你需要首先对输入进行分词和填充，然后从模型中获取预测结果。你可以创建自己的评估函数，在填充和分词之后执行相同的操作。

嘿，我调整了数据加载器，并能够在标记和预测的词级别上获取结果。我已经为v1编写了一个脚本，所以如果能够像v1中创建的test_image.txt文件一样获取测试图像，并在词级别上获得预测logits,那就太好了。

既然你已经在token_id级别有了预测，你可以尝试使用tokenizer.convert_ids_to_tokens(input_id)将input_id转换为单词。你可能需要将单词重新组合，因为分词器可能会将单词分成多个部分。

感谢@sherlocked27的支持。让我尝试这个解决方案。

我尝试了你告诉我的方法，但仍然出错。你能看一下这个图片并提些建议吗？

$x_1^c_0 d_1^x$

如果已经是一个Tensor,移除.tensor可以解决错误，但这是一个权宜之计。

images_input = (
            (images if torch.is_tensor(images) else images.tensor) - self.pixel_mean
        )

你也可以检查一下，我没有尝试过这样初始化，但它可能会起作用，因为应该是ImageList,但一些初始化导致了问题，它是一个Tensor。