Transformers documentation

Kelas otomatis

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Kelas otomatis

Dalam banyak kasus, arsitektur yang akan digunakan dapat disimpulkan dari nama atau path model pretrained yang diberikan ke metode from_pretrained(). Instansiasi AutoConfig, AutoModel, atau AutoTokenizer secara otomatis membuat kelas arsitektur yang sesuai. Sebagai contoh:

model = AutoModel.from_pretrained("google-bert/bert-base-cased", device_map="auto")

Ini membuat instance model dari BertModel.

Setiap tugas memiliki kelas AutoModel yang sesuai.

Memperluas Kelas Otomatis

Setiap kelas auto menyediakan metode yang memungkinkan kelas tersebut diperluas dengan kelas kustom. Misalnya, jika Anda mendefinisikan kelas model kustom NewModel, pastikan Anda juga mendefinisikan NewModelConfig yang sesuai. Anda kemudian dapat mendaftarkannya dengan kelas auto seperti yang ditunjukkan di bawah ini:

from transformers import AutoConfig, AutoModel


AutoConfig.register("new-model", NewModelConfig)
AutoModel.register(NewModelConfig, NewModel)

Anda kemudian dapat menggunakan kelas auto seperti biasa.

Jika NewModelConfig Anda adalah subkelas dari PreTrainedConfig, pastikan atribut model_type diatur ke kunci yang sama yang Anda gunakan saat mendaftarkan config (di sini "new-model").

Demikian pula, jika NewModel Anda adalah subkelas dari PreTrainedModel, pastikan atribut config_class diatur ke kelas yang sama yang Anda gunakan saat mendaftarkan model (di sini NewModelConfig).

AutoConfig

kelas transformers.AutoConfig

< >

( )

Ini adalah kelas konfigurasi generik yang akan diinstansiasi sebagai salah satu kelas konfigurasi dari pustaka ini saat dibuat dengan metode kelas from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path: str | os.PathLike[str]**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari konfigurasi model pretrained yang dihosting di dalam repo model di huggingface.co.
    • Path ke direktori yang berisi file konfigurasi yang disimpan menggunakan metode save_pretrained(), atau metode save_pretrained(), misalnya ./my_model_directory/.
    • path ke file JSON konfigurasi yang disimpan file, misalnya, ./my_model_directory/configuration.json.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi serta menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • return_unused_kwargs (bool, opsional, defaultnya False) — Jika False, maka fungsi ini hanya mengembalikan objek konfigurasi akhir.

    Jika True, maka fungsi ini mengembalikan Tuple(config, unused_kwargs) di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut konfigurasi: yaitu, bagian dari kwargs yang tidak digunakan untuk memperbarui config dan diabaikan.

  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • kwargs(additional keyword arguments, optional) — Nilai dalam kwargs dari kunci mana pun yang merupakan atribut konfigurasi akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya bukan atribut konfigurasi dikendalikan oleh parameter kata kunci return_unused_kwargs.

Instansiasi salah satu kelas konfigurasi dari pustaka ini dari konfigurasi model pretrained.

Kelas konfigurasi yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config yang dimuat, atau, jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Contoh:

>>> from transformers import AutoConfig

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-uncased")

>>> # Download configuration from huggingface.co (user-uploaded) and cache.
>>> config = AutoConfig.from_pretrained("dbmdz/bert-base-german-cased")

>>> # If configuration file is in a directory (e.g., was saved using *save_pretrained('./test/saved_model/')*).
>>> config = AutoConfig.from_pretrained("./test/bert_saved_model/")

>>> # Load a specific configuration file.
>>> config = AutoConfig.from_pretrained("./test/bert_saved_model/my_configuration.json")

>>> # Change some config attributes when loading a pretrained config.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-uncased", output_attentions=True, foo=False)
>>> config.output_attentions
True

>>> config, unused_kwargs = AutoConfig.from_pretrained(
...     "google-bert/bert-base-uncased", output_attentions=True, foo=False, return_unused_kwargs=True
... )
>>> config.output_attentions
True

>>> unused_kwargs
{'foo': False}

register

< >

( model_typeconfigexist_ok = False )

Parameter

  • model_type (str) — Tipe model seperti “bert” atau “gpt”.
  • config (PreTrainedConfig) — Konfigurasi yang akan didaftarkan.

Daftarkan konfigurasi baru untuk kelas ini.

AutoTokenizer

kelas transformers.AutoTokenizer

< >

( )

Ini adalah kelas tokenizer generik yang akan diinstansiasi sebagai salah satu kelas tokenizer dari pustaka ini saat dibuat dengan metode kelas AutoTokenizer.from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari tokenizer yang sudah ditentukan sebelumnya dan dihosting di dalam repositori model di huggingface.co.
    • Path ke direktori yang berisi file kosakata yang diperlukan oleh tokenizer, misalnya yang disimpan menggunakan metode save_pretrained(), contohnya ./my_model_directory/.
    • path ke satu file kosakata yang disimpan jika dan hanya jika tokenizer hanya memerlukan satu file kosakata (seperti Bert atau XLNet), misalnya: ./my_model_directory/vocab.txt. (Tidak berlaku untuk semua kelas turunan)
  • inputs (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() Tokenizer.
  • config (PreTrainedConfig, opsional) — Objek konfigurasi yang digunakan untuk menentukan kelas tokenizer yang akan diinstansiasi.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi serta menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • subfolder (str, opsional) — Jika file yang relevan berada di dalam subfolder dari repo model di huggingface.co (misalnya untuk facebook/rag-token-base), tentukan di sini.
  • tokenizer_type (str, opsional) — Jenis tokenizer yang akan dimuat.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • kwargs (argumen kata kunci tambahan, opsional) — Akan diteruskan ke metode __init__() Tokenizer. Dapat digunakan untuk mengatur token khusus seperti bos_token, eos_token, unk_token, sep_token, pad_token, cls_token, mask_token, additional_special_tokens. Lihat parameter di __init__() untuk detail lebih lanjut.

Instansiasi salah satu kelas tokenizer dari pustaka ini dari kosakata model terlatih sebelumnya.

Kelas tokenizer yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Contoh:

>>> from transformers import AutoTokenizer

>>> # Download vocabulary from huggingface.co and cache.
>>> tokenizer = AutoTokenizer.from_pretrained("google-bert/bert-base-uncased")

>>> # Download vocabulary from huggingface.co (user-uploaded) and cache.
>>> tokenizer = AutoTokenizer.from_pretrained("dbmdz/bert-base-german-cased")

>>> # If vocabulary files are in a directory (e.g. tokenizer was saved using *save_pretrained('./test/saved_model/')*)
>>> # tokenizer = AutoTokenizer.from_pretrained("./test/bert_saved_model/")

>>> # Download vocabulary from huggingface.co and define model-specific arguments
>>> tokenizer = AutoTokenizer.from_pretrained("FacebookAI/roberta-base", add_prefix_space=True)

register

< >

( config_classtokenizer_class = Noneslow_tokenizer_class = Nonefast_tokenizer_class = Noneexist_ok = False )

Parameter

  • config_class (PreTrainedConfig) — Konfigurasi yang sesuai dengan model yang akan didaftarkan.
  • tokenizer_class — Kelas tokenizer yang akan didaftarkan (V5 - parameter yang disarankan).
  • slow_tokenizer_class — (Tidak didukung lagi) Tokenizer lambat yang akan didaftarkan.
  • fast_tokenizer_class — (Tidak didukung lagi) Fast tokenizer yang akan didaftarkan.

Daftarkan tokenizer baru dalam pemetaan ini.

AutoFeatureExtractor

kelas transformers.AutoFeatureExtractor

< >

( )

Ini adalah kelas ekstraktor fitur generik yang akan diinstansiasi sebagai salah satu kelas ekstraktor fitur dari pustaka saat dibuat dengan metode kelas AutoFeatureExtractor.from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Ini bisa berupa:
    • sebuah string, model id dari feature_extractor pretrained yang dihosting di dalam repo model di huggingface.co.
    • path ke direktori yang berisi file feature extractor yang disimpan menggunakan metode save_pretrained(), misalnya ./my_model_directory/.
    • path ke file JSON feature extractor yang disimpan file, misalnya ./my_model_directory/preprocessor_config.json.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat feature extractor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) file feature extractor dan menimpa versi yang di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy untuk digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • token (str atau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika True, akan menggunakan token yang dihasilkan saat menjalankan hf auth login (disimpan di ~/.huggingface).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • return_unused_kwargs (bool, opsional, default False) — Jika False, fungsi ini hanya mengembalikan objek feature extractor akhir. Jika True, fungsi ini mengembalikan Tuple(feature_extractor, unused_kwargs) di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut feature extractor: yaitu, bagian dari kwargs yang tidak digunakan untuk memperbarui feature_extractor dan diabaikan.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • kwargs (dict[str, Any], opsional) — Nilai dalam kwargs untuk kunci mana pun yang merupakan atribut feature extractor akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya bukan atribut feature extractor dikendalikan oleh parameter kata kunci return_unused_kwargs.

