# MGP-STR

## 概述

MGP-STR 模型由 Peng Wang、Cheng Da 和 Cong Yao 在 [Multi-Granularity Prediction for Scene Text Recognition](https://huggingface.co/papers/2209.03592) 中提出。MGP-STR 是一个概念上**简单**但**强大**的视觉场景文本识别（STR）模型，其构建于[Vision Transformer (ViT)](vit)之上。为了整合语言知识，提出了多粒度预测（MGP）策略，以隐式方式将语言模态的信息注入模型中。

该论文的摘要如下：

*场景文本识别（STR）多年来一直是计算机视觉领域的活跃研究课题。为应对这一具有挑战性的问题，众多创新方法相继被提出，而将语言知识融入 STR 模型近期已成为一个显著趋势。在本工作中，我们首先从 Vision Transformer（ViT）的最新进展中汲取灵感，构建了一个概念上简洁但功能强大的视觉 STR 模型。该模型基于 ViT 构建，在场景文本识别任务上超越了此前的最先进模型，包括纯视觉模型和语言增强方法。为了整合语言知识，我们进一步提出了一种多粒度预测（Multi-Granularity Prediction）策略，以隐式方式将语言模态的信息注入模型。具体而言，除了传统的字符级表示外，我们将 NLP 中广泛使用的子词表示（BPE 和 WordPiece）引入输出空间，同时不采用独立的语言模型（LM）。所得算法（称为 MGP-STR）能够将 STR 的性能边界推向更高水平。具体地，它在标准基准测试上达到了 93.35% 的平均识别准确率。*

<img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/model_doc/mgp_str_architecture.png"
alt="drawing" width="600"/>

 MGP-STR 架构。摘自原始论文。

MGP-STR 在两个合成数据集 [MJSynth](http://www.robots.ox.ac.uk/~vgg/data/text/) (MJ) 和 [SynthText](http://www.robots.ox.ac.uk/~vgg/data/scenetext/) (ST) 上进行训练，未在其他数据集上进行微调。它在六个标准的拉丁文场景文本基准测试中取得了最先进的结果，其中包括 3 个常规文本数据集（IC13、SVT、IIIT）和 3 个非常规数据集（IC15、SVTP、CUTE）。该模型由 [yuekun](https://huggingface.co/yuekun) 贡献。原始代码可在[此处](https://github.com/AlibabaResearch/AdvancedLiterateMachinery/tree/main/OCR/MGP-STR)找到。

## 推理示例

[MgpstrModel](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrModel) 接受图像作为输入，并生成三种类型的预测，它们代表不同粒度下的文本信息。这三种预测会被融合，以给出最终的预测结果。

[ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 类负责预处理输入图像，[MgpstrTokenizer](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrTokenizer) 则将生成的字符 token 解码为目标字符串。[MgpstrProcessor](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrProcessor) 将 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 和 [MgpstrTokenizer](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrTokenizer) 封装为单一实例，以同时提取输入特征并解码预测的 token id。

- 逐步光学字符识别（OCR）

```python
import requests
from PIL import Image

from transformers import MgpstrForSceneTextRecognition, MgpstrProcessor

processor = MgpstrProcessor.from_pretrained('alibaba-damo/mgp-str-base')
model = MgpstrForSceneTextRecognition.from_pretrained('alibaba-damo/mgp-str-base', device_map="auto")

# load a synthetic scene-text image
url = "https://huggingface.co/datasets/hf-internal-testing/transformers-synthetic-assets/resolve/main/images/mgp_str_ticket.png"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")

pixel_values = processor(images=image, return_tensors="pt").to(model.device).pixel_values
outputs = model(pixel_values)

generated_text = processor.batch_decode(outputs.logits)['generated_text']
```

