Кровать стол трансформер для подростков: Кровать-трансформер подростковая купить по недорогой цене в Москве в интернет-магазине «Мало Места»

Ширина, мм

Высота, мм

Глубина, мм

Ширина, см

Глубина, см

Материал

ЛДСП Массив МДФ

Высота, см

Особенности

на ножках С бельевым ящиком С высоким изголовьем С колесами С матрасом С местом для хранения

С мягким изголовьем С основанием под матрас с письменным столом С рабочим местом С полками с ящиками

Длина спального места, см

Ширина спального места,см

Материал обивки

Велюр Микровельвет Экокожа

Раскладной

Нет

Механизм трансформации

Без механизма Выкатной

Жесткость

Жесткий Средний

Каркас

Деревянный

Назначение

Для детской Для гостиной

Наполнение

ППУ

Ортопедическое основание

Да

Подлокотники

Нет

Лофт Модерн Скандинавский Современный Хай-тек Классический

Прованс

Тип спального места

Односпальный

Высокие ножки

Нет

Да

Столик

Нет

Ящик для белья

Да

Максимальная нагрузка на спальное место, кг

Материал изголовья

Велюр Искусственная кожа Микровелюр Отсутствует Текстиль Экокожа

Предложения

Эксклюзив Быстрая доставка Водоустойчив, легко чистится Хит продаж ТОП Акция

Новинка

Столплит Партнер 4 Лига Диванов Партнер 49 Аксессуары Партнер 76

Партнер 81 Партнер 95 Партнер 41 (1) Партнер 116 Партнер 777 Партнер 123 Партнер 124 Партнер 143 GreenMebel Francesco Rossi Партнер 170 Партнер 194 Партнер 204 Партнер 205 Партнер 206 Партнер 226 Ладья Партнер 256 Партнер 265 Партнер 261 Партнер 271 Компас Партнер 293 Партнер 294 Партнер 296 партнер 321 партнер 369 партнер 464 партнер 463 партнер 468 партнер 509 партнер 496 партнер 520 партнер 531 партнер 517

Сортировать:

Товаров на странице:

Выдвижные Кровать-стол С матрасом С мягкой спинкой

Кровати одноярусные

Кровати одноярусные

Кровати двухъярусные

Кровати двухъярусные

Кровати — машины

Кровати — машины

Кровати-чердаки

Кровати-чердаки

Кровати трехъярусные

Кровати трехъярусные

Кровати-домики

Кровати-домики

Выдвижные кровати

Выдвижные кровати

Для мальчика

Для мальчика

Для девочки

Для девочки

Бортики

Бортики

Кровать-трансформер для подростка

Широкий ассортимент кроватей для подростков иногда вводит нас в растерянность. Существует несколько показателей, которые облегчают нам выбор, и которые нельзя оставлять без внимания. Прежде всего, это цена товара и его производитель. Огромное значение имеет размер кровати и материал, из которого она изготовлена. Чтобы увеличить популярность товара, производители стараются добавить ему функциональности. Этот прием позволяет экономить площадь комнаты и избегать ее загруженности. По этой причине в центре внимания родителей всегда находятся кровати-трансформеры для подростка.

Разновидности кроватей-трансформеров для подростков

Кровать-стол трансформер для подростков. Идея соединить в одно целое кровать-трансформер для подростков с рабочей зоной многим родителям пришлась по душе. Некоторые виды трансформации приемлемы также для взрослых. Механизм работает таким образом, что во время сна рабочая зона находится внизу или вверху спящего. Во время занятий кровать занимает место за рабочим столом. Функциональности модели добавляет система хранения в виде ящичков или тумбочек, которые размещают в верхней или нижней части изделия. Рабочая зона также может размещаться в месте нижней кровати двухъярусной конструкции, при этом положение верхней кровати остается без изменений.

Подростковая кровать-шкаф трансформер. Для желающих спрятать кровать в стене дизайнеры предусмотрели такой вариант, как трансформирующуюся кровать шкаф. Перевоплощение кровати в шкаф особенно актуально в небольших спальнях или в однокомнатных квартирах, совмещающих одну зону с другой. Кровать работает на газовых амортизаторах или с пульта дистанционного управления. Единственным минусом является использование только беспружинных матрасов, например ортопедического. Некоторые модели имеют антресоли и полочки. Кровати иногда являются встроенным элементом корпусной мебели.