Instansiasi salah satu kelas feature extractor dari pustaka ini dari kosakata model pretrained.

Kelas feature extractor yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (yang diberikan sebagai argumen atau dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pattern matching pada pretrained_model_name_or_path:

Menyampaikan token=True diperlukan ketika Anda ingin menggunakan model privat.

Contoh:

>>> from transformers import AutoFeatureExtractor

>>> # Download feature extractor from huggingface.co and cache.
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/wav2vec2-base-960h")

>>> # If feature extractor files are in a directory (e.g. feature extractor was saved using *save_pretrained('./test/saved_model/')*)
>>> # feature_extractor = AutoFeatureExtractor.from_pretrained("./test/saved_model/")

register

< >

( config_classfeature_extractor_classexist_ok = False )

Parameter

  • config_class (PreTrainedConfig) — Konfigurasi yang sesuai dengan model yang akan didaftarkan.
  • feature_extractor_class (FeatureExtractorMixin) — Feature extractor yang akan didaftarkan.

Daftarkan fitur ekstraktor baru untuk kelas ini.

AutoImageProcessor

kelas transformers.AutoImageProcessor

< >

( )

Ini adalah kelas pemroses gambar generik yang akan diinstansiasi sebagai salah satu kelas pemroses gambar dari pustaka saat dibuat dengan metode kelas AutoImageProcessor.from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Ini bisa berupa:
    • sebuah string, model id dari image_processor pretrained yang dihosting di dalam repo model di huggingface.co.
    • path ke direktori yang berisi file image processor yang disimpan menggunakan metode save_pretrained(), misalnya ./my_model_directory/.
    • path ke file JSON image processor yang disimpan file, misalnya ./my_model_directory/preprocessor_config.json.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat image processor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) file image processor dan menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy untuk digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • token (str atau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika True, akan menggunakan token yang dihasilkan saat menjalankan hf auth login (disimpan di ~/.huggingface).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • use_fast (bool, opsional, defaultnya False) — Discontinued: Gunakan backend="torchvision" sebagai gantinya. Parameter ini dipertahankan untuk kompatibilitas mundur. Gunakan pemroses gambar berbasis torchvision yang cepat jika didukung untuk model tertentu. Jika pemroses gambar cepat tidak tersedia untuk model tertentu, pemroses gambar berbasis numpy biasa yang dikembalikan sebagai gantinya.
  • backend (str, opsional, defaultnya None) — Backend yang digunakan untuk pemrosesan gambar. Bisa berupa:
    • None: Secara otomatis memilih backend terbaik yang tersedia (torchvision jika tersedia, jika tidak pil)
    • "torchvision": Gunakan backend Torchvision (dipercepat GPU, lebih cepat)
    • "pil": Gunakan backend PIL (portabel, hanya CPU)
    • Nama backend kustom apa pun yang didaftarkan melalui metode register()
  • return_unused_kwargs (bool, opsional, default False) — Jika False, fungsi ini hanya mengembalikan objek image processor akhir. Jika True, fungsi ini mengembalikan Tuple(image_processor, unused_kwargs) di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut image processor: yaitu, bagian dari kwargs yang tidak digunakan untuk memperbarui image_processor dan diabaikan.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • image_processor_filename (str, opsional, defaultnya "config.json") — Nama file di direktori model yang akan digunakan untuk konfigurasi image processor.
  • kwargs (dict[str, Any], opsional) — Nilai dalam kwargs untuk kunci apa pun yang merupakan atribut image processor akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya bukan atribut image processor dikendalikan oleh parameter kata kunci return_unused_kwargs.

Instansiasi salah satu kelas pemroses gambar dari pustaka ini dari kosakata model terlatih sebelumnya.

Kelas image processor yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (yang diberikan sebagai argumen atau dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pattern matching pada pretrained_model_name_or_path:

  • aimv2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model Aimv2Config)
  • aimv2_vision_model — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model Aimv2VisionConfig)
  • align — {'torchvision': 'EfficientNetImageProcessor', 'pil': 'EfficientNetImageProcessorPil'} (model AlignConfig)
  • altclip — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model AltCLIPConfig)
  • aria — {'pil': 'AriaImageProcessorPil', 'torchvision': 'AriaImageProcessor'} (model AriaConfig)
  • aya_vision — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (model AyaVisionConfig)
  • beit — {'pil': 'BeitImageProcessorPil', 'torchvision': 'BeitImageProcessor'} (model BeitConfig)
  • bit — {'pil': 'BitImageProcessorPil', 'torchvision': 'BitImageProcessor'} (model BitConfig)
  • blip — {'pil': 'BlipImageProcessorPil', 'torchvision': 'BlipImageProcessor'} (model BlipConfig)
  • blip-2 — {'torchvision': 'BlipImageProcessor', 'pil': 'BlipImageProcessorPil'} (model Blip2Config)
  • bridgetower — {'pil': 'BridgeTowerImageProcessorPil', 'torchvision': 'BridgeTowerImageProcessor'} (model BridgeTowerConfig)
  • chameleon — {'pil': 'ChameleonImageProcessorPil', 'torchvision': 'ChameleonImageProcessor'} (model ChameleonConfig)
  • chinese_clip — {'pil': 'ChineseCLIPImageProcessorPil', 'torchvision': 'ChineseCLIPImageProcessor'} (model ChineseCLIPConfig)
  • chmv2 — {'torchvision': 'CHMv2ImageProcessor'} (model CHMv2Config)
  • clip — {'pil': 'CLIPImageProcessorPil', 'torchvision': 'CLIPImageProcessor'} (model CLIPConfig)
  • clipseg — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model CLIPSegConfig)
  • cohere2_vision — {'torchvision': 'Cohere2VisionImageProcessor'} (model Cohere2VisionConfig)
  • cohere_compass — {'pil': 'CohereCompassImageProcessorPil', 'torchvision': 'CohereCompassImageProcessor'} (model CohereCompassConfig)
  • colpali — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (model ColPaliConfig)
  • colqwen2 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model ColQwen2Config)
  • conditional_detr — {'pil': 'ConditionalDetrImageProcessorPil', 'torchvision': 'ConditionalDetrImageProcessor'} (model ConditionalDetrConfig)
  • convnext — {'pil': 'ConvNextImageProcessorPil', 'torchvision': 'ConvNextImageProcessor'} (model ConvNextConfig)
  • convnextv2 — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (model ConvNextV2Config)
  • cosmos3_edge — {'pil': 'Cosmos3EdgeImageProcessorPil', 'torchvision': 'Cosmos3EdgeImageProcessor'} (model Cosmos3EdgeConfig)
  • cosmos3_omni — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Cosmos3OmniConfig)
  • cvt — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (model CvtConfig)
  • data2vec-vision — {'torchvision': 'BeitImageProcessor', 'pil': 'BeitImageProcessorPil'} (model Data2VecVisionConfig)
  • deepseek_ocr2 — {'pil': 'DeepseekOcr2ImageProcessorPil', 'torchvision': 'DeepseekOcr2ImageProcessor'} (model DeepseekOcr2Config)
  • deepseek_vl — {'pil': 'DeepseekVLImageProcessorPil', 'torchvision': 'DeepseekVLImageProcessor'} (model DeepseekVLConfig)
  • deepseek_vl_hybrid — {'pil': 'DeepseekVLHybridImageProcessorPil', 'torchvision': 'DeepseekVLHybridImageProcessor'} (model DeepseekVLHybridConfig)
  • deformable_detr — {'pil': 'DeformableDetrImageProcessorPil', 'torchvision': 'DeformableDetrImageProcessor'} (model DeformableDetrConfig)
  • deimv2 — {'torchvision': 'RTDetrImageProcessor', 'pil': 'RTDetrImageProcessorPil'} (model Deimv2Config)
  • deit — {'pil': 'DeiTImageProcessorPil', 'torchvision': 'DeiTImageProcessor'} (model DeiTConfig)
  • depth_anything — {'torchvision': 'DPTImageProcessor', 'pil': 'DPTImageProcessorPil'} (model DepthAnythingConfig)
  • depth_pro — {'torchvision': 'DepthProImageProcessor'} (model DepthProConfig)
  • detr — {'pil': 'DetrImageProcessorPil', 'torchvision': 'DetrImageProcessor'} (model DetrConfig)
  • dinat — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model DinatConfig)
  • dinov2 — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (model Dinov2Config)
  • dinov3_vit — {'torchvision': 'DINOv3ViTImageProcessor'} (model DINOv3ViTConfig)
  • donut-swin — {'torchvision': 'DonutImageProcessor', 'pil': 'DonutImageProcessorPil'} (model DonutSwinConfig)
  • dpt — {'pil': 'DPTImageProcessorPil', 'torchvision': 'DPTImageProcessor'} (model DPTConfig)
  • edgetam — {'torchvision': 'Sam2ImageProcessor'} (model EdgeTamConfig)
  • efficientloftr — {'pil': 'EfficientLoFTRImageProcessorPil', 'torchvision': 'EfficientLoFTRImageProcessor'} (model EfficientLoFTRConfig)
  • efficientnet — {'pil': 'EfficientNetImageProcessorPil', 'torchvision': 'EfficientNetImageProcessor'} (model EfficientNetConfig)
  • embedding_gemma2 — {'pil': 'Gemma4ImageProcessorPil', 'torchvision': 'Gemma4ImageProcessor'} (model EmbeddingGemma2Config)
  • emu3 — {'pil': 'Emu3ImageProcessor'} (model Emu3Config)
  • eomt — {'pil': 'EomtImageProcessorPil', 'torchvision': 'EomtImageProcessor'} (model EomtConfig)
  • eomt_dinov3 — {'torchvision': 'EomtImageProcessor', 'pil': 'EomtImageProcessorPil'} (model EomtDinov3Config)
  • ernie4_5_vl_moe — {'pil': 'Ernie4_5_VLMoeImageProcessorPil', 'torchvision': 'Ernie4_5_VLMoeImageProcessor'} (model Ernie4_5_VLMoeConfig)
  • exaone4_5 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Exaone4_5_Config)
  • flava — {'pil': 'FlavaImageProcessorPil', 'torchvision': 'FlavaImageProcessor'} (model FlavaConfig)
  • florence2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model Florence2Config)
  • focalnet — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (model FocalNetConfig)
  • fuyu — {'pil': 'FuyuImageProcessorPil', 'torchvision': 'FuyuImageProcessor'} (model FuyuConfig)
  • gemma3 — {'pil': 'Gemma3ImageProcessorPil', 'torchvision': 'Gemma3ImageProcessor'} (model Gemma3Config)
  • gemma3n — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (model Gemma3nConfig)
  • gemma4 — {'pil': 'Gemma4ImageProcessorPil', 'torchvision': 'Gemma4ImageProcessor'} (model Gemma4Config)
  • gemma4_unified — {'torchvision': 'Gemma4UnifiedImageProcessor'} (model Gemma4UnifiedConfig)
  • git — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model GitConfig)
  • glm46v — {'pil': 'Glm46VImageProcessorPil', 'torchvision': 'Glm46VImageProcessor'} (model Glm46VConfig)
  • glm4v — {'pil': 'Glm4vImageProcessorPil', 'torchvision': 'Glm4vImageProcessor'} (model Glm4vConfig)
  • glm5_next — {'pil': 'Glm5NextImageProcessorPil', 'torchvision': 'Glm5NextImageProcessor'} (model Glm5NextConfig)
  • glm_image — {'pil': 'GlmImageImageProcessorPil', 'torchvision': 'GlmImageImageProcessor'} (model GlmImageConfig)
  • glmga — {'pil': 'GlmgaImageProcessorPil', 'torchvision': 'GlmgaImageProcessor'} (model GlmgaConfig)
  • glpn — {'pil': 'GLPNImageProcessorPil', 'torchvision': 'GLPNImageProcessor'} (model GLPNConfig)
  • got_ocr2 — {'pil': 'GotOcr2ImageProcessorPil', 'torchvision': 'GotOcr2ImageProcessor'} (model GotOcr2Config)
  • granite4_vision — {'torchvision': 'LlavaNextImageProcessor', 'pil': 'LlavaNextImageProcessorPil'} (model Granite4VisionConfig)
  • grounding-dino — {'pil': 'GroundingDinoImageProcessorPil', 'torchvision': 'GroundingDinoImageProcessor'} (model GroundingDinoConfig)
  • groupvit — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model GroupViTConfig)
  • hiera — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (model HieraConfig)
  • hunyuan_vl — {'pil': 'HunYuanVLImageProcessorPil', 'torchvision': 'HunYuanVLImageProcessor'} (model HunYuanVLConfig)
  • hyperclovax_vision_v2 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model HyperCLOVAXVisionV2Config)
  • idefics — {'pil': 'IdeficsImageProcessorPil', 'torchvision': 'IdeficsImageProcessor'} (model IdeficsConfig)
  • idefics2 — {'pil': 'Idefics2ImageProcessorPil', 'torchvision': 'Idefics2ImageProcessor'} (model Idefics2Config)
  • idefics3 — {'pil': 'Idefics3ImageProcessorPil', 'torchvision': 'Idefics3ImageProcessor'} (model Idefics3Config)
  • ijepa — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model IJepaConfig)
  • imagegpt — {'pil': 'ImageGPTImageProcessorPil', 'torchvision': 'ImageGPTImageProcessor'} (model ImageGPTConfig)
  • inkling_mm_model — {'torchvision': 'InklingImageProcessor'} (model InklingConfig)
  • instructblip — {'torchvision': 'BlipImageProcessor', 'pil': 'BlipImageProcessorPil'} (model InstructBlipConfig)
  • internvl — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (model InternVLConfig)
  • janus — {'pil': 'JanusImageProcessorPil', 'torchvision': 'JanusImageProcessor'} (model JanusConfig)
  • kimi_k25 — {'torchvision': 'Kimi_K25ImageProcessor'} (model Kimi_K25Config)
  • kosmos-2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model Kosmos2Config)
  • kosmos-2.5 — {'torchvision': 'Kosmos2_5ImageProcessor', 'pil': 'Kosmos2_5ImageProcessorPil'} (model Kosmos2_5Config)
  • layoutlmv2 — {'pil': 'LayoutLMv2ImageProcessorPil', 'torchvision': 'LayoutLMv2ImageProcessor'} (model LayoutLMv2Config)
  • layoutlmv3 — {'pil': 'LayoutLMv3ImageProcessorPil', 'torchvision': 'LayoutLMv3ImageProcessor'} (model LayoutLMv3Config)
  • layoutxlm — {'torchvision': 'LayoutLMv2ImageProcessor', 'pil': 'LayoutLMv2ImageProcessorPil'} (model LayoutXLMConfig)
  • levit — {'pil': 'LevitImageProcessorPil', 'torchvision': 'LevitImageProcessor'} (model LevitConfig)
  • lfm2_vl — {'torchvision': 'Lfm2VlImageProcessor'} (model Lfm2VlConfig)
  • lightglue — {'pil': 'LightGlueImageProcessorPil', 'torchvision': 'LightGlueImageProcessor'} (model LightGlueConfig)
  • lighton_ocr — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (model LightOnOcrConfig)
  • llama4 — {'torchvision': 'Llama4ImageProcessor'} (model Llama4Config)
  • llava — {'pil': 'LlavaImageProcessorPil', 'torchvision': 'LlavaImageProcessor'} (model LlavaConfig)
  • llava_next — {'pil': 'LlavaNextImageProcessorPil', 'torchvision': 'LlavaNextImageProcessor'} (model LlavaNextConfig)
  • llava_next_video — {'torchvision': 'LlavaNextImageProcessor', 'pil': 'LlavaNextImageProcessorPil'} (model LlavaNextVideoConfig)
  • llava_onevision — {'pil': 'LlavaOnevisionImageProcessorPil', 'torchvision': 'LlavaOnevisionImageProcessor'} (model LlavaOnevisionConfig)
  • lw_detr — {'torchvision': 'DeformableDetrImageProcessor', 'pil': 'DeformableDetrImageProcessorPil'} (model LwDetrConfig)
  • mask2former — {'pil': 'Mask2FormerImageProcessorPil', 'torchvision': 'Mask2FormerImageProcessor'} (model Mask2FormerConfig)
  • maskformer — {'pil': 'MaskFormerImageProcessorPil', 'torchvision': 'MaskFormerImageProcessor'} (model MaskFormerConfig)
  • metaclip_2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model MetaClip2Config)
  • mgp-str — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model MgpstrConfig)
  • minicpm_ocr — {'torchvision': 'MiniCPMOcrImageProcessor'} (model MiniCPMOcrConfig)
  • minicpmv4_6 — {'pil': 'MiniCPMV4_6ImageProcessorPil', 'torchvision': 'MiniCPMV4_6ImageProcessor'} (model MiniCPMV4_6Config)
  • minicpmv4_7 — {'pil': 'MiniCPMV4_6ImageProcessorPil', 'torchvision': 'MiniCPMV4_6ImageProcessor'} (model MiniCPMV4_7Config)
  • minimax_m3_vl — {'torchvision': 'MiniMaxM3VLImageProcessor'} (model MiniMaxM3VLConfig)
  • mistral3 — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (model Mistral3Config)
