# Configuration

La classe de base [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) implémente les méthodes communes pour charger/enregistrer une configuration, soit depuis un fichier ou un répertoire local, soit depuis la configuration d'un modèle préentraîné fournie par la bibliothèque (téléchargée depuis le dépôt AWS S3 de HuggingFace).

Chaque classe de configuration dérivée implémente des attributs spécifiques au modèle. Les attributs communs présents dans toutes les classes de configuration sont : `hidden_size`, `num_attention_heads` et `num_hidden_layers`. Les modèles de texte implémentent en outre : `vocab_size`.

## PreTrainedConfig[[transformers.PreTrainedConfig]]

#### transformers.PreTrainedConfig[[transformers.PreTrainedConfig]]

```python
transformers.PreTrainedConfig(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)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L299)

**Paramètres :**

name_or_path (`str`, *facultatif*, valeur par défaut `""`) : stocke la chaîne de caractères transmise à [PreTrainedModel.from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel.from_pretrained) en tant que `pretrained_model_name_or_path` si la configuration a été créée à l'aide d'une telle méthode.

output_hidden_states (`bool`, *facultatif*, valeur par défaut `False`) : Indique si le modèle doit retourner tous les états cachés.

output_attentions (`bool`, *facultatif*, valeur par défaut `False`) : Indique si le modèle doit renvoyer toutes les attentions.

return_dict (`bool`, *facultatif*, valeur par défaut `True`) : Indique si le modèle doit retourner un [ModelOutput](/docs/transformers/v5.23.0/fr/main_classes/output#transformers.utils.ModelOutput) plutôt qu'un simple tuple.

is_encoder_decoder (`bool`, *facultatif*, valeur par défaut `False`) : Indique si le modèle est utilisé comme encodeur/décodeur ou non.

chunk_size_feed_forward (`int`, *facultatif*, valeur par défaut `0`) : La taille de bloc de toutes les couches feed forward dans les blocs d'attention résiduelle. Une taille de bloc de `0` signifie que la couche feed forward n'est pas découpée. Une taille de bloc de n signifie que la couche feed forward traite `n` < sequence_length embeddings à la fois. Pour plus d'informations sur le découpage feed forward, voir [Comment fonctionne le découpage feed forward ?](../glossary.html#feed-forward-chunking).

per_layer_config (`dict[int | str, dict[str, Any]]`, *facultatif*) : Correspondance creuse des indices de couches vers les attributs de configuration à remplacer. Chaque clé est un indice de couche, et chaque valeur contient les attributs qui diffèrent de la configuration globale pour cette couche.

tie_last_hidden_states (`bool`, *facultatif*) : Indique si `hidden_states[-1]` doit être le `last_hidden_state` après la normalisation finale plutôt que l'état caché avant la normalisation finale. Si non défini, la valeur par défaut intégrée au modèle est utilisée.

**Paramètres pour les tâches de fine-tuning :**

architectures (`list[str]`, *facultatif*) : Architectures de modèles pouvant être utilisées avec les poids pré-entraînés du modèle.

id2label (`dict[int, str]`, *facultatif*) : Une correspondance entre un index (par exemple, l'index de prédiction ou l'index de cible) et une étiquette.

label2id (`dict[str, int]`, *facultatif*) : Une correspondance entre les étiquettes et les indices pour le modèle.

num_labels (`int`, *facultatif*) : Nombre d'étiquettes à utiliser dans la dernière couche ajoutée au modèle, généralement pour une tâche de classification.

