frames (`Annotated[int | None, None]`, *kwargs*, defaultnya `32`) : Jumlah maksimum frame yang akan disampelkan saat `do_sample_frames=True`. return_metadata (`bool`, *kwargs*, *opsional*, defaultnya `False`) : Apakah akan mengembalikan metadata video atau tidak. Metadata video adalah objek yang berisi informasi tentang durasi video, fps, backend decoding, dll. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Jika diatur, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah: - `'pt'`: Mengembalikan objek PyTorch `torch.Tensor`. - `'np'`: Mengembalikan objek NumPy `np.ndarray`. patch_size (`int`, *kwargs*, *opsional*) : Ukuran setiap patch gambar dalam piksel. max_soft_tokens (`int`, *kwargs*, *opsional*) : Jumlah maksimum token lunak (visi) per bingkai video. Harus salah satu dari {70, 140, 280, 560, 1120}. pooling_kernel_size (`int`, *kwargs*, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/id/main_classes/processors#transformers.ProcessingKwargs), *opsional*) : Opsi pemrosesan tambahan untuk setiap modalitas (teks, gambar, video, audio). Parameter spesifik model tercantum di atas; lihat kelas TypedDict untuk daftar lengkap argumen yang didukung. Membangun pemroses video Gemma4VideoProcessor. #### preprocess[[transformers.Gemma4VideoProcessor.preprocess]] ```python preprocess(videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]], **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/video_processing_gemma4.py#L214) **Parameter:** videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`) : Video yang akan dipreprocess. Mengharapkan satu video atau batch video dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan video dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. do_convert_rgb (`bool`, *kwargs*, *opsional*) : Apakah akan mengkonversi gambar ke RGB. do_resize (`bool`, *kwargs*, *opsional*) : Apakah akan mengubah ukuran gambar. size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Menjelaskan dimensi input maksimum ke model. default_to_square (`bool`, *kwargs*, *opsional*) : Apakah secara default menggunakan gambar persegi saat mengubah ukuran, jika size berupa int. resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : Filter resampling yang digunakan saat mengubah ukuran gambar. Nilai ini dapat berupa salah satu enum `PILImageResampling`. Hanya berpengaruh jika `do_resize` diatur ke `True`. do_rescale (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan penskalaan ulang pada gambar. rescale_factor (`float`, *kwargs*, *opsional*) : Faktor penskalaan ulang untuk menskalakan ulang gambar jika `do_rescale` diatur ke `True`. do_normalize (`bool`, *kwargs*, *opsional*) : Apakah akan menormalisasi gambar. image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*) : Rata-rata gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *opsional*) : Standar deviasi gambar yang digunakan untuk normalisasi. Hanya berpengaruh jika `do_normalize` diatur ke `True`. do_center_crop (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan center crop pada gambar. do_pad (`bool`, *kwargs*, *opsional*) : Apakah akan melakukan padding pada gambar. Padding dilakukan hingga ukuran terbesar dalam batch atau hingga ukuran persegi tetap per gambar. Strategi padding yang tepat bergantung pada model. crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : Ukuran gambar keluaran setelah menerapkan `center_crop`. data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Hanya `ChannelDimension.FIRST` yang didukung. Ditambahkan untuk kompatibilitas dengan prosesor lambat. input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *opsional*) : Format dimensi channel untuk gambar input. Jika tidak disetel, format dimensi channel akan disimpulkan dari gambar input. Bisa berupa salah satu dari: - `"channels_first"` atau `ChannelDimension.FIRST`: gambar dalam format (num_channels, height, width). - `"channels_last"` atau `ChannelDimension.LAST`: gambar dalam format (height, width, num_channels). - `"none"` atau `ChannelDimension.NONE`: gambar dalam format (height, width). device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : Perangkat untuk memproses video. Jika tidak disetel, perangkat akan disimpulkan dari video input. do_sample_frames (`bool`, *kwargs*, *opsional*) : Apakah akan mengambil sampel frame dari video sebelum diproses atau memproses seluruh video. video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : Metadata dari video yang berisi informasi tentang durasi total, fps, dan jumlah total frame. Metadata ini akan digunakan untuk mengambil sampel frame dari video atau menghitung timestamp. Jangan mengirim metadata apa pun kecuali Anda mencoba mendekode video secara manual sebelum diproses fps (`Annotated[int | float | None, None]`, *kwargs*) : Bingkai target yang akan disampel per detik saat `do_sample_frames=True`. num_frames (`Annotated[int | None, None]`, *kwargs*) : Jumlah maksimum frame yang akan disampelkan saat `do_sample_frames=True`. return_metadata (`bool`, *kwargs*, *opsional*) : Apakah