Комод-кровать трансформер для подростка. Если вертикально откинутая кровать внешне выглядит как шкаф, то в горизонтальном положении она имеет вид комода. Как правило, модели оборудованы специальным подъемным механизмом, имеющий гарантию на долгие годы работы. Кровать можно подобрать под любой стиль, достаточно определиться с фасадом, имитирующим дверцы комода. Многие фирмы по производству подобной мебели рассчитаны на индивидуальную работу с заказчиком.

Кровать-трансформер для двоих подростков. Наибольшим спросом пользуются выдвижные модели. В собранном виде перед вами будет стоять кровать чуть выше привычных размеров. Спрятав одну кровать под другую, вы делаете комнату просторнее в дневное время. Компактная и невысокая, она идеально подходит для маленькой комнаты. Вариантом для двоих подростков может стать двухъярусная кровать-трансформер с откидными элементами. Фасад сложенной мебели ничем не отличается от шкафа, который является самостоятельным предметом. Модели подобного типа лучше подходят подросткам, разделяющим совместные увлечения.

Разглядывая трансформирующиеся модели, кажется, что фантазия дизайнеров не имеет ограничений. Например, в двухъярусную кровать для подростков легко превращается маленький диванчик. Или немыслимым образом кровать может взлететь и спрятаться в потолке. Выбирать есть из чего, главное, чтобы покупка была удобной и практичной. Преимущество трансформеров в том, что они подстраиваются под рост ребенка, что значительно экономит семейный бюджет. Интерес к спальному месту, спокойные тона и достаточное количество света в детской обеспечат ребенку здоровье и комфорт.

Статьи по теме:

модели со столом и шкафом для мальчика и девочки, как разобрать детскую конструкцию с комодом

Кровати-трансформеры решают проблему маленьких комнат. Особенно они актуальны для семей с двумя детьми. Такие конструкции выглядят современно и при правильном подборе способны гармонично вписаться в интерьер подростковой комнаты.

Особенности

Мебель-трансформер не только практически организует пространство в небольшой комнате, она тем более необходима, если у подростка нет своей комнаты, а личное пространство ему необходимо. На небольшой площади у подростка может быть своя кровать, стол, шкаф, меняющаяся мебель в разное время суток. Конструкции трансформируемой мебели разнообразны, кровать может превращаться в стол, комод, диван, и он может полностью исчезнуть в объеме шкафа, либо слиться со стеной. Спальное место со сборочным механизмом входит в комплект мебели.

Трансформатор, при смене положения легко разбирается и собирается на новом месте. Но не стоит забывать и о розетках у кровати, если ей впоследствии предстоит выполнять функцию стола. Кровать имеет полноценный вид, оснащена ортопедическим матрасом, адаптированным для здорового сна подростка.

Преимущества и недостатки

Для семей с несколькими детьми и нехваткой места преимущества очевидны, но Есть и другие преимущества, позволяющие выбирать кровати-трансформеры без учета метража комнаты.

• Такая мебель оригинальна, не в каждой квартире встретишь. Подростки смогут оценить оригинальность интерьера своей комнаты.
• Мебель, которая может «исчезнуть» при трансформации, освобождает значительную часть пространства.
• Разновидности кровати, которые трансформируются в другую мебель (стол, диван, стеллаж) удобны своей многофункциональностью.
• Такие модели изготавливаются только из качественных материалов, ведь складные механизмы в режиме повседневной работы должны служить долгие годы.

• Такие конструкции эргономичны, в них продумано все до мелочей, для быстрой трансформации.
• Механизмы предельно просты, с ними справится не только подросток, но и ребенок.
• Этот дизайн учит подростка быть точным. Нельзя оставлять вещи на столе или не заправлять постель перед трансформацией.
• Мебель-трансформер можно подобрать к любому интерьеру; для этого на рынке есть модели разного цвета, фактуры и назначения.

К недостаткам трансформаторов можно отнести их высокую стоимость из-за качественных материалов. Такую мебель придется раскладывать ежедневно. На собранную кровать нельзя прыгать, лежать за пять минут до уроков.

Разновидности моделей

На мебельном рынке трансформеры уже давно перестали удивлять покупателей. Их большое разнообразие позволяет подобрать модели для разных целей. Кровать легко перестраивается в диван, полку, удобный столик, комод или тумбу. Различны и способы трансформации: кровать может выехать из-под дивана, встроиться в шкаф или мебельную стенку, сложить, спрятать стол или выдвинуть из комода. Трансформеры:

Стол-кровать

Есть разные способы превратить стол в удобную полноценную кровать.