problem_type (`str`, *facultatif*) : Type de problème pour les modèles `XxxForSequenceClassification`. Peut être `"regression"`, `"single_label_classification"` ou `"multi_label_classification"`.

**Paramètres spécifiques à PyTorch :**

dtype (`str`, *facultatif*) : le `dtype` des poids. Cet attribut permet d'initialiser le modèle avec un `dtype` non par défaut (normalement `float32`) afin d'optimiser l'allocation de la mémoire. Par exemple, si le modèle enregistré est en `float16`, il est idéal de le recharger en utilisant la quantité minimale de mémoire nécessaire pour charger des poids `float16`.

Classe de base pour toutes les classes de configuration. Gère plusieurs paramètres communs à toutes les configurations de modèles, ainsi que des méthodes pour charger, télécharger et enregistrer les configurations.

Un fichier de configuration peut être chargé et enregistré sur le disque. Le chargement du fichier de configuration et l'utilisation de ce fichier pour initialiser un modèle ne **chargent pas** les poids du modèle. Cela n'affecte que la configuration du modèle.

Attributs de classe (réécrits par les classes dérivées) :

- **model_type** (`str`) -- Un identifiant du type de modèle, sérialisé dans le fichier JSON et utilisé pour recréer le bon objet dans [AutoConfig](/docs/transformers/v5.23.0/fr/model_doc/auto#transformers.AutoConfig).
- **attribute_map** (`dict[str, str]`) -- Un dictionnaire qui associe les noms d'attributs spécifiques au modèle à la nomenclature standardisée des attributs.
- **base_model_tp_plan** (`dict[str, Any]`) -- Un dictionnaire qui associe les FQN des sous-modules d'un modèle de base à un plan de parallélisation tensorielle appliqué au sous-module lorsque `model.tensor_parallel` est appelé.
- **base_model_fsdp_plan** (`dict[Any, str]`) -- Un dictionnaire qui associe les sous-modules d'un modèle de base à une stratégie de fractionnement FSDP2 (par ex. `"free_full_weight"` / `"keep_full_weight"`). Les clés peuvent être des chemins de modules avec des caractères jokers (par ex. `"layers.*"`) ou des tuples de chemins (regroupés dans un seul appel `fully_shard`).
- **base_model_pp_plan** (`dict[str, tuple[list[str]]]`) -- Un dictionnaire qui associe les sous-modules d'un modèle de base à un plan de parallélisme par pipeline permettant aux utilisateurs de placer le sous-module sur l'appareil approprié.

Attributs communs (présents dans toutes les sous-classes) :

- **vocab_size** (`int`) -- Le nombre de jetons du vocabulaire, qui correspond également à la première dimension de la matrice de plongements (cet attribut peut être absent pour les modèles sans modalité texte, comme ViT).
- **hidden_size** (`int`) -- La taille cachée du modèle.
- **num_attention_heads** (`int`) -- Le nombre de têtes d'attention utilisées dans les couches d'attention multi-têtes du modèle.
- **num_hidden_layers** (`int`) -- Le nombre de blocs du modèle.

La configuration des paramètres de génération de séquences dans la configuration du modèle est obsolète. Pour des raisons de rétrocompatibilité, le chargement de certains d'entre eux restera possible, mais toute tentative de les écraser déclenchera une exception — vous devez les définir dans un [~transformers.GenerationConfig]. Consultez la documentation de [~transformers.GenerationConfig] pour plus d'informations sur les paramètres individuels.

#### push_to_hub[[transformers.PreTrainedConfig.push_to_hub]]