## MgpstrConfig[[transformers.MgpstrConfig]]

#### transformers.MgpstrConfig[[transformers.MgpstrConfig]]

```python
transformers.MgpstrConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, image_size: list[int] | tuple[int, ...] = (32, 128), patch_size: int | list[int] | tuple[int, int] = 4, num_channels: int = 3, max_token_length: int = 27, num_character_labels: int = 38, num_bpe_labels: int = 50257, num_wordpiece_labels: int = 30522, hidden_size: int = 768, num_hidden_layers: int = 12, num_attention_heads: int = 12, mlp_ratio: float | int = 4.0, qkv_bias: bool = True, distilled: bool = False, layer_norm_eps: float = 1e-05, drop_rate: float | int = 0.0, attn_drop_rate: float | int = 0.0, drop_path_rate: float | int = 0.0, output_a3_attentions: bool = False, initializer_range: float = 0.02)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/configuration_mgp_str.py#L24)

**参数：**

image_size (`Union[list[int], tuple[int, ...]]`，*可选*，默认为 `(32, 128)`)：每张图片的尺寸（分辨率）。

patch_size (`Union[int, list[int], tuple[int, int]]`，*可选*，默认为 `4`)：每个 patch 的大小（分辨率）。

num_channels (`int`，*可选*，默认为 `3`)：输入通道数。

max_token_length (`int`，*可选*，默认为 27)：最大输出 token 数。

num_character_labels (`int`，*可选*，默认为 38)：字符头的类别数。

num_bpe_labels (`int`, *可选*, 默认为 50257) : bpe head 的类别数。

num_wordpiece_labels (`int`, *可选*, 默认为 30522) : wordpiece 头的类别数。

hidden_size (`int`，*可选*，默认为 `768`)：隐藏表示的维度。

num_hidden_layers (`int`，*可选*，默认为 `12`)：Transformer 解码器中的隐藏层数。

num_attention_heads (`int`，*可选*，默认为 `12`)：Transformer 解码器中每个注意力层的注意力头数量。

mlp_ratio (`Union[float, int]`，*可选*，默认为 `4.0`)：MLP 隐藏维度与嵌入维度的比率。

qkv_bias (`bool`，*可选*，默认为 `True`)：是否向查询、键和值添加偏置。

distilled (`bool`，*可选*，默认为 `False`)：模型是否包含与 DeiT 模型类似的蒸馏 token 和 head。

layer_norm_eps (`float`，*可选*，默认为 `1e-05`)：层归一化层所使用的 epsilon。

drop_rate (`float`, *可选*，默认为 0.0)：嵌入和编码器中所有全连接层的 dropout 概率。

attn_drop_rate (`float`, *可选*，默认为 0.0)：注意力概率的 dropout 比率。

drop_path_rate (`Union[float, int]`，*可选*，默认为 `0.0`)：用于 patch 融合的 drop path 比率。

output_a3_attentions (`bool`, *可选*, 默认为 `False`) : 模型是否应返回 A^3 模块注意力。

initializer_range (`float`，*可选*，默认值为 `0.02`)：用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。

这是用于存储 Mgp StrModel 配置的类。它根据指定的参数实例化 Mgp Str 模型，并定义模型架构。使用默认值实例化配置将得到与 [alibaba-damo/mgp-str-base](https://huggingface.co/alibaba-damo/mgp-str-base) 类似的配置。

配置对象继承自 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig)，可用于控制模型输出。有关更多信息，请参阅 [PreTrainedConfig](/docs/transformers/v5.23.0/zh/main_classes/configuration#transformers.PreTrainedConfig) 的文档。

示例：

```python
>>> from transformers import MgpstrConfig, MgpstrForSceneTextRecognition

>>> # Initializing a Mgpstr mgp-str-base style configuration
>>> configuration = MgpstrConfig()

>>> # Initializing a model (with random weights) from the mgp-str-base style configuration
>>> model = MgpstrForSceneTextRecognition(configuration)