  • mistral_large4 — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (model MistralLarge4Config)
  • mlcd — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model MLCDVisionConfig)
  • mllama — {'pil': 'MllamaImageProcessorPil', 'torchvision': 'MllamaImageProcessor'} (model MllamaConfig)
  • mm-grounding-dino — {'torchvision': 'GroundingDinoImageProcessor', 'pil': 'GroundingDinoImageProcessorPil'} (model MMGroundingDinoConfig)
  • mobilenet_v1 — {'pil': 'MobileNetV1ImageProcessorPil', 'torchvision': 'MobileNetV1ImageProcessor'} (model MobileNetV1Config)
  • mobilenet_v2 — {'pil': 'MobileNetV2ImageProcessorPil', 'torchvision': 'MobileNetV2ImageProcessor'} (model MobileNetV2Config)
  • mobilevit — {'pil': 'MobileViTImageProcessorPil', 'torchvision': 'MobileViTImageProcessor'} (model MobileViTConfig)
  • mobilevitv2 — {'torchvision': 'MobileViTImageProcessor', 'pil': 'MobileViTImageProcessorPil'} (model MobileViTV2Config)
  • molmo2 — {'torchvision': 'Molmo2ImageProcessor'} (model Molmo2Config)
  • muse_glimmer — {'torchvision': 'MuseGlimmerImageProcessor'} (model MuseGlimmerConfig)
  • muse_spark — {'torchvision': 'MuseGlimmerImageProcessor'} (model MuseSparkConfig)
  • nemotron_h_omni — {'torchvision': 'NemotronH_Omni_Reasoning_V3ImageProcessor'} (model NemotronH_Omni_Reasoning_V3_Config)
  • neomme — {'torchvision': 'NeoMMEImageProcessor'} (model NeoMMEConfig)
  • nougat — {'pil': 'NougatImageProcessorPil', 'torchvision': 'NougatImageProcessor'} (model NougatConfig)
  • omdet-turbo — {'torchvision': 'DetrImageProcessor', 'pil': 'DetrImageProcessorPil'} (model OmDetTurboConfig)
  • oneformer — {'pil': 'OneFormerImageProcessorPil', 'torchvision': 'OneFormerImageProcessor'} (model OneFormerConfig)
  • ovis2 — {'pil': 'Ovis2ImageProcessorPil', 'torchvision': 'Ovis2ImageProcessor'} (model Ovis2Config)
  • owlv2 — {'pil': 'Owlv2ImageProcessorPil', 'torchvision': 'Owlv2ImageProcessor'} (model Owlv2Config)
  • owlvit — {'pil': 'OwlViTImageProcessorPil', 'torchvision': 'OwlViTImageProcessor'} (model OwlViTConfig)
  • paddleocr_vl — {'pil': 'PaddleOCRVLImageProcessorPil', 'torchvision': 'PaddleOCRVLImageProcessor'} (model PaddleOCRVLConfig)
  • paligemma — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (model PaliGemmaConfig)
  • perceiver — {'pil': 'PerceiverImageProcessorPil', 'torchvision': 'PerceiverImageProcessor'} (model PerceiverConfig)
  • perception_lm — {'torchvision': 'PerceptionLMImageProcessor'} (model PerceptionLMConfig)
  • phi4_multimodal — {'torchvision': 'Phi4MultimodalImageProcessor'} (model Phi4MultimodalConfig)
  • pi0 — {'torchvision': 'PI0ImageProcessor'} (model PI0Config)
  • pix2struct — {'pil': 'Pix2StructImageProcessorPil', 'torchvision': 'Pix2StructImageProcessor'} (model Pix2StructConfig)
  • pixio — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (model PixioConfig)
  • pixtral — {'pil': 'PixtralImageProcessorPil', 'torchvision': 'PixtralImageProcessor'} (model PixtralVisionConfig)
  • poolformer — {'pil': 'PoolFormerImageProcessorPil', 'torchvision': 'PoolFormerImageProcessor'} (model PoolFormerConfig)
  • pp_chart2table — {'pil': 'PPChart2TableImageProcessorPil', 'torchvision': 'PPChart2TableImageProcessor'} (model PPChart2TableConfig)
  • pp_doclayout_v2 — {'torchvision': 'PPDocLayoutV2ImageProcessor'} (model PPDocLayoutV2Config)
  • pp_doclayout_v3 — {'torchvision': 'PPDocLayoutV3ImageProcessor'} (model PPDocLayoutV3Config)
  • pp_doclayout_v4 — {'torchvision': 'PPDocLayoutV4ImageProcessor'} (model PPDocLayoutV4Config)
  • pp_formulanet — {'torchvision': 'PPFormulaNetImageProcessor'} (model PPFormulaNetConfig)
  • pp_lcnet — {'torchvision': 'PPLCNetImageProcessor'} (model PPLCNetConfig)
  • pp_ocrv5_mobile_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (model PPOCRV5MobileDetConfig)
  • pp_ocrv5_mobile_rec — {'torchvision': 'PPOCRV5ServerRecImageProcessor'} (model PPOCRV5MobileRecConfig)
  • pp_ocrv5_server_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (model PPOCRV5ServerDetConfig)
  • pp_ocrv5_server_rec — {'torchvision': 'PPOCRV5ServerRecImageProcessor'} (model PPOCRV5ServerRecConfig)
  • pp_ocrv6_medium_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (model PPOCRV6MediumDetConfig)
  • pp_ocrv6_small_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (model PPOCRV6SmallDetConfig)
  • pp_ocrv6_small_rec — {'torchvision': 'PPOCRV6SmallRecImageProcessor'} (model PPOCRV6SmallRecConfig)
  • pp_ocrv6_tiny_rec — {'torchvision': 'PPOCRV6SmallRecImageProcessor'} (model PPOCRV6TinyRecConfig)
  • prompt_depth_anything — {'pil': 'PromptDepthAnythingImageProcessorPil', 'torchvision': 'PromptDepthAnythingImageProcessor'} (model PromptDepthAnythingConfig)
  • pvt — {'pil': 'PvtImageProcessorPil', 'torchvision': 'PvtImageProcessor'} (model PvtConfig)
  • pvt_v2 — {'torchvision': 'PvtImageProcessor', 'pil': 'PvtImageProcessorPil'} (model PvtV2Config)
  • qianfan_ocr — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (model QianfanOCRConfig)
  • qwen2_5_omni — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen2_5OmniConfig)
  • qwen2_5_vl — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen2_5_VLConfig)
  • qwen2_vl — {'pil': 'Qwen2VLImageProcessorPil', 'torchvision': 'Qwen2VLImageProcessor'} (model Qwen2VLConfig)
  • qwen3_5 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen3_5Config)
  • qwen3_5_moe — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen3_5MoeConfig)
  • qwen3_omni_moe — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen3OmniMoeConfig)
  • qwen3_vl — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen3VLConfig)
  • qwen4_exp — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (model Qwen4ExpConfig)
  • regnet — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (model RegNetConfig)
  • resnet — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (model ResNetConfig)
  • rf_detr — {'torchvision': 'RfDetrImageProcessor'} (model RfDetrConfig)
  • rt_detr — {'pil': 'RTDetrImageProcessorPil', 'torchvision': 'RTDetrImageProcessor'} (model RTDetrConfig)
  • sam — {'pil': 'SamImageProcessorPil', 'torchvision': 'SamImageProcessor'} (model SamConfig)
  • sam2 — {'torchvision': 'Sam2ImageProcessor'} (model Sam2Config)
  • sam2_video — {'torchvision': 'Sam2ImageProcessor'} (model Sam2VideoConfig)
  • sam3 — {'torchvision': 'Sam3ImageProcessor'} (model Sam3Config)
  • sam3_lite_text — {'torchvision': 'Sam3ImageProcessor'} (model Sam3LiteTextConfig)
  • sam3_tracker — {'torchvision': 'Sam3ImageProcessor'} (model Sam3TrackerConfig)
  • sam3_tracker_video — {'torchvision': 'Sam3ImageProcessor'} (model Sam3TrackerVideoConfig)
  • sam3_video — {'torchvision': 'Sam3ImageProcessor'} (model Sam3VideoConfig)
  • sam_hq — {'torchvision': 'SamImageProcessor', 'pil': 'SamImageProcessorPil'} (model SamHQConfig)
  • sapiens2 — {'torchvision': 'Sapiens2ImageProcessor'} (model Sapiens2Config)
  • segformer — {'pil': 'SegformerImageProcessorPil', 'torchvision': 'SegformerImageProcessor'} (model SegformerConfig)
  • seggpt — {'pil': 'SegGptImageProcessorPil', 'torchvision': 'SegGptImageProcessor'} (model SegGptConfig)
  • shieldgemma2 — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (model ShieldGemma2Config)
  • siglip — {'pil': 'SiglipImageProcessorPil', 'torchvision': 'SiglipImageProcessor'} (model SiglipConfig)
  • siglip2 — {'pil': 'Siglip2ImageProcessorPil', 'torchvision': 'Siglip2ImageProcessor'} (model Siglip2Config)
  • slanet — {'torchvision': 'SLANeXtImageProcessor'} (model SLANetConfig)
  • slanext — {'torchvision': 'SLANeXtImageProcessor'} (model SLANeXtConfig)
  • smolvlm — {'pil': 'SmolVLMImageProcessorPil', 'torchvision': 'SmolVLMImageProcessor'} (model SmolVLMConfig)
  • step3p7 — {'torchvision': 'Step3p7ImageProcessor'} (model Step3p7Config)
  • superglue — {'pil': 'SuperGlueImageProcessorPil', 'torchvision': 'SuperGlueImageProcessor'} (model SuperGlueConfig)
  • superpoint — {'pil': 'SuperPointImageProcessorPil', 'torchvision': 'SuperPointImageProcessor'} (model SuperPointConfig)
  • swiftformer — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model SwiftFormerConfig)
  • swin — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model SwinConfig)
  • swin2sr — {'pil': 'Swin2SRImageProcessorPil', 'torchvision': 'Swin2SRImageProcessor'} (model Swin2SRConfig)
  • swinv2 — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model Swinv2Config)
  • t5gemma2 — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (model T5Gemma2Config)
  • t5gemma2_encoder — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (model T5Gemma2EncoderConfig)
  • table-transformer — {'torchvision': 'DetrImageProcessor', 'pil': 'DetrImageProcessorPil'} (model TableTransformerConfig)
  • textnet — {'pil': 'TextNetImageProcessorPil', 'torchvision': 'TextNetImageProcessor'} (model TextNetConfig)
  • timesformer — {'pil': 'VideoMAEImageProcessorPil', 'torchvision': 'VideoMAEImageProcessor'} (model TimesformerConfig)
  • timm_wrapper — {'pil': 'TimmWrapperImageProcessor'} (model TimmWrapperConfig)
  • tipsv2 — {'torchvision': 'Tipsv2ImageProcessor'} (model Tipsv2Config)
  • tipsv2_dpt — {'torchvision': 'Tipsv2DptImageProcessor'} (model Tipsv2DptConfig)
  • trocr — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model TrOCRConfig)
  • tvp — {'pil': 'TvpImageProcessorPil', 'torchvision': 'TvpImageProcessor'} (model TvpConfig)
  • udop — {'torchvision': 'LayoutLMv3ImageProcessor', 'pil': 'LayoutLMv3ImageProcessorPil'} (model UdopConfig)
  • ultravbert — {'torchvision': 'UltraVBertImageProcessor'} (model UltraVBertConfig)
  • unlimited_ocr — {'torchvision': 'UnlimitedOcrImageProcessor'} (model UnlimitedOcrConfig)
  • upernet — {'torchvision': 'SegformerImageProcessor', 'pil': 'SegformerImageProcessorPil'} (model UperNetConfig)
  • uvdoc — {'torchvision': 'UVDocImageProcessor'} (model UVDocConfig)
  • video_llama_3 — {'pil': 'VideoLlama3ImageProcessorPil', 'torchvision': 'VideoLlama3ImageProcessor'} (model VideoLlama3Config)
  • video_llava — {'pil': 'VideoLlavaImageProcessor'} (model VideoLlavaConfig)
  • videomae — {'pil': 'VideoMAEImageProcessorPil', 'torchvision': 'VideoMAEImageProcessor'} (model VideoMAEConfig)
  • vilt — {'pil': 'ViltImageProcessorPil', 'torchvision': 'ViltImageProcessor'} (model ViltConfig)
  • vipllava — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model VipLlavaConfig)
  • vit — {'pil': 'ViTImageProcessorPil', 'torchvision': 'ViTImageProcessor'} (model ViTConfig)
  • vit_mae — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model ViTMAEConfig)
  • vit_msn — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (model ViTMSNConfig)
  • vitmatte — {'pil': 'VitMatteImageProcessorPil', 'torchvision': 'VitMatteImageProcessor'} (model VitMatteConfig)
  • vitpose — {'pil': 'VitPoseImageProcessorPil', 'torchvision': 'VitPoseImageProcessor'} (model VitPoseConfig)
  • vivit — {'torchvision': 'VivitImageProcessor'} (model VivitConfig)
  • xclip — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (model XCLIPConfig)
  • yolos — {'pil': 'YolosImageProcessorPil', 'torchvision': 'YolosImageProcessor'} (model YolosConfig)
  • zoedepth — {'pil': 'ZoeDepthImageProcessorPil', 'torchvision': 'ZoeDepthImageProcessor'} (model ZoeDepthConfig)