• Внешне конструкция похожа на пианино, но вместо клавиш — панель стола. Прямо перед рабочим местом в шкафу-трансформере стоит кровать, похожая на обычную мебельную стенку. Легким движением опускается кровать, и аккуратно опускается стол со всем содержимым, даже ноутбук не убрать. На время сна стол перемещается под кровать. Помимо стола и кровати модель оснащена тремя глубокими полками.
• Еще один простой вариант, когда кровать просто складывается пополам, образуя стол в виде «ящика» на роликах. Это, скорее, журнальный вариант мебели, яркий и стильный.

• Довольно большая панель стола, закрепленная под кроватью. Трансформер сообщений, в свою очередь, встраивается в мебельную стенку. Когда кровать становится вертикальной и занимает свою нишу в гарнитуре, из приподнятого дна кровати строится стол.
• Вариант «матрешка» рассчитан на двоих подростков. В мебельную стенку встроена высокая кровать, под ней, повторяя форму спальной конструкции, стоит изящный столик, а под столом еще одна кровать. Вся эта «матрешка» смело выдвигается и образует три предмета мебели, имеющие вполне самостоятельный вид.
• Кровать традиционно поднимается и уходит в стену, а стол трансформируется сверху вниз, так как во время сна образует над кроватью высокую «крышу».

Шкаф-кровать

Шкаф в номере занимает меньше места, чем кровать. Кому-то пришла в голову хорошая идея поставить кровать в шкаф, освободив при этом значительное пространство в комнате.

Снимается двумя способами, поднимаясь вертикально или горизонтально.

• Конструктивно решена проблема не только исчезновения кровати в шкафу на некоторое время, но и появления третьего вида мебели — стола.
• Иногда компактности и внешнему виду шифоньера придается большее значение, чем функциональности. В этом случае трансформер может вместить только кровать, замаскированную под шкаф, и несколько антресолей, а практическое назначение отдается другим видам мебели.
• Кровать переходит в шкаф, создавая единую изящную линию мебели, и в собранном виде не указывает на наличие спального места.

Кровать-чердак

Два этажа (чердак) и несколько спальных мест. Сюда же относится рабочая зона.

Если кровать нависает над письменным столом, это модель «чердак».

• Трансформеры иногда выглядят как компактная комната, где на крошечной площади собраны несколько кроватей, стол, шкаф и множество ящиков.
• Кровать этой конструкции может подниматься и исчезать в элементах другой мебели.
• Дизайн, содержащий две кровати, рабочее место и комод, выглядит несколько перегруженным. Для облегчения визуального восприятия мебели и освобождения места одна из кроватей трансформируется в шкаф.
• Есть модели двухъярусных кроватей, нижняя из которых трансформируется в два небольших дивана и столик, чудесным образом решая проблему с местом для проведения досуга.

Диван-кровать

На диване спать не очень удобно. Подросток растет, его тело формируется и поэтому для полноценного сна ему необходима качественная кровать. Днем кровать, если ее нет в спальне, всегда будет лишней.

Трансформер станет удачным решением для дизайна комнаты подростка.

• Днем в комнате стоит чудесный диванчик, а ночью он превращается в двухъярусную кровать. Не каждый диван способен вместить сразу два спальных места и механизм крепления, обычно трансформируется только нижний ярус.
• Нижний ярус можно раскладывать и собирать как обычный диван, слегка вытянув спальное место.
• Проще всего превратить кровать в диван за счет подушек, их нужно раскладывать вместо спинки.
• Есть диваны с выдвижной кроватью, которая может выкатываться снизу и фиксироваться рядом или перемещаться с помощью роликов на любое свободное место.

Selection

Когда детская комната для девочки или для мальчика становится неуютной, значит, хозяева переросли свое окружение и пора присмотреться к новой мебели. Комната не растет вместе с детьми, чтобы вместить все необходимое, они выбирают мебель с элементами трансформации.

Нужно определиться с подобными моделями.