```python
push_to_hub(repo_id: str, commit_message: str | None = None, commit_description: str | None = None, private: bool | None = None, token: bool | str | None = None, revision: str | None = None, create_pr: bool = False, max_shard_size: int | str | None = '50GB', tags: list[str] | None = None)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/utils/hub.py#L822)

**Paramètres :**

repo_id (`str`) : Le nom du dépôt vers lequel vous souhaitez pousser votre configuration. Il doit contenir le nom de votre organisation lors d'une poussée vers une organisation donnée.

commit_message (`str`, *facultatif*) : Message à commiter lors de la poussée. La valeur par défaut est `"Upload config"`.

commit_description (`str`, *facultatif*) : La description du commit qui sera créé

private (`bool`, *facultatif*) : Indique s'il faut rendre le dépôt privé. Si la valeur est `None` (par défaut), le dépôt sera public, sauf si le défaut de l'organisation est privé. Cette valeur est ignorée si le dépôt existe déjà.

token (`bool` ou `str`, *facultatif*) : Jeton à utiliser comme autorisation HTTP bearer pour les fichiers distants. Si `True` (par défaut), le jeton généré lors de l'exécution de `hf auth login` (stocké dans `~/.huggingface`) sera utilisé.

revision (`str`, *facultatif*) : Branche vers laquelle pousser les fichiers téléversés.

create_pr (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut créer une PR avec les fichiers téléversés ou effectuer un commit direct.

max_shard_size (`int` ou `str`, *facultatif*, valeur par défaut `"50GB"`) : Ne s'applique qu'aux modèles. Taille maximale d'un point de contrôle avant son fractionnement. Les points de contrôle fractionnés auront chacun une taille inférieure à cette valeur. S'il est exprimé sous forme de chaîne, il doit être composé de chiffres suivis d'une unité (comme `"5MB"`).

tags (`list[str]`, *facultatif*) : Liste de tags à pousser sur le Hub.

Téléchargez le fichier de configuration sur le 🤗 Model Hub.

Exemples :

```python
from transformers import AutoConfig

config = AutoConfig.from_pretrained("google-bert/bert-base-cased")

# Push the config to your namespace with the name "my-finetuned-bert".
config.push_to_hub("my-finetuned-bert")

# Push the config to an organization with the name "my-finetuned-bert".
config.push_to_hub("huggingface/my-finetuned-bert")
```

#### default_config_fields[[transformers.PreTrainedConfig.default_config_fields]]

```python
default_config_fields()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1474)

Récupère les valeurs par défaut de chaque champ annoté dans une dataclass, utilisé pour enregistrer le diff-dict. Pour les configurations créées en v4 avec un `__init__` personnalisé, il renvoie un dictionnaire vide, ce qui enregistre donc toutes les clés de `self.__dict__`. Pour les configurations plus récentes, il renvoie les clés qui ont des valeurs par défaut déclarées en tant que champs, plutôt que dans `__post_init__`, ce qui filtre uniquement ces champs spécifiques du fichier json sérialisé.

#### dict_dtype_to_str[[transformers.PreTrainedConfig.dict_dtype_to_str]]

```python
dict_dtype_to_str(d: dict[str, Any])
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1395)

Vérifie si le dictionnaire transmis et ses dictionnaires imbriqués possèdent une clé *dtype* et, si celle-ci n'est pas None, convertit torch.dtype en une chaîne de caractères contenant uniquement le type. Par exemple, `torch.float32` est converti en la chaîne *"float32"*, qui peut ensuite être stockée au format json.

#### from_dict[[transformers.PreTrainedConfig.from_dict]]

```python
from_dict(config_dict: dict[str, Any], **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1054)

**Paramètres :**

config_dict (`dict[str, Any]`) : Dictionnaire utilisé pour instancier l'objet de configuration. Un tel dictionnaire peut être récupéré à partir d'un point de contrôle préentraîné en utilisant la méthode [get_config_dict()](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig.get_config_dict).

kwargs (`dict[str, Any]`) : Paramètres supplémentaires à partir desquels initialiser l'objet de configuration.

**Retourne :** [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig)

L'objet de configuration instancié à partir de ces paramètres.

Instancie un [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) à partir d'un dictionnaire Python de paramètres.

#### from_json_file[[transformers.PreTrainedConfig.from_json_file]]

```python
from_json_file(json_file: str | os.PathLike)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1115)

**Paramètres :**

json_file (`str` ou `os.PathLike`) : Chemin vers le fichier JSON contenant les paramètres.

**Retourne :** [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig)

L'objet de configuration instancié à partir de ce fichier JSON.

Instancie un [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) à partir du chemin d'accès vers un fichier JSON de paramètres.