akan mengembalikan metadata video atau tidak. Metadata video adalah objek yang berisi informasi tentang durasi video, fps, backend decoding, dll. return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : Mengembalikan tensor yang ditumpuk jika disetel ke `'pt'`, selain itu mengembalikan daftar tensor. patch_size (`int`, *kwargs*, *opsional*) : Ukuran setiap patch gambar dalam piksel. max_soft_tokens (`int`, *kwargs*, *opsional*) : Jumlah maksimum token lunak (visi) per bingkai video. Harus salah satu dari {70, 140, 280, 560, 1120}. pooling_kernel_size (`int`, *kwargs*, *opsional*) : Ukuran kernel pooling spasial yang diterapkan setelah patchification. **Mengembalikan:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- Dictionary berisi list/array/tensor yang dikembalikan oleh metode __call__ ('pixel_values', dll.). - **tensor_type** (`Union[None, str, TensorType]`, *opsional*) -- Anda dapat memberikan tensor_type di sini untuk mengonversi daftar bilangan bulat menjadi Tensor PyTorch/Numpy saat inisialisasi. ## Gemma4Processor[[transformers.Gemma4Processor]] #### transformers.Gemma4Processor[[transformers.Gemma4Processor]] ```python transformers.Gemma4Processor(feature_extractor, image_processor, tokenizer, video_processor, chat_template = None, image_seq_length: int = 280, audio_seq_length: int = 750, audio_ms_per_token: int = 40, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/processing_gemma4.py#L100) **Parameter:** feature_extractor (*Gemma4AudioFeatureExtractor*) : Ekstraktor fitur adalah input yang wajib. image_processor (*Gemma4ImageProcessor*) : Pemroses gambar adalah input yang wajib. tokenizer (*tokenizer_class*) : Tokenizer adalah input yang wajib. video_processor (*Gemma4VideoProcessor*) : Prosesor video adalah input yang wajib. chat_template (*str*) : Template Jinja untuk mengonversi daftar pesan dalam chat menjadi string yang dapat ditokenisasi. image_seq_length (*int*, *optional*, defaultnya 280) : Jumlah soft token per gambar yang digunakan untuk ekspansi placeholder. audio_seq_length (*int*, *optional*, defaultnya 750) : Jumlah maksimum token audio lunak per segmen audio. Berfungsi sebagai batas atas ketika jumlah token audio dinamis dihitung. audio_ms_per_token (*int*, *opsional*, default 40) : Milidetik audio per token lunak output. Digunakan untuk menghitung secara dinamis jumlah token placeholder audio sebagai `ceil(duration_ms / audio_ms_per_token)`. Nilai default 40 berasal dari reduksi waktu 4× pada convolution SSCP untuk frame 10ms. Membangun Gemma4Processor yang membungkus feature extractor, image processor, tokenizer, dan video processor menjadi satu processor. [*Gemma4Processor*] menyediakan semua fungsionalitas dari [*Gemma4AudioFeatureExtractor*], [*Gemma4ImageProcessor*], [*tokenizer_class*], dan [*Gemma4VideoProcessor*]. Lihat [*~Gemma4AudioFeatureExtractor*], [*~Gemma4ImageProcessor*], [*~tokenizer_class*], dan [*~Gemma4VideoProcessor*] untuk informasi lebih lanjut. #### __call__[[transformers.Gemma4Processor.__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: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/processing_utils.py#L659) **Parameter:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *opsional*) : Gambar untuk dipreprocess. Mengharapkan satu gambar atau batch gambar dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan gambar dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. text (`Union[str, list[str], list[list[str]]]`, *opsional*) : Urutan atau batch dari urutan yang akan dienkod. Setiap urutan dapat berupa string atau daftar string (string yang sudah dipretokenisasi). Jika Anda memasukkan input yang sudah dipretokenisasi, setel `is_split_into_words=True` untuk menghindari ambiguitas dengan input yang di-batch. 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]]]`, *opsional*) : Video yang akan dipreprocess. Mengharapkan satu video atau batch video dengan nilai piksel berkisar dari 0 hingga 255. Jika memasukkan video dengan nilai piksel antara 0 dan 1, atur `do_rescale=False`. audio (`Union[numpy.ndarray, torch.Tensor, collections.abc.Sequence[numpy.ndarray], collections.abc.Sequence[torch.Tensor]]`, *opsional*) : Audio atau batch audio yang akan disiapkan. Setiap audio dapat berupa array NumPy atau tensor PyTorch. Jika berupa array NumPy/tensor PyTorch, setiap audio harus memiliki bentuk (C, T), di mana C adalah jumlah channel, dan T adalah panjang sampel audio. return_tensors (`str` atau [TensorType](/docs/transformers/main/id/internal/file_utils#transformers.TensorType), *opsional*) : Jika diatur, akan mengembalikan tensor dari framework tertentu. Nilai yang dapat diterima adalah: - `'pt'`: Mengembalikan objek `torch.Tensor` PyTorch. - `'np'`: Mengembalikan objek `np.ndarray` NumPy. - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/id/main_classes/processors#transformers.ProcessingKwargs), *opsional*) : Opsi pemrosesan tambahan untuk setiap modalitas (teks, gambar, video, audio). Parameter spesifik model tercantum di atas; lihat