• Тема касается кровати, поэтому в первую очередь проверяется качество ортопедического матраса. От того, удобно ли на нем спать, зависит самочувствие и настроение подростка.
• Затем следует проверить подъемные, раздвижные и другие механизмы. Если учесть, что пользоваться ими придется два раза в день на протяжении многих лет, то они должны быть готовы выдержать такую ​​нагрузку.
• Большое значение имеет удобство эксплуатации модели, поэтому стоит проверить, справится ли с ней владелец комнаты.
• Материал, из которого изготавливается мебель, редко дерево, чаще всего МДВ или ДСП. Есть и металлические конструкции. Это бюджетный материал, но при бережном обращении прослужит достаточно долго. Главное, чтобы приобретаемая мебель не издавала резкого запаха. Недобросовестные производители мелких частных фирм используют вредные клеевые составы для удешевления своей продукции. Такие испарения могут подорвать здоровье подростка.

• Перед выбором мебели следует определить ее место в комнате, снять мерки от угла до двери или окна, чтобы кровать не мешала свободному перемещению. А затем выберите понравившегося по размеру трансформера. Мебель иногда бывает левосторонней или правосторонней, что тоже нужно учитывать.
• На сегодняшний день проблем с выбором цветов и фактур не возникнет, все можно подобрать под существующий интерьер. Стоит обратить внимание на стиль модели, он должен совпадать с окружающей обстановкой.
• Размеры рассчитываются индивидуально с учетом роста и веса подростка. Количество спальных мест зависит от количества детей, проживающих в номере.

Трансформер можно считать удачным выбором для подростка, так как такие модели красивы, практичны и оригинальны.

О том, как выбрать подростковую кровать-трансформер, смотрите в следующем видео.

Стол-трансформер

Обзор

Модель Table Transformer была предложена в PubTables-1M: На пути к комплексному извлечению таблиц из неструктурированных документов Брэндон Смок, Рохит Песала, Робин Абрахам. Авторы представляют новый набор данных PubTables-1M для оценки прогресса в извлечении таблиц из неструктурированных документов. а также распознавание структуры таблиц и функциональный анализ. Авторы обучают 2 модели DETR, одну для обнаружения таблиц и одну для распознавания структуры таблиц, получившие название Table Transformers.

Резюме статьи выглядит следующим образом:

В последнее время был достигнут значительный прогресс в применении машинного обучения к проблеме вывода структуры таблицы и ее извлечения из неструктурированных документов. Тем не менее, одной из самых больших проблем остается создание наборов данных с полной и однозначной достоверностью данных в любом масштабе. Чтобы решить эту проблему, мы разрабатываем новый, более комплексный набор данных для извлечения таблиц под названием PubTables-1M. PubTables-1M содержит почти миллион таблиц из научных статей, поддерживает множественный ввод модальностей и содержит подробную информацию о заголовке и расположении табличных структур, что делает его полезным для самых разных подходов к моделированию. Он также затрагивает значительную источник несоответствия наземной истины, наблюдаемого в предыдущих наборах данных, называемого чрезмерной сегментацией, с использованием новой процедуры канонизации. Мы демонстрируем, что эти улучшения приводят к значительное увеличение производительности обучения и более надежная оценка производительности модели при оценке для распознавания структуры таблицы. Далее покажем, что трансформаторный Модели обнаружения объектов, обученные на PubTables-1M, дают отличные результаты для всех трех задач обнаружения, распознавания структуры и функционального анализа без необходимости каких-либо дополнительных действий. специальные настройки для этих задач.

Советы:

• Авторы выпустили 2 модели, одну для определения таблиц в документах, одну для распознавания структуры таблиц (задача распознавания отдельных строк, столбцов и т.д. в таблице).
• Можно использовать AutoImageProcessor API для подготовки изображений и необязательных целей для модели. Это загрузит DetrImageProcessor за кулисами.

Уточнено определение таблицы и распознавание структуры таблицы. Взято из оригинальной статьи.

Эта модель предоставлена ​​nielsr. Исходный код может быть нашел здесь.

Ресурсы

Обнаружение объектов

• Демо-ноутбук для Table Transformer можно найти здесь.
• Оказывается, заполнение изображений очень важно для обнаружения. Интересную ветку Github с ответами авторов можно найти здесь.