#### from_pretrained[[transformers.PreTrainedConfig.from_pretrained]]

```python
from_pretrained(pretrained_model_name_or_path: str | os.PathLike, cache_dir: str | os.PathLike | None = None, force_download: bool = False, local_files_only: bool = False, token: str | bool | None = None, revision: str = 'main', **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L797)

**Paramètres :**

pretrained_model_name_or_path (`str` ou `os.PathLike`) : Peut être l'un des éléments suivants :  - une chaîne de caractères, l'*identifiant de modèle* d'une configuration de modèle préentraîné hébergée dans un dépôt de modèles sur huggingface.co. - un chemin vers un *répertoire* contenant un fichier de configuration enregistré à l'aide de la méthode [save_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig.save_pretrained), par exemple `./my_model_directory/`. - un chemin vers un fichier JSON de configuration *fichier* enregistré, par exemple `./my_model_directory/configuration.json`.

cache_dir (`str` ou `os.PathLike`, *facultatif*) : Chemin vers un répertoire dans lequel la configuration d'un modèle pré-entraîné téléchargé doit être mise en cache si le cache standard ne doit pas être utilisé.

force_download (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut forcer le (re)téléchargement des fichiers de configuration et remplacer les versions en cache si elles existent.

proxies (`dict[str, str]`, *facultatif*) : Un dictionnaire de serveurs proxy à utiliser par protocole ou point de terminaison, par exemple `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}.` Les proxys sont utilisés pour chaque requête.

token (`str` ou `bool`, *facultatif*) : Jeton à utiliser comme autorisation HTTP bearer pour les fichiers distants. Si `True`, ou non spécifié, le jeton généré lors de l'exécution de `hf auth login` (stocké dans `~/.huggingface`) sera utilisé.

revision (`str`, *facultatif*, valeur par défaut `"main"`) : La version spécifique du modèle à utiliser. Il peut s'agir d'un nom de branche, d'un nom de tag ou d'un identifiant de commit, car nous utilisons un système basé sur git pour stocker les modèles et autres artefacts sur huggingface.co, de sorte que `revision` peut être n'importe quel identifiant autorisé par git. Pour tester une pull request que vous avez créée sur le Hub, vous pouvez passer `revision="refs/pr/<pr_number>"`.

return_unused_kwargs (`bool`, *facultatif*, valeur par défaut `False`) : Si `False`, cette fonction renvoie uniquement l'objet de configuration final. Si `True`, cette fonction renvoie un `Tuple(config, unused_kwargs)` où *unused_kwargs* est un dictionnaire composé des paires clé/valeur dont les clés ne sont pas des attributs de configuration : c'est-à-dire la partie de `kwargs` qui n'a pas été utilisée pour mettre à jour `config` et qui est autrement ignorée.

subfolder (`str`, *facultatif*, valeur par défaut `""`) : si les fichiers concernés se trouvent dans un sous-dossier du dépôt de modèle sur huggingface.co, vous pouvez spécifier le nom du dossier ici.

kwargs (`dict[str, Any]`, *facultatif*) : Les valeurs dans kwargs correspondant à des attributs de configuration sont utilisées pour remplacer les valeurs chargées. Le comportement concernant les paires clé/valeur dont les clés ne sont *pas* des attributs de configuration est contrôlé par le paramètre mot-clé `return_unused_kwargs`.

**Retourne :** [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig)

L'objet de configuration instancié à partir de ce modèle pré-entraîné.

Instanciez un [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) (ou une classe dérivée) à partir de la configuration d'un modèle pré-entraîné.

Exemples :

```python
# We can't instantiate directly the base class *PreTrainedConfig* so let's show the examples on a
# derived class: BertConfig
config = BertConfig.from_pretrained(
    "google-bert/bert-base-uncased"
)  # Download configuration from huggingface.co and cache.
config = BertConfig.from_pretrained(
    "./test/saved_model/"
)  # E.g. config (or model) was saved using *save_pretrained('./test/saved_model/')*
config = BertConfig.from_pretrained("./test/saved_model/my_configuration.json")
config = BertConfig.from_pretrained("google-bert/bert-base-uncased", output_attentions=True, foo=False)
assert config.output_attentions == True
config, unused_kwargs = BertConfig.from_pretrained(
    "google-bert/bert-base-uncased", output_attentions=True, foo=False, return_unused_kwargs=True
)
assert config.output_attentions == True
assert unused_kwargs == {"foo": False}
```

#### get_config_dict[[transformers.PreTrainedConfig.get_config_dict]]

```python
get_config_dict(pretrained_model_name_or_path: str | os.PathLike, **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L909)

**Paramètres :**

pretrained_model_name_or_path (`str` ou `os.PathLike`) : L'identifiant du point de contrôle pré-entraîné à partir duquel nous voulons obtenir le dictionnaire des paramètres.