kelas TypedDict untuk daftar lengkap argumen yang didukung. ## Gemma4PreTrainedModel[[transformers.Gemma4PreTrainedModel]] #### transformers.Gemma4PreTrainedModel[[transformers.Gemma4PreTrainedModel]] ```python transformers.Gemma4PreTrainedModel(config: PreTrainedConfig, *inputs, **kwargs) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1443) **Parameter:** config ([PreTrainedConfig](/docs/transformers/main/id/main_classes/configuration#transformers.PreTrainedConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.Gemma4PreTrainedModel.forward]] ```python forward(*args, **kwargs) ``` Nilai mock untuk jalur bertitik (misalnya `torch.float32`): rantai akses atribut, panggilan berperilaku sebagai dekorator pass-through, `repr` adalah jalur bertitik, dan penggunaannya sebagai kelas dasar menggantikan kelas dasar `type` polos (PEP 560 `__mro_entries__`), sehingga subclass asli tetap mempertahankan metaclass normal dan `inspect.signature` membaca `__init__` asli mereka, bukan milik mock. ## Gemma4AudioModel[[transformers.Gemma4AudioModel]] #### transformers.Gemma4AudioModel[[transformers.Gemma4AudioModel]] ```python transformers.Gemma4AudioModel(config: Gemma4AudioConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1958) Encoder audio yang didasarkan pada arsitektur [Universal Speech Model](https://huggingface.co/papers/2303.01037). #### forward[[transformers.Gemma4AudioModel.forward]] ```python forward(input_features: Tensor, attention_mask: typing.Optional[torch.Tensor] = None, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2015) **Parameter:** input_features (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, feature_dim)`) : Tensor yang sesuai dengan fitur audio input. Fitur audio dapat diperoleh menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor). Lihat [Gemma4AudioFeatureExtractor.__call__()](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor) untuk memproses audio). attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) **Mengembalikan:** `tuple[torch.Tensor, torch.BoolTensor]` Mengkodekan fitur audio menjadi token lunak. ## Gemma4VisionModel[[transformers.Gemma4VisionModel]] #### transformers.Gemma4VisionModel[[transformers.Gemma4VisionModel]] ```python transformers.Gemma4VisionModel(config: Gemma4VisionConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2050) Enkoder Visi Gemma 4. #### forward[[transformers.Gemma4VisionModel.forward]] ```python forward(pixel_values: Tensor, pixel_position_ids: LongTensor, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2071) **Parameter:** pixel_values (`torch.Tensor` atau `list[torch.Tensor]`) : Gambar yang akan di-encode. Bisa berupa satu tensor `[batch, channels, height, width]` (semua gambar berukuran sama) atau daftar tensor `[1, channels, height, width]` (ukuran berbeda). pixel_position_ids (`torch.LongTensor` dengan bentuk `(batch_size, max_patches, 2)`) : Posisi patch sebagai koordinat (x, y) dalam gambar. Patch padding ditandai dengan (-1, -1). **Mengembalikan:** [BaseModelOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) atau `tuple(torch.Tensor)` [BaseModelOutputWithPast](/docs/transformers/main/id/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) atau tuple dari `torch.Tensor` (jika `return_dict=False` dilewatkan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) dan input. Mengkodekan piksel gambar menjadi token lunak dari patch. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. Jika `past_key_values` digunakan, hanya hidden-state terakhir dari sekuens dengan bentuk `(batch_size, 1, hidden_size)` yang dioutput. - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention, dan secara opsional jika `config.is_encoder_decoder=True` di blok cross-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. ## Gemma4TextModel[[transformers.Gemma4TextModel]] #### transformers.Gemma4TextModel[[transformers.Gemma4TextModel]] ```python transformers.Gemma4TextModel(config: Gemma4TextConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1544) **Parameter:** config ([Gemma4TextConfig](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4TextConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model bahasa dasar Gemma 4 tanpa kepala pemodelan bahasa. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.Gemma4TextModel.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, per_layer_inputs: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1602) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. per_layer_inputs (`torch.Tensor`, *opsional*) : Embedding teks input per lapisan yang sudah dihitung sebelumnya dengan bentuk `(batch_size, sequence_length, num_hidden_layers, hidden_size_per_layer_input)`. Jika disediakan, embedding ini digunakan langsung alih-alih dihitung dari `input_ids` melalui `get_per_layer_inputs()` di model teks. Jika memanggil `forward` dengan `inputs_embeds` alih-alih `input_ids`, sebaiknya Anda menghitungnya terlebih dahulu dan meneruskannya bersama `inputs_embeds`, karena jika tidak, menghitung ulang embedding tersebut memerlukan pembalikan embedding utama, yang sangat mahal. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan). **Mengembalikan:** `Gemma4TextModelOutputWithPast` atau `tuple(torch.Tensor)` Sebuah `Gemma4TextModelOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) dan input. Metode forward dari [Gemma4TextModel](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4TextModel) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **shared_kv_states** (`KVSharingDict`, *opsional*) -- Kontainer mirip dict yang memetakan string tipe layer ke tuple tensor (key_states, value_states). Digunakan untuk meneruskan state KV bersama antar layer selama KV sharing. - **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_router_logits=True` diberikan) -- Tuple dari `torch.Tensor` (satu untuk setiap lapisan MoE) dengan bentuk `(batch_size * sequence_length, num_experts)`. ## Gemma4ForCausalLM[[transformers.Gemma4ForCausalLM]] #### transformers.Gemma4ForCausalLM[[transformers.Gemma4ForCausalLM]] ```python transformers.Gemma4ForCausalLM(config: Gemma4TextConfig) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1848) **Parameter:** config ([Gemma4TextConfig](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4TextConfig)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model bahasa dasar Gemma 4 dengan kepala pemodelan bahasa. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.Gemma4ForCausalLM.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, per_layer_inputs: typing.Optional[torch.Tensor] = None, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L1865) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. labels (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Label untuk menghitung kerugian pemodelan bahasa yang disamarkan. Indeks harus berada di `[0, ..., config.vocab_size]` atau -100 (lihat docstring `input_ids`). Token dengan indeks yang disetel ke `-100` diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label di `[0, ..., config.vocab_size]`. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan). per_layer_inputs (`torch.Tensor`, *opsional*) : Embedding teks input per lapisan yang sudah dihitung sebelumnya dengan bentuk `(batch_size, sequence_length, num_hidden_layers, hidden_size_per_layer_input)`. Jika disediakan, embedding ini digunakan langsung alih-alih dihitung dari `input_ids` melalui `get_per_layer_inputs()` di model teks. Jika memanggil `forward` dengan `inputs_embeds` alih-alih `input_ids`, sebaiknya Anda menghitungnya terlebih dahulu dan meneruskannya bersama `inputs_embeds`, karena jika tidak, menghitung ulang embedding tersebut memerlukan pembalikan embedding utama, yang sangat mahal. **Mengembalikan:** `Gemma4CausalLMOutputWithPast` atau `tuple(torch.Tensor)` Sebuah `Gemma4CausalLMOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) dan input. Metode forward dari [Gemma4ForCausalLM](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ForCausalLM) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **loss** (`torch.Tensor` dengan bentuk `(1,)`, *opsional*, dikembalikan saat `labels` disediakan) -- Loss pemodelan bahasa (untuk prediksi token berikutnya). - **logits** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, config.text_config.vocab_size)`) -- Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax). - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_hidden_states=True` dilewatkan atau ketika `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **image_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states dari model yang dihasilkan oleh vision encoder setelah memproyeksikan last hidden state. - **audio_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. audio_hidden_states dari model yang dihasilkan oleh audio encoder dan setelah memproyeksikan hidden state terakhir. - **shared_kv_states** (`KVSharingDict`, *opsional*) -- Kontainer mirip dict yang memetakan string tipe layer ke tuple tensor (key_states, value_states). Digunakan untuk meneruskan state KV bersama antar layer selama KV sharing. - **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_router_logits=True` diberikan) -- Tuple dari `torch.Tensor` (satu untuk setiap lapisan MoE) dengan bentuk `(batch_size * sequence_length, num_experts)`. Contoh: ```python >>> from transformers import AutoTokenizer, Gemma4ForCausalLM >>> model = Gemma4ForCausalLM.from_pretrained("google/gemma-4-E2B-it") >>> tokenizer = AutoTokenizer.from_pretrained("google/gemma-4-E2B-it") >>> prompt = "What is your favorite condiment?" >>> inputs = tokenizer(prompt, return_tensors="pt") >>> # Generate >>> generate_ids = model.generate(inputs.input_ids, max_length=30) >>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0] "What is your favorite condiment?" ``` ## Gemma4Model[[transformers.Gemma4Model]] #### transformers.Gemma4Model[[transformers.Gemma4Model]] ```python transformers.Gemma4Model(config: Gemma4Config) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2226) **Parameter:** config ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model dasar Gemma 4 yang terdiri dari tulang punggung visual, tulang punggung audio, dan model bahasa tanpa kepala pemodelan bahasa. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.Gemma4Model.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, input_features: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, mm_token_type_ids: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, use_cache: bool | None = None, image_position_ids: typing.Optional[torch.LongTensor] = None, video_position_ids: typing.Optional[torch.LongTensor] = None, num_frames_per_video: typing.Optional[torch.LongTensor] = None, per_layer_inputs: typing.Optional[torch.Tensor] = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2321) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) pixel_values (`torch.Tensor` dengan bentuk `(batch_size, num_channels, image_size, image_size)`, *opsional*) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [Gemma4ImageProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ImageProcessor). Lihat [Gemma4ImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4ImageProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ImageProcessor) untuk memproses gambar). pixel_values_videos (`torch.Tensor` dengan bentuk `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *opsional*) : Tensor yang sesuai dengan video input. Nilai piksel untuk video dapat diperoleh menggunakan [Gemma4VideoProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4VideoProcessor). Lihat [Gemma4VideoProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4VideoProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4VideoProcessor) untuk memproses video). input_features (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, feature_dim)`, *opsional*) : Tensor yang sesuai dengan fitur audio input. Fitur audio dapat diperoleh menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor). Lihat [Gemma4AudioFeatureExtractor.__call__()](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor) untuk memproses audio). attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) input_features_mask (`torch.Tensor` dengan bentuk `(num_images, seq_length)`) : Attention mask untuk input audio. position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. mm_token_type_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token urutan masukan yang sesuai dengan setiap modalitas. Misalnya teks (0), gambar (1), video (2). ID jenis token multimodal dapat diperoleh menggunakan [AutoProcessor](/docs/transformers/main/id/model_doc/auto#transformers.AutoProcessor). Lihat [ProcessorMixin.__call__()](/docs/transformers/main/id/main_classes/processors#transformers.ProcessorMixin.__call__) untuk detailnya. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). image_position_ids (`torch.LongTensor` dengan bentuk `(batch_size, max_patches, 2)`, *opsional*) : koordinat posisi patch 2D dari image processor, dengan `(-1, -1)` menunjukkan padding. Diteruskan ke vision encoder untuk perhitungan positional embedding. video_position_ids (`torch.LongTensor` dengan bentuk `(total_num_frames, max_patches, 2)`, *opsional*) : koordinat posisi patch 2D dari video processor, dengan `(-1, -1)` menunjukkan padding. Diteruskan ke vision encoder untuk perhitungan positional embedding. num_frames_per_video (`torch.LongTensor` dengan bentuk `(num_videos,)`, *opsional*) : Jumlah frame yang dimiliki oleh setiap video. Wajib diisi setiap kali `pixel_values_videos` diberikan, karena frame dari semua video digabungkan di sepanjang satu sumbu. per_layer_inputs (`torch.Tensor`, *opsional*) : Embedding teks input per lapisan yang sudah dihitung sebelumnya dengan bentuk `(batch_size, sequence_length, num_hidden_layers, hidden_size_per_layer_input)`. Jika disediakan, embedding ini digunakan langsung alih-alih dihitung dari `input_ids` melalui `get_per_layer_inputs()` di model teks. Jika memanggil `forward` dengan `inputs_embeds` alih-alih `input_ids`, sebaiknya Anda menghitungnya terlebih dahulu dan meneruskannya bersama `inputs_embeds`, karena jika tidak, menghitung ulang embedding tersebut memerlukan pembalikan embedding utama, yang sangat mahal. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opsional*) : Dict di mana kuncinya adalah modalitas yang didukung dan nilainya adalah output terenkod untuk modalitas tersebut. Setiap output terenkod adalah tuple yang terdiri dari (`pooler_output`, *opsional*: `last_hidden_states`, *opsional*: `hidden_states`, *opsional*: `attentions`) `pooler_output` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) adalah rangkaian fitur multimodal dari encoder yang digabungkan ke dalam embedding teks. **Mengembalikan:** `Gemma4ModelOutputWithPast` atau `tuple(torch.Tensor)` Sebuah `Gemma4ModelOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) dan input. Metode forward dari [Gemma4Model](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Model) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **last_hidden_state** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`) -- Urutan