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

## MgpstrTokenizer[[transformers.MgpstrTokenizer]]

#### transformers.MgpstrTokenizer[[transformers.MgpstrTokenizer]]

```python
transformers.MgpstrTokenizer(vocab_file, unk_token = '[GO]', bos_token = '[GO]', eos_token = '[s]', pad_token = '[GO]', **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/tokenization_mgp_str.py#L28)

**参数：**

vocab_file (`str`) : 词汇表文件的路径。

unk_token (`str`，*可选*，默认为 `"[GO]"`)：未知标记。不在词汇表中的标记无法转换为 ID，因此会被设置为该标记。

bos_token (`str`，*可选*，默认为 `"[GO]"`)：序列起始标记。

eos_token (`str`，*可选*，默认为 `"[s]"`)：序列结束标记。

pad_token (`str` 或 `tokenizers.AddedToken`，*可选*，默认为 `"[GO]"`)：一种特殊标记，用于在批处理时将标记数组调整为相同大小。随后，注意力机制或损失计算将忽略该标记。

构建 MGP-STR 字符分词器。

该分词器继承自 [PreTrainedTokenizer](/docs/transformers/v5.23.0/zh/main_classes/tokenizer#transformers.PythonBackend)，后者包含了大部分主要方法。用户应参考该父类以获取有关这些方法的更多信息。

#### save_vocabulary[[transformers.MgpstrTokenizer.save_vocabulary]]

```python
save_vocabulary(save_directory: str, filename_prefix: str | None = None)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/tokenization_mgp_str.py#L89)

## MgpstrProcessor[[transformers.MgpstrProcessor]]

#### transformers.MgpstrProcessor[[transformers.MgpstrProcessor]]

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

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/processing_mgp_str.py#L40)

**参数：**

image_processor (`ViTImageProcessor`)：图像处理器是必需的输入。

tokenizer (`MgpstrTokenizer`)：分词器是必需的输入。

构建一个 MgpstrProcessor，它将图像处理器和分词器封装为单个处理器。

[MgpstrProcessor](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrProcessor) 提供了 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 和 [MgpstrTokenizer](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrTokenizer) 的所有功能。有关更多信息，请参阅 [~ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 和 [~MgpstrTokenizer](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrTokenizer)。

#### __调用__[[transformers.MgpstrProcessor.__call__]]

```python
__call__(text = None, images = None, **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/processing_mgp_str.py#L48)

**参数：**

text (``) : The sequence or batch of sequences to be encoded. Each sequence can be a string or a list of strings (pretokenized string). If you pass a pretokenized input, set `is_split_into_words=True` to avoid ambiguity with batched inputs.

images (``) : Image to preprocess. Expects a single or batch of images with pixel values ranging from 0 to 255. If passing in images with pixel values between 0 and 1, set `do_rescale=False`.

return_tensors (`str` 或 [TensorType](/docs/transformers/v5.23.0/zh/internal/file_utils#transformers.TensorType)，*可选*)：如果设置，将返回特定框架的张量。可接受的值为： - `'pt'`：返回 PyTorch `torch.Tensor` 对象。 - `'np'`：返回 NumPy `np.ndarray` 对象。

#### batch_decode[[transformers.MgpstrProcessor.batch_decode]]

```python
batch_decode(sequences)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/processing_mgp_str.py#L56)

**参数：**

sequences (`torch.Tensor`) : 标记化输入 ID 的列表。

**返回：** `dict[str, any]`

解码结果所有输出的字典。generated_text (`list[str]`): 融合 char、bpe 和 wp 之后的最终结果。scores (`list[float]`): 融合 char、bpe 和 wp 之后的最终分数。char_preds (`list[str]`): 字符解码句子列表。bpe_preds (`list[str]`): bpe 解码句子列表。wp_preds (`list[str]`): wp 解码句子列表。

通过调用 decode，将 token id 的列表的列表转换为字符串列表。

此方法将其所有参数转发给 PreTrainedTokenizer 的 [batch_decode()](/docs/transformers/v5.23.0/zh/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.batch_decode)。有关更多信息，请参阅该方法的文档字符串。