**Retourne :** `tuple[Dict, Dict]`

Le(s) dictionnaire(s) qui sera(ont) utilisé(s) pour instancier l'objet de configuration.

À partir d’un `pretrained_model_name_or_path`, résout en un dictionnaire de paramètres, à utiliser pour instancier un [PreTrainedConfig](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig) à l’aide de `from_dict`.

#### get_mtp_config[[transformers.PreTrainedConfig.get_mtp_config]]

```python
get_mtp_config()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1596)

Retourne la configuration de texte mtp à utiliser pour créer le modèle MTP. Comme les couches MTP sont créées en instanciant les mêmes classes que le modèle principal, il est nécessaire de réécrire les propriétés spécifiques à l'index de la configuration, telles que `layer_types` ou `mtp_layer_types`, afin de créer les couches mtp correctes et d'éviter les problèmes d'indexation dans les couches (car les couches MTP repartent l'indexation des couches à partir de 0).

#### get_text_config[[transformers.PreTrainedConfig.get_text_config]]

```python
get_text_config(decoder = None, encoder = None)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1519)

**Paramètres :**

decoder (`Optional[bool]`, *facultatif*) : Si défini sur `True`, recherche uniquement les noms de configuration du décodeur.

encoder (`Optional[bool]`, *facultatif*) : Si défini sur `True`, recherche uniquement les noms de configuration d'encodeur.

Retourne la configuration de texte associée à l’entrée de texte (encodeur) ou à la sortie de texte (décodeur) du modèle. Les arguments d’entrée `decoder` et `encoder` permettent de préciser quelle partie du modèle nous intéresse, ce qui est utile pour les modèles disposant à la fois de modalités d’entrée et de sortie de texte.

Il existe trois résultats possibles à l'utilisation de cette méthode :
1. Sur la plupart des modèles, il renvoie l'instance de configuration d'origine elle-même.
2. Sur les modèles composites plus récents (2024 et suivants), il renvoie la section texte de la configuration, qui est imbriquée sous un ensemble de noms valides.
3. Sur les modèles composites plus anciens (2023-), il supprime les paramètres uniquement décodeur lorsque `encoder=True` et inversement.

#### is_custom_code[[transformers.PreTrainedConfig.is_custom_code]]

```python
is_custom_code()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1468)

Indique si la configuration actuelle est du code personnalisé, c'est-à-dire soit du code chargé depuis le hub, soit défini dans un module ou une session spécifique à l'utilisateur.

#### is_remote_code[[transformers.PreTrainedConfig.is_remote_code]]

```python
is_remote_code()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1462)

Indique si la configuration actuelle est un code personnalisé, c'est-à-dire un code chargé depuis le hub, ou une classe que nous venons d'enregistrer via `register_for_auto_class`.

#### register_for_auto_class[[transformers.PreTrainedConfig.register_for_auto_class]]

```python
register_for_auto_class(auto_class = 'AutoConfig')
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1440)

**Paramètres :**

auto_class (`str` ou `type`, *facultatif*, valeur par défaut `"AutoConfig"`) : La classe auto auprès de laquelle enregistrer cette nouvelle configuration.

Enregistrez cette classe avec une classe auto donnée. Cette opération ne doit être utilisée que pour les configurations personnalisées, car celles de la bibliothèque sont déjà associées à `AutoConfig`.

#### save_pretrained[[transformers.PreTrainedConfig.save_pretrained]]

```python
save_pretrained(save_directory: str | os.PathLike, push_to_hub: bool = False, **kwargs)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L735)

**Paramètres :**

save_directory (`str` ou `os.PathLike`) : répertoire où le fichier JSON de configuration sera enregistré (il sera créé s'il n'existe pas).

push_to_hub (`bool`, *facultatif*, valeur par défaut `False`) : Indique s'il faut ou non publier votre modèle sur le Hugging Face model hub après l'avoir enregistré. Vous pouvez spécifier le dépôt de destination avec `repo_id` (par défaut, il s'agit du nom de `save_directory` dans votre espace de noms).

kwargs (`dict[str, Any]`, *facultatif*) : Arguments supplémentaires par mot-clé transmis à la méthode [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub).