Menyampaikan token=True diperlukan ketika Anda ingin menggunakan model privat.

Contoh:

>>> from transformers import AutoImageProcessor

>>> # Download image processor from huggingface.co and cache.
>>> image_processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224-in21k")

>>> # If image processor files are in a directory (e.g. image processor was saved using *save_pretrained('./test/saved_model/')*)
>>> # image_processor = AutoImageProcessor.from_pretrained("./test/saved_model/")

register

< >

( config_classslow_image_processor_class: type | None = Nonefast_image_processor_class: type | None = Noneimage_processor_classes: dict[str, type] | None = Noneexist_ok: bool = False )

Parameter

  • config_class (PreTrainedConfig) — Konfigurasi yang sesuai dengan model yang akan didaftarkan.
  • slow_image_processor_class (type, opsional) — Kelas pemroses gambar backend PIL (tidak didukung lagi, gunakan image_processor_classes={"pil": ...}).
  • fast_image_processor_class (type, opsional) — Kelas pemroses gambar backend Torchvision (tidak didukung lagi, gunakan image_processor_classes={"torchvision": ...}).
  • image_processor_classes (dict[str, type], opsional) — Kamus yang memetakan nama backend ke kelas image processor. Memungkinkan pendaftaran backend kustom. Contoh: {"pil": MyPilProcessor, "torchvision": MyTorchvisionProcessor, "custom": MyCustomProcessor}
  • exist_ok (bool, opsional, defaultnya False) — Jika True, izinkan penimpaan pendaftaran yang sudah ada.

Daftarkan pemroses gambar baru untuk kelas ini.

AutoVideoProcessor

Lihat Backend pemroses video untuk pemilihan backend, pendaftaran kustom, serta penyimpanan dan pemuatan ulang.

kelas transformers.AutoVideoProcessor

< >

( )

Ini adalah kelas pemroses video generik yang akan diinstansiasi sebagai salah satu kelas pemroses video dari pustaka saat dibuat dengan metode kelas AutoVideoProcessor.from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Ini bisa berupa:
    • sebuah string, model id dari video_processor pretrained yang dihosting di dalam repo model di huggingface.co.
    • path ke direktori yang berisi file video processor yang disimpan menggunakan metode save_pretrained(), misalnya ./my_model_directory/.
    • path ke file JSON video processor yang disimpan file, misalnya ./my_model_directory/preprocessor_config.json.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat video processor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) file video processor dan menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy untuk digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • token (str atau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika True, akan menggunakan token yang dihasilkan saat menjalankan hf auth login (disimpan di ~/.huggingface).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • return_unused_kwargs (bool, opsional, default False) — Jika False, fungsi ini hanya mengembalikan objek video processor akhir. Jika True, fungsi ini mengembalikan Tuple(video_processor, unused_kwargs) di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut video processor: yaitu, bagian dari kwargs yang tidak digunakan untuk memperbarui video_processor dan diabaikan.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • kwargs (dict[str, Any], opsional) — Nilai dalam kwargs untuk kunci mana pun yang merupakan atribut video processor akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya bukan atribut video processor dikendalikan oleh parameter kata kunci return_unused_kwargs.

Instansiasi salah satu kelas pemroses video dari pustaka ini dari kosakata model terlatih sebelumnya.