## MgpstrModel[[transformers.MgpstrModel]]

#### transformers.MgpstrModel[[transformers.MgpstrModel]]

```python
transformers.MgpstrModel(config: MgpstrConfig)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/modeling_mgp_str.py#L292)

**参数：**

config ([MgpstrConfig](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrConfig))：模型配置类，包含模型的所有参数。通过配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 方法以加载模型权重。

未添加任何特定头部的裸 Mgp Str 模型，直接输出原始隐藏状态。

该模型继承自 [PreTrainedModel](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel)。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。

该模型也是 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) 的子类。请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。

#### forward[[transformers.MgpstrModel.forward]]

```python
forward(pixel_values: Tensor, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/modeling_mgp_str.py#L305)

**参数：**

pixel_values (`torch.Tensor`，形状为 `(batch_size, num_channels, image_size, image_size)`)：与输入图像对应的张量。可以使用 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 获取像素值。有关详细信息，请参阅 [ViTImageProcessor.__call__()](/docs/transformers/v5.23.0/zh/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)（[MgpstrProcessor](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrProcessor) 使用 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 处理图像）。

output_attentions (`bool`, *可选*) : 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量中的 `attentions`。

output_hidden_states (`bool`, *可选*) : 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量中的 `hidden_states`。

return_dict (`bool`, *可选*) : 是否返回 [ModelOutput](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.utils.ModelOutput) 而不是普通元组。

**返回：** [BaseModelOutput](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutput) 或 `tuple(torch.Tensor)`

一个 [BaseModelOutput](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.modeling_outputs.BaseModelOutput) 或 `torch.Tensor` 元组（如果传入了 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MgpstrConfig](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrConfig)）和输入。

[MgpstrModel](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrModel) 的 forward 方法重写了 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **last_hidden_state**（形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.Tensor`）-- 模型最后一层输出的隐藏状态序列。
- **hidden_states** (`tuple(torch.Tensor)`，*可选*，在传入 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) -- 一个 `torch.Tensor` 元组（如果模型具有嵌入层，则包含嵌入层的输出，以及每一层的输出），形状为 `(batch_size, sequence_length, hidden_size)`。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
- **attentions** (`tuple(torch.Tensor)`，*可选*，当传入 `output_attentions=True` 或 `config.output_attentions=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。

## MgpstrForSceneTextRecognition[[transformers.MgpstrForSceneTextRecognition]]

#### transformers.MgpstrForSceneTextRecognition[[transformers.MgpstrForSceneTextRecognition]]

```python
transformers.MgpstrForSceneTextRecognition(config: MgpstrConfig)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/modeling_mgp_str.py#L347)

**参数：**

config ([MgpstrConfig](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrConfig))：模型配置类，包含模型的所有参数。通过配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 [from_pretrained()](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel.from_pretrained) 方法以加载模型权重。

MGP-STR 模型，在 Transformer 顶部设有三个分类头（在 Transformer 编码器输出之上包含三个 A^3 模块和三个线性层），用于场景文本识别（STR）。

该模型继承自 [PreTrainedModel](/docs/transformers/v5.23.0/zh/main_classes/model#transformers.PreTrainedModel)。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。

该模型也是 PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) 的子类。请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。

#### forward[[transformers.MgpstrForSceneTextRecognition.forward]]