ТаблицаТрансформерКонфиг

. TableTransformerConfig

< источник >

( use_timm_backbone = Истина backbone_config = Нет число_каналов = 3 количество_запросов = 100 кодировщик_слоев = 6 encoder_ffn_dim = 2048 кодировщик_внимания_голов = 8 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 8 encoder_layerdrop = 0,0 decoder_layerdrop = 0. 0 is_encoder_decoder = Истина активация_функция = ‘релу’ д_модель = 256 отсев = 0,1 внимание_выпадение = 0,0 активация_выпадение = 0,0 init_std = 0,02 init_xavier_std = 1.0 вспомогательный_лосс = Ложь position_embedding_type = ‘синус’ магистраль = ‘resnet50’ use_pretrained_backbone = Истина расширение = Ложь класс_стоимость = 1 bbox_cost = 5 giou_cost = 2 mask_loss_coefficient = 1 dice_loss_coefficient = 1 bbox_loss_coefficient = 5 giou_loss_coefficient = 2 eos_коэффициент = 0,1 **кваргс )

Параметры

• use_timm_backbone ( bool , необязательный , по умолчанию True ) — Следует ли использовать библиотеку timm для магистрали. Если установлено значение False , будет использоваться AutoBackbone . API.
• backbone_config ( PretrainedConfig или dict , необязательный ) — Конфигурация базовой модели. Используется только в случае use_timm_backbone имеет значение False , в котором случае по умолчанию будет ResNetConfig() .
• num_channels ( целое число , необязательный , по умолчанию 3) — Количество входных каналов.
• num_queries ( int , необязательный , по умолчанию 100) — Количество объектных запросов, т.е. слотов обнаружения. Это максимальное количество объектов TableTransformerModel может обнаруживать в одном изображении. Для COCO мы рекомендуем 100 запросов.
• d_model ( int , необязательный , по умолчанию 256) — Размер слоев.
• encoder_layers ( int , необязательный , по умолчанию 6) — Количество слоев кодировщика.
• decoder_layers ( int , необязательный , по умолчанию 6) — Количество слоев декодера.
• encoder_attention_heads ( int , необязательный , по умолчанию 8) — Количество головок внимания для каждого слоя внимания в кодировщике Transformer.
• decoder_attention_heads ( int , необязательный , по умолчанию 8) — Количество головок внимания для каждого уровня внимания в декодере Transformer.
• decoder_ffn_dim ( int , необязательный , по умолчанию 2048) — Размер «промежуточного» (часто называемого упреждающим) слоя в декодере.
• encoder_ffn_dim ( int , необязательный , по умолчанию 2048) — Размер «промежуточного» (часто называемого упреждающим) слоя в декодере.
• активация_функция ( str или функция , необязательно , по умолчанию "relu" ) — Функция нелинейной активации (функция или строка) в кодировщике и пулере. Если строка, "гелу" , "релу" , "silu" и "gelu_new" поддерживаются.
• dropout ( float , необязательно , по умолчанию 0,1) — Вероятность отсева для всех полносвязных слоев во встраиваниях, кодировщике и пулере.
• advance_dropout ( float , необязательный , по умолчанию 0.0) — Коэффициент отсева для вероятностей внимания.
• activation_dropout ( float , необязательный , по умолчанию 0.0) — Коэффициент отсева для активаций внутри полносвязного слоя.
• init_std ( float , необязательный , по умолчанию 0,02) — Стандартное отклонение truncated_normal_initializer для инициализации всех весовых матриц.
• init_xavier_std ( float , необязательный , по умолчанию 1) — Коэффициент масштабирования, используемый для усиления инициализации Xavier в модуле карты HM Attention.
• encoder_layerdrop ( float , необязательный , по умолчанию 0.0) — Вероятность LayerDrop для кодировщика. См. [Документ LayerDrop] (см. https://arxiv.org/abs/1909.11556) Больше подробностей.
• decoder_layerdrop ( float , необязательный , по умолчанию 0.0) — Вероятность LayerDrop для декодера. См. [Документ LayerDrop] (см. https://arxiv.org/abs/1909.11556) Больше подробностей.
• auxal_loss ( bool , необязательный , по умолчанию False ) — Должны ли использоваться вспомогательные потери при декодировании (потери на каждом уровне декодера).
• position_embedding_type ( str , необязательный , по умолчанию "sine" ) — Тип встраивания позиции, который будет использоваться поверх функций изображения. Один из "синус" или "выучил" .
• backbone ( str , необязательный , по умолчанию "resnet50" ) — Имя сверточной магистрали для использования в случае use_timm_backbone = True . Поддерживает любые сверточные магистраль из пакета timm. Список всех доступных моделей см. страница.
• use_pretrained_backbone ( bool , необязательный , по умолчанию True ) — Использовать ли предварительно тренированные веса для позвоночника. Поддерживается только при use_timm_backbone = Правда .
• расширение ( bool , необязательный , по умолчанию False ) — Заменять ли шаг расширением в последнем сверточном блоке (DC5). Поддерживается только тогда, когда use_timm_backbone = Правда .
• class_cost ( float , необязательный , по умолчанию 1) — Относительный вес ошибки классификации в венгерской стоимости сопоставления.
• bbox_cost ( float , необязательный , по умолчанию 5) — Относительный вес ошибки L1 координат ограничивающей рамки в венгерской стоимости сопоставления.
• giou_cost ( float , необязательный , по умолчанию 2) — Относительный вес общей потери IoU ограничивающей рамки в стоимости согласования в Венгрии.
• mask_loss_coefficient ( число с плавающей запятой , дополнительный , по умолчанию 1) — Относительный вес очаговой потери при потере паноптической сегментации.
• dice_loss_coefficient ( float , необязательный , по умолчанию 1) — Относительный вес потери DICE/F-1 в потере паноптической сегментации.
• bbox_loss_coefficient ( float , необязательный , по умолчанию 5) — Относительный вес потерь ограничивающей рамки L1 в потерях обнаружения объекта.
• giou_loss_coefficient ( float , необязательный , по умолчанию 2) — Относительный вес обобщенной потери IoU в потере обнаружения объекта.
• eos_coefficient ( float , необязательный , по умолчанию 0,1) — Относительный классификационный вес класса «отсутствие объекта» в потерях обнаружения объекта.