Kelas video processor yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (yang diberikan sebagai argumen atau dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

  • cohere_compass — {'torchvision': 'CohereCompassVideoProcessor'} (model CohereCompassConfig)
  • cosmos3_edge — {'torchvision': 'Cosmos3EdgeVideoProcessor'} (model Cosmos3EdgeConfig)
  • cosmos3_omni — {'torchvision': 'Qwen3VLVideoProcessor'} (model Cosmos3OmniConfig)
  • embedding_gemma2 — {'torchvision': 'EmbeddingGemma2VideoProcessor'} (model EmbeddingGemma2Config)
  • ernie4_5_vl_moe — {'torchvision': 'Ernie4_5_VLMoeVideoProcessor'} (model Ernie4_5_VLMoeConfig)
  • exaone4_5 — {'torchvision': 'Qwen2VLVideoProcessor'} (model Exaone4_5_Config)
  • gemma4 — {'torchvision': 'Gemma4VideoProcessor'} (model Gemma4Config)
  • gemma4_unified — {'torchvision': 'Gemma4UnifiedVideoProcessor'} (model Gemma4UnifiedConfig)
  • glm46v — {'torchvision': 'Glm46VVideoProcessor'} (model Glm46VConfig)
  • glm4v — {'torchvision': 'Glm4vVideoProcessor'} (model Glm4vConfig)
  • glm5_next — {'torchvision': 'Glm5NextVideoProcessor'} (model Glm5NextConfig)
  • glmga — {'torchvision': 'GlmgaVideoProcessor'} (model GlmgaConfig)
  • hyperclovax_vision_v2 — {'torchvision': 'Qwen2VLVideoProcessor'} (model HyperCLOVAXVisionV2Config)
  • instructblip — {'torchvision': 'InstructBlipVideoVideoProcessor'} (model InstructBlipConfig)
  • instructblipvideo — {'torchvision': 'InstructBlipVideoVideoProcessor'} (model InstructBlipVideoConfig)
  • internvl — {'torchvision': 'InternVLVideoProcessor'} (model InternVLConfig)
  • kimi_k25 — {'torchvision': 'Kimi_K25VideoProcessor'} (model Kimi_K25Config)
  • llava_next_video — {'torchvision': 'LlavaNextVideoVideoProcessor'} (model LlavaNextVideoConfig)
  • llava_onevision — {'torchvision': 'LlavaOnevisionVideoProcessor'} (model LlavaOnevisionConfig)
  • minicpm_ocr — {'torchvision': 'MiniCPMOcrVideoProcessor'} (model MiniCPMOcrConfig)
  • minicpmv4_6 — {'torchvision': 'MiniCPMV4_6VideoProcessor'} (model MiniCPMV4_6Config)
  • minicpmv4_7 — {'torchvision': 'MiniCPMV4_6VideoProcessor'} (model MiniCPMV4_7Config)
  • minimax_m3_vl — {'torchvision': 'MiniMaxM3VLVideoProcessor'} (model MiniMaxM3VLConfig)
  • molmo2 — {'torchvision': 'Molmo2VideoProcessor'} (model Molmo2Config)
  • muse_glimmer — {'torchvision': 'MuseGlimmerVideoProcessor'} (model MuseGlimmerConfig)
  • muse_spark — {'torchvision': 'MuseGlimmerVideoProcessor'} (model MuseSparkConfig)
  • nemotron_h_omni — {'torchvision': 'NemotronH_Omni_Reasoning_V3VideoProcessor'} (model NemotronH_Omni_Reasoning_V3_Config)
  • pe_audio_video — {'torchvision': 'PeVideoVideoProcessor'} (model PeAudioVideoConfig)
  • pe_video — {'torchvision': 'PeVideoVideoProcessor'} (model PeVideoConfig)
  • perception_lm — {'torchvision': 'PerceptionLMVideoProcessor'} (model PerceptionLMConfig)
  • qwen2_5_omni — {'torchvision': 'Qwen2VLVideoProcessor'} (model Qwen2_5OmniConfig)
  • qwen2_5_vl — {'torchvision': 'Qwen2VLVideoProcessor'} (model Qwen2_5_VLConfig)
  • qwen2_vl — {'torchvision': 'Qwen2VLVideoProcessor'} (model Qwen2VLConfig)
  • qwen3_5 — {'torchvision': 'Qwen3VLVideoProcessor'} (model Qwen3_5Config)
  • qwen3_5_moe — {'torchvision': 'Qwen3VLVideoProcessor'} (model Qwen3_5MoeConfig)
  • qwen3_omni_moe — {'torchvision': 'Qwen2VLVideoProcessor'} (model Qwen3OmniMoeConfig)
  • qwen3_vl — {'torchvision': 'Qwen3VLVideoProcessor'} (model Qwen3VLConfig)
  • qwen3_vl_moe — {'torchvision': 'Qwen3VLVideoProcessor'} (model Qwen3VLMoeConfig)
  • qwen4_exp — {'torchvision': 'Qwen3VLVideoProcessor'} (model Qwen4ExpConfig)
  • sam2_video — {'torchvision': 'Sam2VideoVideoProcessor'} (model Sam2VideoConfig)
  • smolvlm — {'torchvision': 'SmolVLMVideoProcessor'} (model SmolVLMConfig)
  • timesformer — {'torchvision': 'TimesformerVideoProcessor'} (model TimesformerConfig)
  • video_llama_3 — {'torchvision': 'VideoLlama3VideoProcessor'} (model VideoLlama3Config)
  • video_llava — {'torchvision': 'VideoLlavaVideoProcessor'} (model VideoLlavaConfig)
  • videomae — {'torchvision': 'VideoMAEVideoProcessor'} (model VideoMAEConfig)
  • videomt — {'torchvision': 'VideomtVideoProcessor'} (model VideomtConfig)
  • videoprism — {'torchvision': 'LlavaOnevisionVideoProcessor'} (model VideoPrismConfig)
  • vivit — {'torchvision': 'VivitVideoProcessor'} (model VivitConfig)
  • vjepa2 — {'torchvision': 'VJEPA2VideoProcessor'} (model VJEPA2Config)

Menyampaikan token=True diperlukan ketika Anda ingin menggunakan model privat.

Contoh:

>>> from transformers import AutoVideoProcessor

>>> # Download video processor from huggingface.co and cache.
>>> video_processor = AutoVideoProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-0.5b-ov-hf")

>>> # If video processor files are in a directory (e.g. video processor was saved using *save_pretrained('./test/saved_model/')*)
>>> # video_processor = AutoVideoProcessor.from_pretrained("./test/saved_model/")

register

< >

( config_classvideo_processor_class: type | None = Nonevideo_processor_classes: dict[str, type] | None = Noneexist_ok: bool = False )

Parameter

  • config_class (PreTrainedConfig) — Konfigurasi yang sesuai dengan model yang akan didaftarkan.
  • video_processor_class (BaseVideoProcessor) — Prosesor video yang akan didaftarkan.
  • video_processor_classes (dict[str, type], opsional) — Kamus yang memetakan nama backend ke kelas video processor. Memungkinkan pendaftaran backend kustom. Contoh: {"pil": MyPilVideoProcessor, "torchvision": MyTorchvisionVideoProcessor, "custom": MyCustomVideoProcessor}
  • exist_ok (bool, opsional, defaultnya False) — Jika True, izinkan penimpaan pendaftaran yang sudah ada.

Daftarkan pemroses video baru untuk kelas ini.

AutoProcessor

kelas transformers.AutoProcessor

< >

( )

Ini adalah kelas pemroses generik yang akan diinstansiasi sebagai salah satu kelas pemroses dari pustaka saat dibuat dengan metode kelas AutoProcessor.from_pretrained().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Ini bisa berupa:
    • sebuah string, model id dari feature_extractor pretrained yang dihosting di dalam repo model di huggingface.co.
    • path ke direktori yang berisi file processor yang disimpan menggunakan metode save_pretrained(), misalnya, ./my_model_directory/.
  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat feature extractor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) file feature extractor dan menimpa versi yang di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy untuk digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • token (str atau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika True, akan menggunakan token yang dihasilkan saat menjalankan hf auth login (disimpan di ~/.huggingface).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • return_unused_kwargs (bool, opsional, default False) — Jika False, fungsi ini hanya mengembalikan objek feature extractor akhir. Jika True, fungsi ini mengembalikan Tuple(feature_extractor, unused_kwargs) di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut feature extractor: yaitu, bagian dari kwargs yang tidak digunakan untuk memperbarui feature_extractor dan diabaikan.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • kwargs (dict[str, Any], opsional) — Nilai dalam kwargs untuk kunci mana pun yang merupakan atribut feature extractor akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya bukan atribut feature extractor dikendalikan oleh parameter kata kunci return_unused_kwargs.

Instansiasi salah satu kelas pemroses dari pustaka ini dari kosakata model pralatih.

Kelas prosesor yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan):

Menyampaikan token=True diperlukan ketika Anda ingin menggunakan model privat.

Contoh:

>>> from transformers import AutoProcessor

>>> # Download processor from huggingface.co and cache.
>>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")

>>> # If processor files are in a directory (e.g. processor was saved using *save_pretrained('./test/saved_model/')*)
>>> # processor = AutoProcessor.from_pretrained("./test/saved_model/")

register

< >

( config_classprocessor_classexist_ok = False )

Parameter

  • config_class (PreTrainedConfig) — Konfigurasi yang sesuai dengan model yang akan didaftarkan.
  • processor_class (ProcessorMixin) — Prosesor yang akan didaftarkan.

Daftarkan prosesor baru untuk kelas ini.

Kelas model generik

Kelas auto berikut tersedia untuk menginstansiasi kelas model dasar tanpa head spesifik.