```python
forward(pixel_values: Tensor, output_attentions: bool | None = None, output_a3_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, **kwargs)
```

[来源](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/mgp_str/modeling_mgp_str.py#L368)

**参数：**

pixel_values (`torch.Tensor`，形状为 `(batch_size, num_channels, image_size, image_size)`)：与输入图像对应的张量。可以使用 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 获取像素值。有关详细信息，请参阅 [ViTImageProcessor.__call__()](/docs/transformers/v5.23.0/zh/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__)（[MgpstrProcessor](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrProcessor) 使用 [ViTImageProcessor](/docs/transformers/v5.23.0/zh/model_doc/vit#transformers.ViTImageProcessor) 处理图像）。

output_attentions (`bool`, *可选*) : 是否返回所有注意力层的注意力张量。有关更多详细信息，请参阅返回张量中的 `attentions`。

output_a3_attentions (`bool`, *可选*) : 是否返回 a3 模块的注意力张量。有关更多详细信息，请参阅返回张量中的 `a3_attentions`。

output_hidden_states (`bool`, *可选*) : 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量中的 `hidden_states`。

return_dict (`bool`, *可选*) : 是否返回 [ModelOutput](/docs/transformers/v5.23.0/zh/main_classes/output#transformers.utils.ModelOutput) 而不是普通元组。

**返回：** `MgpstrModelOutput` 或 `tuple(torch.Tensor)`

`MgpstrModelOutput` 或 `torch.Tensor` 元组（如果传入 `return_dict=False` 或 `config.return_dict=False`），其包含的元素取决于配置（[MgpstrConfig](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrConfig)）和输入。

[MgpstrForSceneTextRecognition](/docs/transformers/v5.23.0/zh/model_doc/mgp-str#transformers.MgpstrForSceneTextRecognition) 的 forward 方法重写了 `__call__` 特殊方法。

尽管前向传播的实现需要在此函数中定义，但之后应调用 `Module` 实例，而不是直接调用此函数，因为前者会负责执行预处理和后处理步骤，而后者会静默地忽略这些步骤。

- **logits** (`tuple(torch.Tensor)`，形状为 `(batch_size, config.num_character_labels)`) -- `torch.Tensor` 的元组（包含一个字符输出，形状为 `(batch_size, config.max_token_length, config.num_character_labels)`；一个 bpe 输出，形状为 `(batch_size, config.max_token_length, config.num_bpe_labels)`；以及一个 wordpiece 输出，形状为 `(batch_size, config.max_token_length, config.num_wordpiece_labels)`）。

  字符、bpe 和 wordpiece 的分类得分（SoftMax 之前）。
- **hidden_states** (`tuple[torch.Tensor]`，*可选*，在传入 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) -- 一个 `torch.Tensor` 元组（如果模型具有嵌入层，则包含嵌入层输出的一个张量，以及每个层输出的一个张量），形状为 `(batch_size, sequence_length, hidden_size)`。

  模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
- **attentions** (`tuple[torch.Tensor]`，*可选*，当传入 `output_attentions=True` 或 `config.output_attentions=True` 时返回) -- 一个 `torch.Tensor` 元组（每层一个），形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。
- **a3_attentions** (`tuple(torch.Tensor)`, *optional*, returned when `output_a3_attentions=True` is passed or when `config.output_a3_attentions=True`) -- Tuple of `torch.Tensor` (one for the attention of character, + one for the attention of bpe`, + one for the attention of wordpiece) of shape `(batch_size, config.max_token_length, sequence_length)`.

  经过注意力 softmax 后的注意力权重，用于在自注意力头中计算加权平均值。

示例：

```python
>>> from transformers import (
...     MgpstrProcessor,
...     MgpstrForSceneTextRecognition,
... )
>>> from huggingface_hub.utils import httpx
>>> from io import BytesIO
>>> from PIL import Image

>>> # load a synthetic scene-text image
>>> url = "https://huggingface.co/datasets/hf-internal-testing/transformers-synthetic-assets/resolve/main/images/mgp_str_ticket.png"
>>> with httpx.stream("GET", url) as response:
...     image = Image.open(BytesIO(response.read())).convert("RGB")

>>> processor = MgpstrProcessor.from_pretrained("alibaba-damo/mgp-str-base")
>>> pixel_values = processor(images=image, return_tensors="pt").pixel_values

>>> model = MgpstrForSceneTextRecognition.from_pretrained("alibaba-damo/mgp-str-base")

>>> # inference
>>> outputs = model(pixel_values)
>>> out_strs = processor.batch_decode(outputs.logits)
>>> out_strs["generated_text"]
'["ticket"]'
```