Это класс конфигурации для хранения конфигурации TableTransformerModel. Он используется для создать экземпляр модели Table Transformer в соответствии с указанными аргументами, определяющими архитектуру модели. Создание экземпляра конфигурации со значениями по умолчанию даст конфигурацию, аналогичную конфигурации Table Transformer. архитектура microsoft/table-transformer-detection.

Объекты конфигурации наследуются от PretrainedConfig и могут использоваться для управления выходными данными модели. Читать документацию от PretrainedConfig для получения дополнительной информации.

Примеры:

 >>> из трансформаторов импортировать TableTransformerModel, TableTransformerConfig
>>> # Инициализация конфигурации Table Transformer в стиле microsoft/table-transformer-detection
>>> конфигурация = TableTransformerConfig()
>>> # Инициализация модели из конфигурации стиля microsoft/table-transformer-detection
>>> модель = TableTransformerModel (конфигурация)
>>> # Доступ к конфигурации модели
>>> конфигурация = model. config 

ТаблицаТрансформаторМодель

. TableTransformerModel

< источник >

( конфигурация: Таблетрансформерконфиг )

Параметры

• конфигурация (TableTransformerConfig) — Класс конфигурации модели со всеми параметрами модели. Инициализация с помощью файла конфигурации не загрузить веса, связанные с моделью, только конфигурацию. Проверьте Метод from_pretrained() для загрузки весов модели.

Чистая модель Table Transformer (состоящая из магистрали и преобразователя кодера-декодера), выводящая необработанные данные скрытые состояния без какой-либо конкретной головы сверху.

Эта модель наследуется от PreTrainedModel. Проверьте документацию суперкласса для общих методов, которые библиотека реализует для всей своей модели (например, загрузку или сохранение, изменение размера входных вложений, обрезку головок и т. д.)

Эта модель также является подклассом PyTorch torch. nn.Module. Используйте его как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием. и поведение.

вперед

< источник >

( pixel_values пиксельная_маска = Нет decoder_attention_mask = Нет encoder_outputs = Нет inputs_embeds = Нет decoder_inputs_embeds = Нет output_attentions = Нет output_hidden_states = Нет return_dict = Нет ) → transforms.models.table_transformer.modeling_table_transformer.TableTransformerModelOutput или tuple(torch.FloatTensor)

Параметры

Возвращает

transforms.models.table_transformer.modeling_table_transformer.TableTransformerModelOutput или tuple(torch.FloatTensor)

A transforms.models.table_transform er.modeling_table_transformer.TableTransformerModelOutput или кортеж torch.FloatTensor (если передается return_dict=False или когда config. return_dict=False ), включающий различные элементы в зависимости от конфигурации (TableTransformerConfig) и входов.