hidden-states pada keluaran lapisan terakhir model. Jika `past_key_values` digunakan, hanya hidden-state terakhir dari sekuens dengan bentuk `(batch_size, 1, hidden_size)` yang dioutput. - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_hidden_states=True` dilewatkan atau saat `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple(torch.Tensor)`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **image_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states dari model yang dihasilkan oleh vision encoder dan setelah memproyeksikan hidden state terakhir. - **audio_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. audio_hidden_states dari model yang dihasilkan oleh audio encoder dan setelah memproyeksikan hidden state terakhir. - **shared_kv_states** (`KVSharingDict`, *opsional*) -- Kontainer mirip dict yang memetakan string tipe layer ke tuple tensor (key_states, value_states). Digunakan untuk meneruskan state KV bersama antar layer selama KV sharing. - **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_router_logits=True` diberikan) -- Tuple dari `torch.Tensor` (satu untuk setiap lapisan MoE) dengan bentuk `(batch_size * sequence_length, num_experts)`. ## Gemma4ForConditionalGeneration[[transformers.Gemma4ForConditionalGeneration]] #### transformers.Gemma4ForConditionalGeneration[[transformers.Gemma4ForConditionalGeneration]] ```python transformers.Gemma4ForConditionalGeneration(config: Gemma4Config) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2593) **Parameter:** config ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) : Kelas konfigurasi model dengan semua parameter model. Inisialisasi dengan file konfigurasi tidak memuat bobot yang terkait dengan model, hanya konfigurasinya. Lihat metode [from_pretrained()](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) untuk memuat bobot model. Model dasar Gemma 4 yang terdiri dari tulang punggung visual, tulang punggung audio, model bahasa, dan kepala pemodelan bahasa. Model ini mewarisi dari [PreTrainedModel](/docs/transformers/main/id/main_classes/model#transformers.PreTrainedModel). Periksa dokumentasi kelas induk untuk metode generik yang diimplementasikan oleh pustaka ini untuk semua model (seperti mengunduh atau menyimpan, mengubah ukuran input embeddings, memangkas heads, dll.) Model ini juga merupakan subclass dari [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) PyTorch. Gunakan sebagai PyTorch Module biasa dan merujuk ke dokumentasi PyTorch untuk semua hal yang berkaitan dengan penggunaan dan perilaku umum. #### forward[[transformers.Gemma4ForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, pixel_values_videos: typing.Optional[torch.Tensor] = None, input_features: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, input_features_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, image_position_ids: typing.Optional[torch.LongTensor] = None, video_position_ids: typing.Optional[torch.LongTensor] = None, num_frames_per_video: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, mm_token_type_ids: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, per_layer_inputs: typing.Optional[torch.Tensor] = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [Sumber](https://github.com/huggingface/transformers/blob/main/src/transformers/models/gemma4/modeling_gemma4.py#L2619) **Parameter:** input_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token dari urutan input dalam kosakata. Padding akan diabaikan secara default. Indeks dapat diperoleh menggunakan [AutoTokenizer](/docs/transformers/main/id/model_doc/auto#transformers.AutoTokenizer). Lihat [PreTrainedTokenizer.encode()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) dan [PreTrainedTokenizer.__call__()](/docs/transformers/main/id/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) untuk detailnya. [Apa itu input IDs?](../glossary#input-ids) pixel_values (`torch.Tensor` dengan bentuk `(batch_size, num_channels, image_size, image_size)`, *opsional*) : Tensor yang sesuai dengan gambar input. Nilai piksel dapat diperoleh menggunakan [Gemma4ImageProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ImageProcessor). Lihat [Gemma4ImageProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4ImageProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ImageProcessor) untuk memproses gambar). pixel_values_videos (`torch.Tensor` dengan bentuk `(batch_size, num_frames, num_channels, frame_size, frame_size)`, *opsional*) : Tensor yang sesuai dengan video input. Nilai piksel untuk video dapat diperoleh menggunakan [Gemma4VideoProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4VideoProcessor). Lihat [Gemma4VideoProcessor.__call__()](/docs/transformers/main/id/model_doc/molmo2#transformers.Molmo2VideoProcessor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4VideoProcessor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4VideoProcessor) untuk memproses video). input_features (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, feature_dim)`, *opsional*) : Tensor yang sesuai dengan fitur audio input. Fitur audio dapat diperoleh menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor). Lihat [Gemma4AudioFeatureExtractor.