AutoModel

kelas transformers.AutoModel

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dasar dari pustaka saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dasar pustaka dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModel

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModel.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dasar dari pustaka ini dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModel

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModel.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModel.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

Kelas pra-pelatihan generik

Kelas auto berikut tersedia untuk menginstansiasi model dengan kepala pra-pelatihan.

AutoModelForPreTraining

kelas transformers.AutoModelForPreTraining

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pra-pelatihan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pra-pelatihan) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForPreTraining

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForPreTraining.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pra-pelatihan) dari model pra-terlatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForPreTraining

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForPreTraining.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForPreTraining.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

Pemrosesan Bahasa Alami

Kelas auto berikut tersedia untuk tugas pemrosesan bahasa alami berikut.

AutoModelForCausalLM

kelas transformers.AutoModelForCausalLM

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa kausal) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa kausal) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForCausalLM

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForCausalLM.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa kausal) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForCausalLM

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForCausalLM.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForCausalLM.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForMaskedLM

kelas transformers.AutoModelForMaskedLM

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berpenutup) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berpenutup) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForMaskedLM.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berpenyamar) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForMaskedLM.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForMaskedLM.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForMaskGeneration

kelas transformers.AutoModelForMaskGeneration

< >

( *args**kwargs )

AutoModelForSeq2SeqLM

kelas transformers.AutoModelForSeq2SeqLM

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berurutan-ke-urutan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berurutan-ke-urutan) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-t5/t5-base")
>>> model = AutoModelForSeq2SeqLM.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan bahasa berurutan-ke-berurutan) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForSeq2SeqLM.from_pretrained("google-t5/t5-base")

>>> # Update configuration during loading
>>> model = AutoModelForSeq2SeqLM.from_pretrained("google-t5/t5-base", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForSequenceClassification

kelas transformers.AutoModelForSequenceClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi urutan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi urutan) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForSequenceClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi urutan) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForSequenceClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForMultipleChoice

kelas transformers.AutoModelForMultipleChoice

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pilihan ganda) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pilihan ganda) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForMultipleChoice.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pilihan ganda) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForMultipleChoice.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForMultipleChoice.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForNextSentencePrediction

kelas transformers.AutoModelForNextSentencePrediction

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala prediksi kalimat berikutnya) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala prediksi kalimat berikutnya) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForNextSentencePrediction.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala prediksi kalimat berikutnya) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForNextSentencePrediction.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForNextSentencePrediction.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTokenClassification

kelas transformers.AutoModelForTokenClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi token) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi token) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForTokenClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi token) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTokenClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForTokenClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForQuestionAnswering

kelas transformers.AutoModelForQuestionAnswering

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala penjawab pertanyaan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala untuk menjawab pertanyaan) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForQuestionAnswering.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala penjawab pertanyaan) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForQuestionAnswering.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForQuestionAnswering.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTextEncoding

kelas transformers.AutoModelForTextEncoding

< >

( *args**kwargs )

Visi komputer

Kelas auto berikut tersedia untuk tugas-tugas computer vision berikut.

AutoModelForDepthEstimation

kelas transformers.AutoModelForDepthEstimation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala estimasi kedalaman) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala estimasi kedalaman) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForDepthEstimation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala estimasi kedalaman) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForDepthEstimation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForDepthEstimation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForNormalEstimation

kelas transformers.AutoModelForNormalEstimation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala estimasi normal) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala estimasi normal) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForNormalEstimation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala estimasi normal) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForNormalEstimation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForNormalEstimation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForPointmapEstimation

kelas transformers.AutoModelForPointmapEstimation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala estimasi pointmap) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala estimasi pointmap) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForPointmapEstimation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala estimasi pointmap) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForPointmapEstimation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForPointmapEstimation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForImageMatting

kelas transformers.AutoModelForImageMatting

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala matting gambar) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala matting gambar) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageMatting

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForImageMatting.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala matting gambar) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageMatting

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForImageMatting.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForImageMatting.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTextRecognition

kelas transformers.AutoModelForTextRecognition

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pengenalan teks) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pengenalan teks) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForTextRecognition.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pengenalan teks) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTextRecognition.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForTextRecognition.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTableRecognition

kelas transformers.AutoModelForTableRecognition

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pengenalan tabel) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pengenalan tabel) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForTableRecognition.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pengenalan tabel) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTableRecognition.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForTableRecognition.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForImageClassification

kelas transformers.AutoModelForImageClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForImageClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForImageClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForImageClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForVideoClassification

kelas transformers.AutoModelForVideoClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi video) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi video) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForVideoClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi video) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForVideoClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForVideoClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForPoseEstimation

kelas transformers.AutoModelForPoseEstimation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala estimasi pose) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala estimasi pose) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForPoseEstimation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala estimasi pose) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForPoseEstimation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForPoseEstimation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForKeypointDetection

kelas transformers.AutoModelForKeypointDetection

< >

( *args**kwargs )

AutoModelForKeypointMatching

kelas transformers.AutoModelForKeypointMatching

< >

( *args**kwargs )

AutoModelForMaskedImageModeling

kelas transformers.AutoModelForMaskedImageModeling

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan gambar bermasker) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan gambar bermasker) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForMaskedImageModeling.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan gambar bermasker) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForMaskedImageModeling.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForMaskedImageModeling.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForObjectDetection

kelas transformers.AutoModelForObjectDetection

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala deteksi objek) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala deteksi objek) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForObjectDetection.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala deteksi objek) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForObjectDetection.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForObjectDetection.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForImageSegmentation

kelas transformers.AutoModelForImageSegmentation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala segmentasi gambar) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala segmentasi gambar) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForImageSegmentation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala segmentasi gambar) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForImageSegmentation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForImageSegmentation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForImageToImage

kelas transformers.AutoModelForImageToImage

< >

( *args**kwargs )

AutoModelForSemanticSegmentation

kelas transformers.AutoModelForSemanticSegmentation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala segmentasi semantik) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala segmentasi semantik) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForSemanticSegmentation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala segmentasi semantik) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForSemanticSegmentation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForSemanticSegmentation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForInstanceSegmentation

kelas transformers.AutoModelForInstanceSegmentation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala segmentasi instans) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala segmentasi instans) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForInstanceSegmentation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala segmentasi instans) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForInstanceSegmentation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForInstanceSegmentation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForUniversalSegmentation

kelas transformers.AutoModelForUniversalSegmentation

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala segmentasi gambar universal) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala segmentasi gambar universal) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForUniversalSegmentation.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala segmentasi gambar universal) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForUniversalSegmentation.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForUniversalSegmentation.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForZeroShotImageClassification

kelas transformers.AutoModelForZeroShotImageClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar nol-tembakan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar nol-shot) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForZeroShotImageClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi gambar nol-shot) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForZeroShotImageClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForZeroShotImageClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForZeroShotObjectDetection

kelas transformers.AutoModelForZeroShotObjectDetection

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala deteksi objek zero-shot) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala deteksi objek zero-shot) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForZeroShotObjectDetection.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala deteksi objek zero-shot) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForZeroShotObjectDetection.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForZeroShotObjectDetection.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

Audio

Kelas auto berikut tersedia untuk tugas audio berikut.

AutoModelForAudioClassification

kelas transformers.AutoModelForAudioClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi audio) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi audio) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForAudioClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi audio) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForAudioClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForAudioClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForAudioFrameClassification

kelas transformers.AutoModelForAudioFrameClassification

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi frame (token) audio) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi frame (token) audio) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForAudioFrameClassification.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi frame (token) audio) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForAudioFrameClassification.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForAudioFrameClassification.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForCTC

kelas transformers.AutoModelForCTC

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala klasifikasi temporal koneksionis) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala klasifikasi temporal koneksionis) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForCTC

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForCTC.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala klasifikasi temporal koneksionis) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForCTC

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForCTC.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForCTC.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTDT

kelas transformers.AutoModelForTDT

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala transducer token-dan-durasi) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala transduser token-dan-durasi) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTDT

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForTDT.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala transducer token-dan-durasi) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTDT

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTDT.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForTDT.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForRNNT

kelas transformers.AutoModelForRNNT

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala transducer RNN) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala transducer RNN) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForRNNT

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForRNNT.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala transducer RNN) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForRNNT

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForRNNT.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForRNNT.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForSpeechSeq2Seq

kelas transformers.AutoModelForSpeechSeq2Seq

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan ucapan-ke-teks berurutan-ke-urutan) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan ucapan-ke-teks berurutan-ke-urutan) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForSpeechSeq2Seq.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan ucapan-ke-teks berurutan-ke-urutan) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForSpeechSeq2Seq.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForSpeechSeq2Seq.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForAudioXVector

kelas transformers.AutoModelForAudioXVector

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan audio retrieval melalui x-vector head) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan audio retrieval melalui kepala x-vector) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForAudioXVector.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan audio retrieval melalui x-vector head) dari model pretrained.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForAudioXVector.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForAudioXVector.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTextToSpectrogram

kelas transformers.AutoModelForTextToSpectrogram

< >

( *args**kwargs )

AutoModelForTextToWaveform

kelas transformers.AutoModelForTextToWaveform

< >

( *args**kwargs )

AutoModelForAudioTokenization

kelas transformers.AutoModelForAudioTokenization

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan tokenisasi audio melalui kepala codebooks) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan tokenisasi audio melalui kepala codebook) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForAudioTokenization.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan tokenisasi audio melalui kepala codebook) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForAudioTokenization.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForAudioTokenization.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

Multimodal

Kelas auto berikut tersedia untuk tugas multimodal berikut.