• last_hidden_state ( torch.FloatTensor формы (batch_size, sequence_length, hidden_size) ) — Последовательность hidden-состояний на выходе последнего слоя декодера модели.
• decoder_hidden_states ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_hidden_states=True или когда config.output_hidden_states=Tru e ) — Кортеж torch.FloatTensor (один на вывод вложений + один на вывод каждого слоя) форма (batch_size, sequence_length, hidden_size) . Скрытые состояния декодера на выходе каждого слой плюс исходные результаты встраивания.
• decoder_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config. output_attentions=True ) — Кортеж факела .FloatTensor (по одному на каждый слой) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания декодера после внимания softmax, используемые для вычисления средневзвешенное значение в головах самовнимания.
• cross_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config.output_attentions=True ) — Tu Пленка горелки .FloatTensor (по одному на каждый слой) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания слоя перекрестного внимания декодера, после внимания softmax, используется для вычисления средневзвешенного значения в головах перекрестного внимания.
• encoder_last_hidden_state ( torch.FloatTensor формы (batch_size, sequence_length, hidden_size) , option ) — Последовательность hidden-состояний на выходе последнего слоя энкодера модели.
• encoder_hidden_states ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_hidden_states=True или когда config.output_hidden_states=Tru e ) — Кортеж torch.FloatTensor (один для вывода вложений + по одному на выход каждого слоя) форма (batch_size, sequence_length, hidden_size) . Скрытые состояния энкодера на выходе каждого слой плюс исходные результаты встраивания.
• encoder_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config.output_attentions=True ) — Кортеж torch.FloatTensor (по одному на каждый слой ) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания кодировщика после внимания softmax, используемые для вычисления средневзвешенное значение в головах самовнимания.
• middle_hidden_states ( torch.FloatTensor формы (config.decoder_layers, batch_size, sequence_length, hidden_size) , необязательно , возвращается, когда config.auxiliary_loss = True ) — Промежуточные активации декодера, т.е. вывод каждого слой декодера, каждый из них прошел через норма слоя.

Прямой метод TableTransformerModel переопределяет специальный метод __call__ .

Хотя рецепт прямого прохода должен быть определен внутри этой функции, следует вызвать Модуль экземпляр впоследствии вместо этого, так как первый заботится о выполнении шагов предварительной и последующей обработки, а последний молча их игнорирует.

Примеры:

 >>> из трансформаторов импортировать AutoImageProcessor, TableTransformerModel
>>> из Huggingface_hub импортировать hf_hub_download
>>> из изображения импорта PIL
>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf. png")
>>> image = Image.open(file_path).convert("RGB")
>>> image_processor = AutoImageProcessor.from_pretrained("microsoft/table-transformer-detection")
>>> model = TableTransformerModel.from_pretrained("microsoft/table-transformer-detection")
>>> # подготовим изображение для модели
>>> inputs = image_processor(images=image, return_tensors="pt")
>>> # прямой проход
>>> выходы = модель (** входы)
>>> # последние скрытые состояния - это окончательные вложения запросов декодера Transformer
>>> # они имеют форму (batch_size, num_queries, hidden_size)
>>> last_hidden_states = outputs.last_hidden_state
>>> список(last_hidden_states.shape)
[1, 15, 256] 

Таблетрансформерфоробжектдетектион

трансформаторы класса. TableTransformerForObjectDetection

< источник >

( конфигурация: Таблетрансформерконфиг )

Параметры

• конфигурация (TableTransformerConfig) — Класс конфигурации модели со всеми параметрами модели. Инициализация с помощью файла конфигурации не загрузить веса, связанные с моделью, только конфигурацию. Проверьте Метод from_pretrained() для загрузки весов модели.

Настольная модель трансформатора (состоит из магистрали и преобразователя кодера-декодера) с установленными головками обнаружения объектов top, для таких задач, как обнаружение COCO.

Эта модель наследуется от PreTrainedModel. Проверьте документацию суперкласса для общих методов, которые библиотека реализует для всей своей модели (например, загрузку или сохранение, изменение размера входных вложений, обрезку головок и т. д.)

Эта модель также является подклассом PyTorch torch.nn.Module. Используйте его как обычный модуль PyTorch и обращайтесь к документации PyTorch по всем вопросам, связанным с общим использованием. и поведение.