__call__()](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor.__call__) untuk detailnya ([Gemma4Processor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Processor) menggunakan [Gemma4AudioFeatureExtractor](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4AudioFeatureExtractor) untuk memproses audio). attention_mask (`torch.Tensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Mask untuk menghindari pelaksanaan attention pada indeks token padding. Nilai mask dipilih dalam `[0, 1]`: - 1 untuk token yang **tidak di-mask**, - 0 untuk token yang **di-mask**. [Apa itu attention masks?](../glossary#attention-mask) input_features_mask (`torch.Tensor` dengan bentuk `(num_images, seq_length)`) : Attention mask untuk input audio. position_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks posisi token dari setiap urutan input dalam embedding posisi. Dipilih dalam rentang `[0, config.n_positions - 1]`. [Apa itu position ID?](../glossary#position-ids) image_position_ids (`torch.LongTensor` dengan bentuk `(batch_size, max_patches, 2)`, *opsional*) : koordinat posisi patch 2D dari image processor, dengan `(-1, -1)` menunjukkan padding. Diteruskan ke vision encoder untuk perhitungan positional embedding. video_position_ids (`torch.LongTensor` dengan bentuk `(total_num_frames, max_patches, 2)`, *opsional*) : koordinat posisi patch 2D dari video processor, dengan `(-1, -1)` menunjukkan padding. Diteruskan ke vision encoder untuk perhitungan positional embedding. num_frames_per_video (`torch.LongTensor` dengan bentuk `(num_videos,)`, *opsional*) : Jumlah frame yang dimiliki oleh setiap video. Wajib diisi setiap kali `pixel_values_videos` diberikan, karena frame dari semua video digabungkan di sepanjang satu sumbu. past_key_values (`~cache_utils.Cache`, *opsional*) : Hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention dan di blok cross-attention) yang dapat digunakan untuk mempercepat decoding berurutan. Ini biasanya terdiri dari `past_key_values` yang dikembalikan oleh model pada tahap decoding sebelumnya, ketika `use_cache=True` atau `config.use_cache=True`. Hanya instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache) yang diizinkan sebagai input, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Jika tidak ada `past_key_values` yang diteruskan, [DynamicCache](/docs/transformers/main/id/internal/generation_utils#transformers.DynamicCache) akan diinisialisasi secara default. Model akan mengoutput format cache yang sama dengan yang diberikan sebagai input. Jika `past_key_values` digunakan, pengguna diharapkan untuk hanya menginput `input_ids` yang belum diproses (yang tidak memiliki state past key value mereka diberikan ke model ini) dengan bentuk `(batch_size, unprocessed_length)` alih-alih semua `input_ids` dengan bentuk `(batch_size, sequence_length)`. mm_token_type_ids (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Indeks token urutan masukan yang sesuai dengan setiap modalitas. Misalnya teks (0), gambar (1), video (2). ID jenis token multimodal dapat diperoleh menggunakan [AutoProcessor](/docs/transformers/main/id/model_doc/auto#transformers.AutoProcessor). Lihat [ProcessorMixin.__call__()](/docs/transformers/main/id/main_classes/processors#transformers.ProcessorMixin.__call__) untuk detailnya. inputs_embeds (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) : Secara opsional, alih-alih meneruskan `input_ids`, Anda dapat memilih untuk langsung meneruskan representasi tertanam. Ini berguna jika Anda ingin lebih banyak kendali atas cara mengonversi indeks `input_ids` menjadi vektor terkait daripada matriks pencarian penanaman internal model. labels (`torch.LongTensor` dengan bentuk `(batch_size, sequence_length)`, *opsional*) : Label untuk menghitung kerugian pemodelan bahasa yang disamarkan. Indeks harus berada di `[0, ..., config.vocab_size]` atau -100 (lihat docstring `input_ids`). Token dengan indeks yang disetel ke `-100` diabaikan (disamarkan), kerugian hanya dihitung untuk token dengan label di `[0, ..., config.vocab_size]`. use_cache (`bool`, *opsional*) : Jika diatur ke `True`, state kunci-nilai `past_key_values` akan dikembalikan dan dapat digunakan untuk mempercepat decoding (lihat `past_key_values`). logits_to_keep (`Union[int, torch.Tensor]`, *opsional*, defaultnya `0`) : Jika berupa `int`, hitung logits untuk `logits_to_keep` token terakhir. Jika `0`, hitung logits untuk semua `input_ids` (kasus khusus). Hanya logits token terakhir yang diperlukan untuk generasi, dan menghitungnya hanya untuk token tersebut dapat menghemat memori, yang menjadi cukup signifikan untuk urutan panjang atau ukuran kosakata besar. Jika berupa `torch.Tensor`, harus 1D yang sesuai dengan indeks yang akan dipertahankan pada dimensi panjang