AutoModelForMultimodalLM

kelas transformers.AutoModelForMultimodalLM

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala generasi multimodal) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala generasi multimodal) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForMultimodalLM.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala generasi multimodal) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForMultimodalLM.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForMultimodalLM.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForTableQuestionAnswering

kelas transformers.AutoModelForTableQuestionAnswering

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala penjawab pertanyaan tabel) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala tanya jawab tabel) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google/tapas-base-finetuned-wtq")
>>> model = AutoModelForTableQuestionAnswering.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala table question answering) dari model pretrained.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTableQuestionAnswering.from_pretrained("google/tapas-base-finetuned-wtq")

>>> # Update configuration during loading
>>> model = AutoModelForTableQuestionAnswering.from_pretrained("google/tapas-base-finetuned-wtq", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForDocumentQuestionAnswering

kelas transformers.AutoModelForDocumentQuestionAnswering

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala untuk menjawab pertanyaan dokumen) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala untuk menjawab pertanyaan dokumen) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("impira/layoutlm-document-qa", revision="52e01b3")
>>> model = AutoModelForDocumentQuestionAnswering.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala untuk menjawab pertanyaan dokumen) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForDocumentQuestionAnswering.from_pretrained("impira/layoutlm-document-qa", revision="52e01b3")

>>> # Update configuration during loading
>>> model = AutoModelForDocumentQuestionAnswering.from_pretrained("impira/layoutlm-document-qa", revision="52e01b3", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForVisualQuestionAnswering

kelas transformers.AutoModelForVisualQuestionAnswering

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala visual question answering) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala visual question answering) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
>>> model = AutoModelForVisualQuestionAnswering.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala visual question answering) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForVisualQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")

>>> # Update configuration during loading
>>> model = AutoModelForVisualQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa", output_attentions=True)
>>> model.config.output_attentions
True

AutoModelForImageTextToText

kelas transformers.AutoModelForImageTextToText

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala pemodelan gambar-teks-ke-teks) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala pemodelan gambar-teks-ke-teks) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForImageTextToText.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala pemodelan gambar-teks-ke-teks) dari model terlatih sebelumnya.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForImageTextToText.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForImageTextToText.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True

Deret Waktu

AutoModelForTimeSeriesPrediction

kelas transformers.AutoModelForTimeSeriesPrediction

< >

( *args**kwargs )

Ini adalah kelas model generik yang akan diinstansiasi sebagai salah satu kelas model dari pustaka (dengan kepala prediksi deret waktu) saat dibuat dengan metode kelas from_pretrained() atau metode kelas from_config().

Kelas ini tidak dapat diinstansiasi secara langsung menggunakan __init__() (melempar error).

from_config

< >

( **kwargs )

Parameter

Membuat instans salah satu kelas model dari pustaka (dengan kepala prediksi deret waktu) dari sebuah konfigurasi.

Catatan: Memuat model dari file konfigurasinya tidak memuat bobot model. Hal ini hanya memengaruhi konfigurasi model. Gunakan from_pretrained() untuk memuat bobot model.

Contoh:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("google-bert/bert-base-cased")
>>> model = AutoModelForTimeSeriesPrediction.from_config(config)

from_pretrained

< >

( *model_args**kwargs )

Parameter

  • pretrained_model_name_or_path (str atau os.PathLike) — Bisa berupa:
    • String, model id dari model pretrained yang dihosting di dalam model repo di huggingface.co.
    • Path ke direktori yang berisi bobot model yang disimpan menggunakan save_pretrained(), misalnya ./my_model_directory/.
  • model_args (argumen posisional tambahan, opsional) — Akan diteruskan ke metode __init__() model yang mendasarinya.
  • config (PreTrainedConfig, opsional) — Konfigurasi untuk model yang akan digunakan sebagai pengganti konfigurasi yang dimuat secara otomatis. Konfigurasi dapat dimuat secara otomatis ketika:
    • Model tersebut adalah model yang disediakan oleh pustaka (dimuat dengan string model id dari model pretrained).
    • Model disimpan menggunakan save_pretrained() dan dimuat ulang dengan menyediakan direktori penyimpanan.
    • Model dimuat dengan menyediakan direktori lokal sebagai pretrained_model_name_or_path dan file konfigurasi JSON bernama config.json ditemukan di direktori tersebut.
  • state_dict (dict[str, torch.Tensor], opsional) — Kamus state yang akan digunakan sebagai pengganti kamus state yang dimuat dari file bobot yang disimpan. Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah penggunaan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

    Opsi ini dapat digunakan jika Anda ingin membuat model dari konfigurasi pretrained tetapi memuat bobot Anda sendiri. Namun, dalam kasus ini, Anda sebaiknya memeriksa apakah menggunakan save_pretrained() dan from_pretrained() bukan merupakan opsi yang lebih sederhana.

  • cache_dir (str atau os.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.
  • force_download (bool, opsional, default False) — Apakah akan memaksa (mengunduh ulang) bobot model dan file konfigurasi, menimpa versi yang sudah di-cache jika ada.
  • proxies (dict[str, str], opsional) — Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Proxy digunakan pada setiap permintaan.
  • output_loading_info(bool, opsional, defaultnya False) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan.
  • local_files_only(bool, opsional, defaultnya False) — Apakah hanya melihat file lokal (misalnya, tidak mencoba mengunduh model).
  • revision (str, opsional, default "main") — Versi model spesifik yang akan digunakan. Bisa berupa nama branch, nama tag, atau commit id, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision dapat berupa identifikasi apa pun yang diizinkan oleh git.
  • trust_remote_code (bool, opsional, default False) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur ke True untuk repositori yang Anda percaya dan yang kodenya telah Anda baca, karena opsi ini akan mengeksekusi kode yang ada di Hub pada mesin lokal Anda.
  • code_revision (str, opsional, defaultnya "main") — Revisi spesifik yang digunakan untuk kode di Hub, jika kode berada di repositori yang berbeda dari bagian lain model. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga revision bisa berupa identifikasi apa pun yang diizinkan oleh git.
  • kwargs (argumen kata kunci tambahan, opsional) — Dapat digunakan untuk memperbarui objek konfigurasi (setelah dimuat) dan menginisiasi model (mis., output_attentions=True). berperilaku berbeda tergantung pada apakah config disediakan atau dimuat secara otomatis:
    • Jika konfigurasi disediakan dengan config, **kwargs akan diteruskan langsung ke metode __init__ dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan)
    • Jika konfigurasi tidak disediakan, kwargs akan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci dari kwargs yang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilai kwargs yang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi __init__ model yang mendasarinya.

Instansiasi salah satu kelas model dari pustaka (dengan kepala prediksi deret waktu) dari model pralatih.

Kelas model yang akan diinstansiasi dipilih berdasarkan properti model_type dari objek config (baik yang dilewatkan sebagai argumen maupun dimuat dari pretrained_model_name_or_path jika memungkinkan), atau jika properti tersebut tidak ada, dengan menggunakan pencocokan pola pada pretrained_model_name_or_path:

Model secara default diatur dalam mode evaluasi menggunakan model.eval() (sehingga, misalnya, modul dropout dinonaktifkan). Untuk melatih model, Anda harus terlebih dahulu mengembalikannya ke mode pelatihan dengan model.train()

Contoh:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

>>> # Download model and configuration from huggingface.co and cache.
>>> model = AutoModelForTimeSeriesPrediction.from_pretrained("google-bert/bert-base-cased")

>>> # Update configuration during loading
>>> model = AutoModelForTimeSeriesPrediction.from_pretrained("google-bert/bert-base-cased", output_attentions=True)
>>> model.config.output_attentions
True
Update on GitHub