вперед

< источник >

( pixel_values пиксельная_маска = Нет decoder_attention_mask = Нет encoder_outputs = Нет inputs_embeds = Нет decoder_inputs_embeds = Нет метки = нет output_attentions = Нет output_hidden_states = Нет return_dict = Нет ) → transforms. models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput или tuple(torch.FloatTensor)

Параметры

Возвращает

transforms.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput или tuple(torch.FloatTensor)

A transforms.models.table_transformer.modeling_table_transformer.TableTransformerObjectDetectionOutput или кортеж torch.FloatTensor (если передается return_dict=False или когда config.return_dict=False ), включающий различные элементы в зависимости от конфигурации (TableTransformerConfig) и входов.

• потери ( torch.FloatTensor формы (1,) , необязательный , возвращается при наличии меток )) — Полные потери как линейная комбинация отрицательного логарифмического правдоподобия (крест — энтропия) для предсказания класса и потеря ограничивающей рамки. Последний определяется как линейная комбинация потерь L1 и обобщенного не зависящие от масштаба потери IoU.
• loss_dict ( Dict , необязательный ) — Словарь, содержащий отдельные потери. Полезно для регистрации.
• логитов ( torch.FloatTensor формы (batch_size, num_queries, num_classes + 1) ) — логиты классификации (включая отсутствие объектов) для всех запросов.
• pred_boxes ( torch.FloatTensor формы (batch_size, num_queries, 4) ) — Нормализованные координаты блоков для всех запросов, представленные как (center_x, center_y, ширина, высота). Эти значения нормированы в [0, 1] относительно размера каждого отдельного изображения в пакете (без учета возможная прокладка). Вы можете использовать ~TableTransformerImageProcessor.post_process_object_detection в получить ненормализованные ограничивающие рамки.
• auxiliary_outputs ( list[Dict] , optional ) — Необязательный, возвращается только при активации вспомогательных потерь (т. е. config.auxiliary_loss установлен в True ) и этикетки предоставляются. Это список словарей, содержащих два вышеуказанных ключа ( логитов и pred_boxes ) для каждого уровня декодера.
• last_hidden_state ( torch.FloatTensor формы (batch_size, sequence_length, hidden_size) , необязательно ) — Последовательность hidden-состояний на выходе последнего слоя декодера модели.
• decoder_hidden_states ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_hidden_states=True или когда config.output_hidden_states=Tru e ) — Кортеж из torch.FloatTensor (один на вывод вложений + один на вывод каждого слоя) форма (batch_size, sequence_length, hidden_size) . Скрытые состояния декодера на выходе каждого слой плюс исходные результаты встраивания.
• decoder_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config.output_attentions=True ) — Кортеж из torch.FloatTensor (по одному на каждый слой) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания декодера после внимания softmax, используемые для вычисления средневзвешенное значение в головах самовнимания.
• cross_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config.output_attentions=True ) — Tu Пленка горелки .FloatTensor (по одному на каждый слой) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания слоя перекрестного внимания декодера, после внимания softmax, используется для вычисления средневзвешенного значения в головах перекрестного внимания.
• encoder_last_hidden_state ( torch.FloatTensor формы (batch_size, sequence_length, hidden_size) , option ) — Последовательность hidden-состояний на выходе последнего слоя энкодера модели.
• encoder_hidden_states ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_hidden_states=True или когда config.output_hidden_states=Tru e ) — Кортеж torch.FloatTensor (один для вывода вложений + по одному на выход каждого слоя) форма (batch_size, sequence_length, hidden_size) . Скрытые состояния энкодера на выходе каждого слой плюс исходные результаты встраивания.
• encoder_attentions ( tuple(torch.FloatTensor) , необязательный , возвращается, когда передается output_attentions=True или когда config.output_attentions=True ) — Кортеж torch. FloatTensor (по одному на каждый слой ) формы (batch_size, num_heads, sequence_length, sequence_length) . Веса внимания кодировщика после внимания softmax, используемые для вычисления средневзвешенное значение в головах самовнимания.

Передовой метод TableTransformerForObjectDetection переопределяет специальный метод __call__ .

Несмотря на то, что рецепт прямого прохода должен быть определен внутри этой функции, следует вызвать модуль экземпляр впоследствии вместо этого, так как первый заботится о выполнении шагов предварительной и последующей обработки, а последний молча их игнорирует.

Примеры:

 >>> from Huggingface_hub import hf_hub_download
>>> из трансформеров импортировать AutoImageProcessor, TableTransformerForObjectDetection
>>> импортный факел
>>> из изображения импорта PIL
>>> file_path = hf_hub_download(repo_id="nielsr/example-pdf", repo_type="dataset", filename="example_pdf.png")
>>> image = Image.