Enregistrer un objet de configuration dans le répertoire `save_directory` afin qu'il puisse être rechargé à l'aide de la méthode de classe [from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/configuration#transformers.PreTrainedConfig.from_pretrained).

#### to_dict[[transformers.PreTrainedConfig.to_dict]]

```python
to_dict()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1261)

**Retourne :** `dict[str, Any]`

Dictionnaire de tous les attributs qui composent cette instance de configuration.

Sérialise cette instance en dictionnaire Python.

#### to_diff_dict[[transformers.PreTrainedConfig.to_diff_dict]]

```python
to_diff_dict()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1199)

**Retourne :** dict[str, Any]

Dictionnaire de tous les attributs qui composent cette instance de configuration.

Supprime tous les attributs de la configuration qui correspondent aux attributs de la configuration par défaut, afin d'améliorer la lisibilité, tout en conservant toujours l'attribut `config` de la classe. Sérialise en dictionnaire Python.

#### to_json_file[[transformers.PreTrainedConfig.to_json_file]]

```python
to_json_file(json_file_path: str | os.PathLike, use_diff: bool = True)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1333)

**Paramètres :**

json_file_path (`str` ou `os.PathLike`) : Chemin du fichier JSON dans lequel les paramètres de cette instance de configuration seront enregistrés.

use_diff (`bool`, *facultatif*, valeur par défaut `True`) : Si défini sur `True`, seules les différences entre l'instance de configuration et la configuration par défaut `PreTrainedConfig()` sont sérialisées dans le fichier JSON.

Enregistrez cette instance dans un fichier JSON.

#### to_json_string[[transformers.PreTrainedConfig.to_json_string]]

```python
to_json_string(use_diff: bool = True)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1311)

**Paramètres :**

use_diff (`bool`, *facultatif*, valeur par défaut `True`) : Si défini sur `True`, seule la différence entre l'instance de configuration et la configuration par défaut `PreTrainedConfig()` est sérialisée en chaîne JSON.

**Retourne :** `str`

Chaîne de caractères contenant tous les attributs qui composent cette instance de configuration au format JSON.

Sérialise cette instance en chaîne JSON.

#### mettre à jour[[transformers.PreTrainedConfig.update]]

```python
update(config_dict: dict[str, Any])
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1347)

**Paramètres :**

config_dict (`dict[str, Any]`) : Dictionnaire des attributs qui doivent être mis à jour pour cette classe.

Met à jour les attributs de cette classe avec les attributs de `config_dict`.

#### update_from_string[[transformers.PreTrainedConfig.update_from_string]]

```python
update_from_string(update_str: str)
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1357)

**Paramètres :**

update_str (`str`) : Chaîne de caractères contenant les attributs qui doivent être mis à jour pour cette classe.

Met à jour les attributs de cette classe avec les attributs de `update_str`.

Le format attendu est des entiers, des flottants et des chaînes de caractères tels quels, et pour les booléens, utilisez `true` ou `false`. Par exemple : "n_embd=10,resid_pdrop=0.2,scale_attn_weights=false,summary_type=cls_index"

Les clés à modifier doivent déjà exister dans l'objet de configuration.

#### valider[[transformers.PreTrainedConfig.validate]]

```python
validate()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/huggingface_hub/dataclasses.py#L247)

Exécuter les validateurs de classe sur l'instance.

#### validate_architecture[[transformers.PreTrainedConfig.validate_architecture]]

```python
validate_architecture()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L670)

Fait partie de la validation basée sur `@strict`. Valide l'architecture de la configuration.

#### validate_layer_type[[transformers.PreTrainedConfig.validate_layer_type]]

```python
validate_layer_type()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L703)

Vérifiez que `mlp_layer_types` et `layer_types` sont correctement définis.

#### validate_token_ids[[transformers.PreTrainedConfig.validate_token_ids]]

```python
validate_token_ids()
```

[Source](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L687)

Fait partie de la validation alimentée par `@strict`. Valide le contenu des jetons spéciaux.