urutan. Ini berguna saat menggunakan format tensor terpadu (satu dimensi untuk batch dan panjang urutan). per_layer_inputs (`torch.Tensor`, *opsional*) : Embedding teks input per lapisan yang sudah dihitung sebelumnya dengan bentuk `(batch_size, sequence_length, num_hidden_layers, hidden_size_per_layer_input)`. Jika disediakan, embedding ini digunakan langsung alih-alih dihitung dari `input_ids` melalui `get_per_layer_inputs()` di model teks. Jika memanggil `forward` dengan `inputs_embeds` alih-alih `input_ids`, sebaiknya Anda menghitungnya terlebih dahulu dan meneruskannya bersama `inputs_embeds`, karena jika tidak, menghitung ulang embedding tersebut memerlukan pembalikan embedding utama, yang sangat mahal. mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *opsional*) : Dict di mana kuncinya adalah modalitas yang didukung dan nilainya adalah output terenkod untuk modalitas tersebut. Setiap output terenkod adalah tuple yang terdiri dari (`pooler_output`, *opsional*: `last_hidden_states`, *opsional*: `hidden_states`, *opsional*: `attentions`) `pooler_output` dengan bentuk `(batch_size, sequence_length, hidden_size)`, *opsional*) adalah rangkaian fitur multimodal dari encoder yang digabungkan ke dalam embedding teks. **Mengembalikan:** `Gemma4CausalLMOutputWithPast` atau `tuple(torch.Tensor)` Sebuah `Gemma4CausalLMOutputWithPast` atau tuple dari `torch.Tensor` (jika `return_dict=False` diteruskan atau ketika `config.return_dict=False`) yang terdiri dari berbagai elemen tergantung pada konfigurasi ([Gemma4Config](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4Config)) dan input. Metode forward dari [Gemma4ForConditionalGeneration](/docs/transformers/main/id/model_doc/gemma4#transformers.Gemma4ForConditionalGeneration) menimpa metode khusus `__call__`. Meskipun resep untuk forward pass perlu didefinisikan di dalam fungsi ini, sebaiknya panggil instance `Module` setelahnya alih-alih fungsi ini, karena yang pertama menangani langkah-langkah pra-pemrosesan dan pasca-pemrosesan, sedangkan yang kedua mengabaikannya secara diam-diam. - **loss** (`torch.Tensor` dengan bentuk `(1,)`, *opsional*, dikembalikan saat `labels` disediakan) -- Loss pemodelan bahasa (untuk prediksi token berikutnya). - **logits** (`torch.Tensor` dengan bentuk `(batch_size, sequence_length, config.text_config.vocab_size)`) -- Skor prediksi dari kepala pemodelan bahasa (skor untuk setiap token kosakata sebelum SoftMax). - **past_key_values** (`Cache`, *opsional*, dikembalikan saat `use_cache=True` dilewatkan atau saat `config.use_cache=True`) -- Ini adalah instance [Cache](/docs/transformers/main/id/internal/generation_utils#transformers.Cache). Untuk detail lebih lanjut, lihat [panduan kv cache](https://huggingface.co/docs/transformers/en/kv_cache) kami. Berisi hidden-states yang telah dihitung sebelumnya (key dan values di blok self-attention) yang dapat digunakan (lihat input `past_key_values`) untuk mempercepat decoding berurutan. - **hidden_states** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_hidden_states=True` dilewatkan atau ketika `config.output_hidden_states=True`) -- Tuple dari `torch.Tensor` (satu untuk output dari embeddings, jika model memiliki lapisan embedding, + satu untuk output dari setiap lapisan) dengan bentuk `(batch_size, sequence_length, hidden_size)`. Hidden-states model pada output setiap layer ditambah output embedding awal yang opsional. - **attentions** (`tuple[torch.Tensor]`, *opsional*, dikembalikan ketika `output_attentions=True` dilewatkan atau ketika `config.output_attentions=True`) -- Tuple dari `torch.Tensor` (satu untuk setiap layer) dengan bentuk `(batch_size, num_heads, sequence_length, sequence_length)`. Bobot perhatian setelah softmax perhatian, digunakan untuk menghitung rata-rata berbobot di kepala self-attention. - **image_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. image_hidden_states dari model yang dihasilkan oleh vision encoder setelah memproyeksikan last hidden state. - **audio_hidden_states** (`torch.Tensor`, *opsional*) -- Sebuah `torch.Tensor` berukuran `(batch_size, num_images, sequence_length, hidden_size)`. audio_hidden_states dari model yang dihasilkan oleh audio encoder dan setelah memproyeksikan hidden state terakhir. - **shared_kv_states** (`KVSharingDict`, *opsional*) -- Kontainer mirip dict yang memetakan string tipe layer ke tuple tensor (key_states, value_states). Digunakan untuk meneruskan state KV bersama antar layer selama KV sharing. - **router_logits** (`tuple(torch.Tensor)`, *opsional*, dikembalikan saat `output_router_logits=True` diberikan) -- Tuple dari `torch.Tensor` (satu untuk setiap lapisan MoE) dengan bentuk `(batch_size * sequence_length, num_experts)`. Contoh: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, Gemma4ForConditionalGeneration >>> model = Gemma4ForConditionalGeneration.from_pretrained("google/gemma-4-e2b-it") >>> processor = AutoProcessor.from_pretrained("google/gemma-4-e2b-it") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ```