Transformers documentation
Kelas otomatis
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
NewModelConfigAnda adalah subkelas dari PreTrainedConfig, pastikan atributmodel_typediatur ke kunci yang sama yang Anda gunakan saat mendaftarkan config (di sini"new-model").Demikian pula, jika
NewModelAnda adalah subkelas dari PreTrainedModel, pastikan atributconfig_classdiatur ke kelas yang sama yang Anda gunakan saat mendaftarkan model (di siniNewModelConfig).
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
< source >( pretrained_model_name_or_path: str | os.PathLike[str]**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - return_unused_kwargs (
bool, opsional, defaultnyaFalse) — JikaFalse, maka fungsi ini hanya mengembalikan objek konfigurasi akhir.Jika
True, maka fungsi ini mengembalikanTuple(config, unused_kwargs)di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut konfigurasi: yaitu, bagian darikwargsyang tidak digunakan untuk memperbaruiconfigdan diabaikan. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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:
- EvollaModel — EvollaConfig (model EvollaConfig)
- afmoe — AfmoeConfig (model AfmoeConfig)
- aimv2 — Aimv2Config (model Aimv2Config)
- aimv2_text_model — Aimv2TextConfig (model Aimv2TextConfig)
- aimv2_vision_model — Aimv2VisionConfig (model Aimv2VisionConfig)
- albert — AlbertConfig (model AlbertConfig)
- align — AlignConfig (model AlignConfig)
- align_text_model — AlignTextConfig (model AlignTextConfig)
- align_vision_model — AlignVisionConfig (model AlignVisionConfig)
- altclip — AltCLIPConfig (model AltCLIPConfig)
- altclip_text_model — AltCLIPTextConfig (model AltCLIPTextConfig)
- altclip_vision_model — AltCLIPVisionConfig (model AltCLIPVisionConfig)
- apertus — ApertusConfig (model ApertusConfig)
- arcee — ArceeConfig (model ArceeConfig)
- aria — AriaConfig (model AriaConfig)
- aria_text — AriaTextConfig (model AriaTextConfig)
- audio-spectrogram-transformer — ASTConfig (model ASTConfig)
- audioflamingo3 — AudioFlamingo3Config (model AudioFlamingo3Config)
- audioflamingo3_encoder — AudioFlamingo3EncoderConfig (model AudioFlamingo3EncoderConfig)
- autoformer — AutoformerConfig (model AutoformerConfig)
- axk1 — AXK1Config (model AXK1Config)
- axk2 — AXK2Config (model AXK2Config)
- aya_vision — AyaVisionConfig (model AyaVisionConfig)
- bailing_hybrid — BailingHybridConfig (model BailingHybridConfig)
- bamba — BambaConfig (model BambaConfig)
- bark — BarkConfig (model BarkConfig)
- bart — BartConfig (model BartConfig)
- beam — BeamConfig (model BeamConfig)
- beit — BeitConfig (model BeitConfig)
- bert — BertConfig (model BertConfig)
- bert-generation — BertGenerationConfig (model BertGenerationConfig)
- big_bird — BigBirdConfig (model BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusConfig (model BigBirdPegasusConfig)
- biogpt — BioGptConfig (model BioGptConfig)
- bit — BitConfig (model BitConfig)
- bitnet — BitNetConfig (model BitNetConfig)
- blenderbot — BlenderbotConfig (model BlenderbotConfig)
- blenderbot-small — BlenderbotSmallConfig (model BlenderbotSmallConfig)
- blip — BlipConfig (model BlipConfig)
- blip-2 — Blip2Config (model Blip2Config)
- blip_2_qformer — Blip2QFormerConfig (model Blip2QFormerConfig)
- blip_2_vision_model — Blip2VisionConfig (model Blip2VisionConfig)
- blip_text_model — BlipTextConfig (model BlipTextConfig)
- blip_vision_model — BlipVisionConfig (model BlipVisionConfig)
- bloom — BloomConfig (model BloomConfig)
- blt — BltConfig (model BltConfig)
- blt_global_transformer —
BltGlobalTransformerConfig(model BltGlobalTransformerConfig) - blt_local_decoder —
BltLocalDecoderConfig(model BltLocalDecoderConfig) - blt_local_encoder —
BltLocalEncoderConfig(model BltLocalEncoderConfig) - blt_patcher —
BltPatcherConfig(model BltPatcherConfig) - bridgetower — BridgeTowerConfig (model BridgeTowerConfig)
- bridgetower_text_model — BridgeTowerTextConfig (model BridgeTowerTextConfig)
- bridgetower_vision_model — BridgeTowerVisionConfig (model BridgeTowerVisionConfig)
- bros — BrosConfig (model BrosConfig)
- camembert — CamembertConfig (model CamembertConfig)
- canary — CanaryConfig (model CanaryConfig)
- canary_decoder — CanaryDecoderConfig (model CanaryDecoderConfig)
- canine — CanineConfig (model CanineConfig)
- chameleon — ChameleonConfig (model ChameleonConfig)
- chameleon_vqgan — ChameleonVQVAEConfig (model ChameleonVQVAEConfig)
- chinese_clip — ChineseCLIPConfig (model ChineseCLIPConfig)
- chinese_clip_text_model — ChineseCLIPTextConfig (model ChineseCLIPTextConfig)
- chinese_clip_vision_model — ChineseCLIPVisionConfig (model ChineseCLIPVisionConfig)
- chmv2 — CHMv2Config (model CHMv2Config)
- clap — ClapConfig (model ClapConfig)
- clap_audio_model — ClapAudioConfig (model ClapAudioConfig)
- clap_text_model — ClapTextConfig (model ClapTextConfig)
- clip — CLIPConfig (model CLIPConfig)
- clip_text_model — CLIPTextConfig (model CLIPTextConfig)
- clip_vision_model — CLIPVisionConfig (model CLIPVisionConfig)
- clipseg — CLIPSegConfig (model CLIPSegConfig)
- clipseg_text_model — CLIPSegTextConfig (model CLIPSegTextConfig)
- clipseg_vision_model — CLIPSegVisionConfig (model CLIPSegVisionConfig)
- clvp — ClvpConfig (model ClvpConfig)
- clvp_decoder — ClvpDecoderConfig (model ClvpDecoderConfig)
- clvp_encoder — ClvpEncoderConfig (model ClvpEncoderConfig)
- codegen — CodeGenConfig (model CodeGenConfig)
- cohere — CohereConfig (model CohereConfig)
- cohere2 — Cohere2Config (model Cohere2Config)
- cohere2_moe — Cohere2MoeConfig (model Cohere2MoeConfig)
- cohere2_vision — Cohere2VisionConfig (model Cohere2VisionConfig)
- cohere_asr — CohereAsrConfig (model CohereAsrConfig)
- cohere_compass — CohereCompassConfig (model CohereCompassConfig)
- cohere_compass_text — CohereCompassTextConfig (model CohereCompassTextConfig)
- cohere_compass_vision — CohereCompassVisionConfig (model CohereCompassVisionConfig)
- colmodernvbert — ColModernVBertConfig (model ColModernVBertConfig)
- colpali — ColPaliConfig (model ColPaliConfig)
- colqwen2 — ColQwen2Config (model ColQwen2Config)
- conditional_detr — ConditionalDetrConfig (model ConditionalDetrConfig)
- convbert — ConvBertConfig (model ConvBertConfig)
- convnext — ConvNextConfig (model ConvNextConfig)
- convnextv2 — ConvNextV2Config (model ConvNextV2Config)
- cosmos3_edge — Cosmos3EdgeConfig (model Cosmos3EdgeConfig)
- cosmos3_edge_text — Cosmos3EdgeTextConfig (model Cosmos3EdgeTextConfig)
- cosmos3_edge_vision — Cosmos3EdgeVisionConfig (model Cosmos3EdgeVisionConfig)
- cosmos3_omni — Cosmos3OmniConfig (model Cosmos3OmniConfig)
- cpmant — CpmAntConfig (model CpmAntConfig)
- csm — CsmConfig (model CsmConfig)
- csm_depth_decoder_model — CsmDepthDecoderConfig (model CsmDepthDecoderConfig)
- ctrl — CTRLConfig (model CTRLConfig)
- cvt — CvtConfig (model CvtConfig)
- cwm — CwmConfig (model CwmConfig)
- d_fine — DFineConfig (model DFineConfig)
- dab-detr — DabDetrConfig (model DabDetrConfig)
- dac — DacConfig (model DacConfig)
- data2vec-audio — Data2VecAudioConfig (model Data2VecAudioConfig)
- data2vec-text — Data2VecTextConfig (model Data2VecTextConfig)
- data2vec-vision — Data2VecVisionConfig (model Data2VecVisionConfig)
- dbrx — DbrxConfig (model DbrxConfig)
- deberta — DebertaConfig (model DebertaConfig)
- deberta-v2 — DebertaV2Config (model DebertaV2Config)
- decision_transformer — DecisionTransformerConfig (model DecisionTransformerConfig)
- deepseek_ocr2 — DeepseekOcr2Config (model DeepseekOcr2Config)
- deepseek_ocr2_encoder — DeepseekOcr2VisionEncoderConfig (model DeepseekOcr2VisionEncoderConfig)
- deepseek_ocr2_sam_vision_model — DeepseekOcr2SamVisionConfig (model DeepseekOcr2SamVisionConfig)
- deepseek_ocr2_text — DeepseekOcr2TextConfig (model DeepseekOcr2TextConfig)
- deepseek_ocr2_vision — DeepseekOcr2VisionConfig (model DeepseekOcr2VisionConfig)
- deepseek_v2 — DeepseekV2Config (model DeepseekV2Config)
- deepseek_v3 — DeepseekV3Config (model DeepseekV3Config)
- deepseek_v32 — DeepseekV32Config (model DeepseekV32Config)
- deepseek_v4 — DeepseekV4Config (model DeepseekV4Config)
- deepseek_vl — DeepseekVLConfig (model DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridConfig (model DeepseekVLHybridConfig)
- deformable_detr — DeformableDetrConfig (model DeformableDetrConfig)
- deimv2 — Deimv2Config (model Deimv2Config)
- deit — DeiTConfig (model DeiTConfig)
- depth_anything — DepthAnythingConfig (model DepthAnythingConfig)
- depth_pro — DepthProConfig (model DepthProConfig)
- detr — DetrConfig (model DetrConfig)
- dia — DiaConfig (model DiaConfig)
- dia_decoder — DiaDecoderConfig (model DiaDecoderConfig)
- dia_encoder — DiaEncoderConfig (model DiaEncoderConfig)
- diffllama — DiffLlamaConfig (model DiffLlamaConfig)
- diffusion_gemma — DiffusionGemmaConfig (model DiffusionGemmaConfig)
- diffusion_gemma_text — DiffusionGemmaTextConfig (model DiffusionGemmaTextConfig)
- dinat — DinatConfig (model DinatConfig)
- dinov2 — Dinov2Config (model Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersConfig (model Dinov2WithRegistersConfig)
- dinov3_convnext — DINOv3ConvNextConfig (model DINOv3ConvNextConfig)
- dinov3_vit — DINOv3ViTConfig (model DINOv3ViTConfig)
- distilbert — DistilBertConfig (model DistilBertConfig)
- doge — DogeConfig (model DogeConfig)
- donut-swin — DonutSwinConfig (model DonutSwinConfig)
- dots1 — Dots1Config (model Dots1Config)
- dpr — DPRConfig (model DPRConfig)
- dpt — DPTConfig (model DPTConfig)
- edgetam — EdgeTamConfig (model EdgeTamConfig)
- edgetam_mask_decoder — EdgeTamMaskDecoderConfig (model EdgeTamMaskDecoderConfig)
- edgetam_prompt_encoder — EdgeTamPromptEncoderConfig (model EdgeTamPromptEncoderConfig)
- edgetam_video — EdgeTamVideoConfig (model EdgeTamVideoConfig)
- edgetam_video_mask_decoder — EdgeTamVideoMaskDecoderConfig (model EdgeTamVideoMaskDecoderConfig)
- edgetam_video_prompt_encoder — EdgeTamVideoPromptEncoderConfig (model EdgeTamVideoPromptEncoderConfig)
- edgetam_vision_model — EdgeTamVisionConfig (model EdgeTamVisionConfig)
- efficientloftr — EfficientLoFTRConfig (model EfficientLoFTRConfig)
- efficientnet — EfficientNetConfig (model EfficientNetConfig)
- electra — ElectraConfig (model ElectraConfig)
- embedding_gemma2 — EmbeddingGemma2Config (model EmbeddingGemma2Config)
- embedding_gemma2_text — EmbeddingGemma2TextConfig (model EmbeddingGemma2TextConfig)
- emu3 — Emu3Config (model Emu3Config)
- emu3_text_model — Emu3TextConfig (model Emu3TextConfig)
- emu3_vqgan — Emu3VQVAEConfig (model Emu3VQVAEConfig)
- encodec — EncodecConfig (model EncodecConfig)
- encoder-decoder — EncoderDecoderConfig (model EncoderDecoderConfig)
- eomt — EomtConfig (model EomtConfig)
- eomt_dinov3 — EomtDinov3Config (model EomtDinov3Config)
- ernie — ErnieConfig (model ErnieConfig)
- ernie4_5 — Ernie4_5Config (model Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeConfig (model Ernie4_5_MoeConfig)
- ernie4_5_vl_moe — Ernie4_5_VLMoeConfig (model Ernie4_5_VLMoeConfig)
- ernie4_5_vl_moe_text — Ernie4_5_VLMoeTextConfig (model Ernie4_5_VLMoeTextConfig)
- ernie4_5_vl_moe_vision — Ernie4_5_VLMoeVisionConfig (model Ernie4_5_VLMoeVisionConfig)
- esm — EsmConfig (model EsmConfig)
- esmc — EsmcConfig (model EsmcConfig)
- esmfold2 — EsmFold2Config (model EsmFold2Config)
- eurobert — EuroBertConfig (model EuroBertConfig)
- evolla — EvollaConfig (model EvollaConfig)
- exaone4 — Exaone4Config (model Exaone4Config)
- exaone4_5 — Exaone4_5_Config (model Exaone4_5_Config)
- exaone4_5_vision — Exaone4_5_VisionConfig (model Exaone4_5_VisionConfig)
- exaone_moe — ExaoneMoeConfig (model ExaoneMoeConfig)
- falcon — FalconConfig (model FalconConfig)
- falcon_h1 — FalconH1Config (model FalconH1Config)
- falcon_mamba — FalconMambaConfig (model FalconMambaConfig)
- fast_vlm — FastVlmConfig (model FastVlmConfig)
- fastspeech2_conformer — FastSpeech2ConformerConfig (model FastSpeech2ConformerConfig)
- fastspeech2_conformer_hifigan — FastSpeech2ConformerHifiGanConfig (model FastSpeech2ConformerHifiGanConfig)
- fastspeech2_conformer_with_hifigan — FastSpeech2ConformerWithHifiGanConfig (model FastSpeech2ConformerWithHifiGanConfig)
- flaubert — FlaubertConfig (model FlaubertConfig)
- flava — FlavaConfig (model FlavaConfig)
- flava_image_codebook — FlavaImageCodebookConfig (model FlavaImageCodebookConfig)
- flava_image_model — FlavaImageConfig (model FlavaImageConfig)
- flava_multimodal_model — FlavaMultimodalConfig (model FlavaMultimodalConfig)
- flava_text_model — FlavaTextConfig (model FlavaTextConfig)
- flex_olmo — FlexOlmoConfig (model FlexOlmoConfig)
- flint — FlintConfig (model FlintConfig)
- florence2 — Florence2Config (model Florence2Config)
- florence_vision — Florence2VisionConfig (model Florence2VisionConfig)
- fnet — FNetConfig (model FNetConfig)
- focalnet — FocalNetConfig (model FocalNetConfig)
- fsmt — FSMTConfig (model FSMTConfig)
- fun_asr_nano — FunAsrNanoConfig (model FunAsrNanoConfig)
- fun_asr_nano_encoder — FunAsrNanoEncoderConfig (model FunAsrNanoEncoderConfig)
- funnel — FunnelConfig (model FunnelConfig)
- fuyu — FuyuConfig (model FuyuConfig)
- gemma — GemmaConfig (model GemmaConfig)
- gemma2 — Gemma2Config (model Gemma2Config)
- gemma3 — Gemma3Config (model Gemma3Config)
- gemma3_text — Gemma3TextConfig (model Gemma3TextConfig)
- gemma3n — Gemma3nConfig (model Gemma3nConfig)
- gemma3n_audio — Gemma3nAudioConfig (model Gemma3nAudioConfig)
- gemma3n_text — Gemma3nTextConfig (model Gemma3nTextConfig)
- gemma3n_vision — Gemma3nVisionConfig (model Gemma3nVisionConfig)
- gemma4 — Gemma4Config (model Gemma4Config)
- gemma4_assistant — Gemma4AssistantConfig (model Gemma4AssistantConfig)
- gemma4_audio — Gemma4AudioConfig (model Gemma4AudioConfig)
- gemma4_text — Gemma4TextConfig (model Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedConfig (model Gemma4UnifiedConfig)
- gemma4_unified_assistant — Gemma4UnifiedAssistantConfig (model Gemma4UnifiedAssistantConfig)
- gemma4_unified_audio — Gemma4UnifiedAudioConfig (model Gemma4UnifiedAudioConfig)
- gemma4_unified_text — Gemma4UnifiedTextConfig (model Gemma4UnifiedTextConfig)
- gemma4_unified_vision — Gemma4UnifiedVisionConfig (model Gemma4UnifiedVisionConfig)
- gemma4_vision — Gemma4VisionConfig (model Gemma4VisionConfig)
- git — GitConfig (model GitConfig)
- git_vision_model — GitVisionConfig (model GitVisionConfig)
- glm — GlmConfig (model GlmConfig)
- glm4 — Glm4Config (model Glm4Config)
- glm46v — Glm46VConfig (model Glm46VConfig)
- glm4_moe — Glm4MoeConfig (model Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteConfig (model Glm4MoeLiteConfig)
- glm4v — Glm4vConfig (model Glm4vConfig)
- glm4v_moe — Glm4vMoeConfig (model Glm4vMoeConfig)
- glm4v_moe_text — Glm4vMoeTextConfig (model Glm4vMoeTextConfig)
- glm4v_moe_vision — Glm4vMoeVisionConfig (model Glm4vMoeVisionConfig)
- glm4v_text — Glm4vTextConfig (model Glm4vTextConfig)
- glm4v_vision — Glm4vVisionConfig (model Glm4vVisionConfig)
- glm5_next — Glm5NextConfig (model Glm5NextConfig)
- glm5_next_text — Glm5NextTextConfig (model Glm5NextTextConfig)
- glm5_next_vision — Glm5NextVisionConfig (model Glm5NextVisionConfig)
- glm_image — GlmImageConfig (model GlmImageConfig)
- glm_image_text — GlmImageTextConfig (model GlmImageTextConfig)
- glm_image_vision — GlmImageVisionConfig (model GlmImageVisionConfig)
- glm_image_vqmodel — GlmImageVQVAEConfig (model GlmImageVQVAEConfig)
- glm_moe_dsa — GlmMoeDsaConfig (model GlmMoeDsaConfig)
- glm_ocr — GlmOcrConfig (model GlmOcrConfig)
- glm_ocr_text — GlmOcrTextConfig (model GlmOcrTextConfig)
- glm_ocr_vision — GlmOcrVisionConfig (model GlmOcrVisionConfig)
- glmasr — GlmAsrConfig (model GlmAsrConfig)
- glmasr_encoder — GlmAsrEncoderConfig (model GlmAsrEncoderConfig)
- glmga — GlmgaConfig (model GlmgaConfig)
- glpn — GLPNConfig (model GLPNConfig)
- got_ocr2 — GotOcr2Config (model GotOcr2Config)
- got_ocr2_vision — GotOcr2VisionConfig (model GotOcr2VisionConfig)
- gpt-sw3 — GPT2Config (model GPT2Config)
- gpt2 — GPT2Config (model GPT2Config)
- gpt_bigcode — GPTBigCodeConfig (model GPTBigCodeConfig)
- gpt_neo — GPTNeoConfig (model GPTNeoConfig)
- gpt_neox — GPTNeoXConfig (model GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseConfig (model GPTNeoXJapaneseConfig)
- gpt_oss — GptOssConfig (model GptOssConfig)
- gptj — GPTJConfig (model GPTJConfig)
- gradium_phonon_tts — GradiumPhononTTSConfig (model GradiumPhononTTSConfig)
- granite — GraniteConfig (model GraniteConfig)
- granite4_vision — Granite4VisionConfig (model Granite4VisionConfig)
- granite4_vision_text — Granite4VisionTextConfig (model Granite4VisionTextConfig)
- granite_speech — GraniteSpeechConfig (model GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5CTCConfig (model GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5EncoderConfig (model GraniteSpeech5EncoderConfig)
- granite_speech_encoder — GraniteSpeechEncoderConfig (model GraniteSpeechEncoderConfig)
- granite_speech_plus — GraniteSpeechPlusConfig (model GraniteSpeechPlusConfig)
- granite_speech_plus_encoder — GraniteSpeechPlusEncoderConfig (model GraniteSpeechPlusEncoderConfig)
- granite_swa — GraniteSWAConfig (model GraniteSWAConfig)
- granitemoe — GraniteMoeConfig (model GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAConfig (model GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridConfig (model GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedConfig (model GraniteMoeSharedConfig)
- grounding-dino — GroundingDinoConfig (model GroundingDinoConfig)
- groupvit — GroupViTConfig (model GroupViTConfig)
- groupvit_text_model — GroupViTTextConfig (model GroupViTTextConfig)
- groupvit_vision_model — GroupViTVisionConfig (model GroupViTVisionConfig)
- gte — GteConfig (model GteConfig)
- helium — HeliumConfig (model HeliumConfig)
- hgnet_v2 — HGNetV2Config (model HGNetV2Config)
- hiera — HieraConfig (model HieraConfig)
- higgs_audio_v2 — HiggsAudioV2Config (model HiggsAudioV2Config)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerConfig (model HiggsAudioV2TokenizerConfig)
- hrm_text — HrmTextConfig (model HrmTextConfig)
- hubert — HubertConfig (model HubertConfig)
- hunyuan_v1_dense — HunYuanDenseV1Config (model HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1Config (model HunYuanMoEV1Config)
- hunyuan_vl — HunYuanVLConfig (model HunYuanVLConfig)
- hunyuan_vl_text — HunYuanVLTextConfig (model HunYuanVLTextConfig)
- hunyuan_vl_vision — HunYuanVLVisionConfig (model HunYuanVLVisionConfig)
- hy_v3 — HYV3Config (model HYV3Config)
- hy_v4 — HYV4Config (model HYV4Config)
- hyperclovax — HyperCLOVAXConfig (model HyperCLOVAXConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Config (model HyperCLOVAXVisionV2Config)
- ibert — IBertConfig (model IBertConfig)
- idefics — IdeficsConfig (model IdeficsConfig)
- idefics2 — Idefics2Config (model Idefics2Config)
- idefics2_perceiver — Idefics2PerceiverConfig (model Idefics2PerceiverConfig)
- idefics2_vision — Idefics2VisionConfig (model Idefics2VisionConfig)
- idefics3 — Idefics3Config (model Idefics3Config)
- idefics3_vision — Idefics3VisionConfig (model Idefics3VisionConfig)
- idefics_perciever — IdeficsPerceiverConfig (model IdeficsPerceiverConfig)
- idefics_vision — IdeficsVisionConfig (model IdeficsVisionConfig)
- ijepa — IJepaConfig (model IJepaConfig)
- imagegpt — ImageGPTConfig (model ImageGPTConfig)
- informer — InformerConfig (model InformerConfig)
- inkling_audio — InklingAudioConfig (model InklingAudioConfig)
- inkling_mm_model — InklingConfig (model InklingConfig)
- inkling_text — InklingTextConfig (model InklingTextConfig)
- inkling_vision — InklingVisionConfig (model InklingVisionConfig)
- instructblip — InstructBlipConfig (model InstructBlipConfig)
- instructblip_qformer — InstructBlipQFormerConfig (model InstructBlipQFormerConfig)
- instructblip_vision_model — InstructBlipVisionConfig (model InstructBlipVisionConfig)
- instructblipvideo — InstructBlipVideoConfig (model InstructBlipVideoConfig)
- instructblipvideo_qformer — InstructBlipVideoQFormerConfig (model InstructBlipVideoQFormerConfig)
- instructblipvideo_vision_model — InstructBlipVideoVisionConfig (model InstructBlipVideoVisionConfig)
- internvl — InternVLConfig (model InternVLConfig)
- internvl_vision — InternVLVisionConfig (model InternVLVisionConfig)
- jais2 — Jais2Config (model Jais2Config)
- jamba — JambaConfig (model JambaConfig)
- janus — JanusConfig (model JanusConfig)
- janus_vision_model — JanusVisionConfig (model JanusVisionConfig)
- janus_vqgan — JanusVQVAEConfig (model JanusVQVAEConfig)
- jetmoe — JetMoeConfig (model JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3Config (model JinaEmbeddingsV3Config)
- kimi_k25 — Kimi_K25Config (model Kimi_K25Config)
- kimi_k25_vision — Kimi_K25VisionConfig (model Kimi_K25VisionConfig)
- kimi_linear — KimiLinearConfig (model KimiLinearConfig)
- kolibri1 — Kolibri1Config (model Kolibri1Config)
- kosmos-2 — Kosmos2Config (model Kosmos2Config)
- kosmos-2.5 — Kosmos2_5Config (model Kosmos2_5Config)
- kosmos_2_5_text_model — Kosmos2_5TextConfig (model Kosmos2_5TextConfig)
- kosmos_2_5_vision_model — Kosmos2_5VisionConfig (model Kosmos2_5VisionConfig)
- kosmos_2_text_model — Kosmos2TextConfig (model Kosmos2TextConfig)
- kosmos_2_vision_model — Kosmos2VisionConfig (model Kosmos2VisionConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextConfig (model KyutaiSpeechToTextConfig)
- laguna — LagunaConfig (model LagunaConfig)
- lasr_ctc — LasrCTCConfig (model LasrCTCConfig)
- lasr_encoder — LasrEncoderConfig (model LasrEncoderConfig)
- layoutlm — LayoutLMConfig (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Config (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Config (model LayoutLMv3Config)
- layoutxlm — LayoutXLMConfig (model LayoutXLMConfig)
- led — LEDConfig (model LEDConfig)
- levit — LevitConfig (model LevitConfig)
- lfm2 — Lfm2Config (model Lfm2Config)
- lfm2_moe — Lfm2MoeConfig (model Lfm2MoeConfig)
- lfm2_vl — Lfm2VlConfig (model Lfm2VlConfig)
- lightglue — LightGlueConfig (model LightGlueConfig)
- lighton_ocr — LightOnOcrConfig (model LightOnOcrConfig)
- lilt — LiltConfig (model LiltConfig)
- llama — LlamaConfig (model LlamaConfig)
- llama4 — Llama4Config (model Llama4Config)
- llama4_text — Llama4TextConfig (model Llama4TextConfig)
- llama4_vision_model — Llama4VisionConfig (model Llama4VisionConfig)
- llava — LlavaConfig (model LlavaConfig)
- llava_next — LlavaNextConfig (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoConfig (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionConfig (model LlavaOnevisionConfig)
- longcat_flash — LongcatFlashConfig (model LongcatFlashConfig)
- longformer — LongformerConfig (model LongformerConfig)
- longt5 — LongT5Config (model LongT5Config)
- luke — LukeConfig (model LukeConfig)
- lw_detr — LwDetrConfig (model LwDetrConfig)
- lw_detr_vit — LwDetrViTConfig (model LwDetrViTConfig)
- lxmert — LxmertConfig (model LxmertConfig)
- m2m_100 — M2M100Config (model M2M100Config)
- mamba — MambaConfig (model MambaConfig)
- mamba2 — Mamba2Config (model Mamba2Config)
- marian — MarianConfig (model MarianConfig)
- markuplm — MarkupLMConfig (model MarkupLMConfig)
- mask2former — Mask2FormerConfig (model Mask2FormerConfig)
- maskformer — MaskFormerConfig (model MaskFormerConfig)
- maskformer-swin —
MaskFormerSwinConfig(model MaskFormerSwinConfig) - mbart — MBartConfig (model MBartConfig)
- megatron-bert — MegatronBertConfig (model MegatronBertConfig)
- mellum — MellumConfig (model MellumConfig)
- metaclip_2 — MetaClip2Config (model MetaClip2Config)
- metaclip_2_text_model — MetaClip2TextConfig (model MetaClip2TextConfig)
- metaclip_2_vision_model — MetaClip2VisionConfig (model MetaClip2VisionConfig)
- mgp-str — MgpstrConfig (model MgpstrConfig)
- mimi — MimiConfig (model MimiConfig)
- mimi_decoder — MimiDecoderConfig (model MimiDecoderConfig)
- mimi_encoder — MimiEncoderConfig (model MimiEncoderConfig)
- mimo_v2_flash — MiMoV2FlashConfig (model MiMoV2FlashConfig)
- minicpm3 — MiniCPM3Config (model MiniCPM3Config)
- minicpm_ocr — MiniCPMOcrConfig (model MiniCPMOcrConfig)
- minicpm_ocr_vision — MiniCPMOcrVisionConfig (model MiniCPMOcrVisionConfig)
- minicpmv4_6 — MiniCPMV4_6Config (model MiniCPMV4_6Config)
- minicpmv4_6_vision — MiniCPMV4_6VisionConfig (model MiniCPMV4_6VisionConfig)
- minicpmv4_7 — MiniCPMV4_7Config (model MiniCPMV4_7Config)
- minicpmv4_7_vision — MiniCPMV4_7VisionConfig (model MiniCPMV4_7VisionConfig)
- minimax — MiniMaxConfig (model MiniMaxConfig)
- minimax_m2 — MiniMaxM2Config (model MiniMaxM2Config)
- minimax_m3_vl — MiniMaxM3VLConfig (model MiniMaxM3VLConfig)
- minimax_m3_vl_text — MiniMaxM3VLTextConfig (model MiniMaxM3VLTextConfig)
- minimax_m3_vl_vision — MiniMaxM3VLVisionConfig (model MiniMaxM3VLVisionConfig)
- ministral — MinistralConfig (model MinistralConfig)
- ministral3 — Ministral3Config (model Ministral3Config)
- mistral — MistralConfig (model MistralConfig)
- mistral3 — Mistral3Config (model Mistral3Config)
- mistral4 — Mistral4Config (model Mistral4Config)
- mistral_large4 — MistralLarge4Config (model MistralLarge4Config)
- mistral_large4_text — MistralLarge4TextConfig (model MistralLarge4TextConfig)
- mixtral — MixtralConfig (model MixtralConfig)
- mlcd — MLCDVisionConfig (model MLCDVisionConfig)
- mlcd_vision_model — MLCDVisionConfig (model MLCDVisionConfig)
- mllama — MllamaConfig (model MllamaConfig)
- mllama_text_model — MllamaTextConfig (model MllamaTextConfig)
- mllama_vision_model — MllamaVisionConfig (model MllamaVisionConfig)
- mm-grounding-dino — MMGroundingDinoConfig (model MMGroundingDinoConfig)
- mobilebert — MobileBertConfig (model MobileBertConfig)
- mobilenet_v1 — MobileNetV1Config (model MobileNetV1Config)
- mobilenet_v2 — MobileNetV2Config (model MobileNetV2Config)
- mobilevit — MobileViTConfig (model MobileViTConfig)
- mobilevitv2 — MobileViTV2Config (model MobileViTV2Config)
- modernbert — ModernBertConfig (model ModernBertConfig)
- modernbert-decoder — ModernBertDecoderConfig (model ModernBertDecoderConfig)
- modernvbert — ModernVBertConfig (model ModernVBertConfig)
- molmo2 — Molmo2Config (model Molmo2Config)
- molmo2_adapter — Molmo2AdapterConfig (model Molmo2AdapterConfig)
- molmo2_text — Molmo2TextConfig (model Molmo2TextConfig)
- molmo2_vision — Molmo2VisionConfig (model Molmo2VisionConfig)
- moonshine — MoonshineConfig (model MoonshineConfig)
- moonshine_streaming — MoonshineStreamingConfig (model MoonshineStreamingConfig)
- moonshine_streaming_encoder — MoonshineStreamingEncoderConfig (model MoonshineStreamingEncoderConfig)
- moshi — MoshiConfig (model MoshiConfig)
- moshi_depth — MoshiDepthConfig (model MoshiDepthConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeConfig (model MossTranscribeDiarizeConfig)
- moss_transcribe_diarize_audio — MossTranscribeDiarizeAudioConfig (model MossTranscribeDiarizeAudioConfig)
- mpnet — MPNetConfig (model MPNetConfig)
- mpt — MptConfig (model MptConfig)
- mra — MraConfig (model MraConfig)
- mt5 — MT5Config (model MT5Config)
- muse_glimmer — MuseGlimmerConfig (model MuseGlimmerConfig)
- muse_glimmer_assistant — MuseGlimmerAssistantConfig (model MuseGlimmerAssistantConfig)
- muse_glimmer_text — MuseGlimmerTextConfig (model MuseGlimmerTextConfig)
- muse_glimmer_vision — MuseGlimmerVisionConfig (model MuseGlimmerVisionConfig)
- muse_spark — MuseSparkConfig (model MuseSparkConfig)
- muse_spark_audio — MuseSparkAudioConfig (model MuseSparkAudioConfig)
- muse_spark_text — MuseSparkTextConfig (model MuseSparkTextConfig)
- muse_spark_vision — MuseSparkVisionConfig (model MuseSparkVisionConfig)
- musicflamingo — MusicFlamingoConfig (model MusicFlamingoConfig)
- musicgen — MusicgenConfig (model MusicgenConfig)
- musicgen_decoder — MusicgenDecoderConfig (model MusicgenDecoderConfig)
- musicgen_melody — MusicgenMelodyConfig (model MusicgenMelodyConfig)
- musicgen_melody_decoder — MusicgenMelodyDecoderConfig (model MusicgenMelodyDecoderConfig)
- mvp — MvpConfig (model MvpConfig)
- nanochat — NanoChatConfig (model NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeConfig (model Nemotron3_5TranscribeConfig)
- nemotron — NemotronConfig (model NemotronConfig)
- nemotron3_5_asr — Nemotron3_5AsrConfig (model Nemotron3_5AsrConfig)
- nemotron3_5_transcribe_asr_audio — Nemotron3_5TranscribeAsrAudioConfig (model Nemotron3_5TranscribeAsrAudioConfig)
- nemotron3_5_transcribe_audio — Nemotron3_5TranscribeAudioConfig (model Nemotron3_5TranscribeAudioConfig)
- nemotron3_5_transcribe_word_timestamp — Nemotron3_5TranscribeWordTimestampConfig (model Nemotron3_5TranscribeWordTimestampConfig)
- nemotron3_diarization — Nemotron3DiarizationConfig (model Nemotron3DiarizationConfig)
- nemotron3_diarization_audio — Nemotron3DiarizationAudioConfig (model Nemotron3DiarizationAudioConfig)
- nemotron_asr_streaming — NemotronAsrStreamingConfig (model NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingEncoderConfig (model NemotronAsrStreamingEncoderConfig)
- nemotron_h — NemotronHConfig (model NemotronHConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3_Config (model NemotronH_Omni_Reasoning_V3_Config)
- neomme — NeoMMEConfig (model NeoMMEConfig)
- neucodec — NeuCodecConfig (model NeuCodecConfig)
- nllb-moe — NllbMoeConfig (model NllbMoeConfig)
- nomic_bert — NomicBertConfig (model NomicBertConfig)
- nougat — NougatConfig (model NougatConfig)
- nystromformer — NystromformerConfig (model NystromformerConfig)
- olmo — OlmoConfig (model OlmoConfig)
- olmo2 — Olmo2Config (model Olmo2Config)
- olmo3 — Olmo3Config (model Olmo3Config)
- olmo_hybrid — OlmoHybridConfig (model OlmoHybridConfig)
- olmoe — OlmoeConfig (model OlmoeConfig)
- omdet-turbo — OmDetTurboConfig (model OmDetTurboConfig)
- oneformer — OneFormerConfig (model OneFormerConfig)
- openai-gpt — OpenAIGPTConfig (model OpenAIGPTConfig)
- openai_privacy_filter — OpenAIPrivacyFilterConfig (model OpenAIPrivacyFilterConfig)
- opt — OPTConfig (model OPTConfig)
- ovis2 — Ovis2Config (model Ovis2Config)
- ovis2_vision — Ovis2VisionConfig (model Ovis2VisionConfig)
- owlv2 — Owlv2Config (model Owlv2Config)
- owlv2_text_model — Owlv2TextConfig (model Owlv2TextConfig)
- owlv2_vision_model — Owlv2VisionConfig (model Owlv2VisionConfig)
- owlvit — OwlViTConfig (model OwlViTConfig)
- owlvit_text_model — OwlViTTextConfig (model OwlViTTextConfig)
- owlvit_vision_model — OwlViTVisionConfig (model OwlViTVisionConfig)
- paddleocr_vl — PaddleOCRVLConfig (model PaddleOCRVLConfig)
- paddleocr_vl_text — PaddleOCRTextConfig (model PaddleOCRTextConfig)
- paddleocr_vl_vision — PaddleOCRVisionConfig (model PaddleOCRVisionConfig)
- paligemma — PaliGemmaConfig (model PaliGemmaConfig)
- parakeet_ctc — ParakeetCTCConfig (model ParakeetCTCConfig)
- parakeet_encoder — ParakeetEncoderConfig (model ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetRNNTConfig (model ParakeetRNNTConfig)
- parakeet_tdt — ParakeetTDTConfig (model ParakeetTDTConfig)
- patchtsmixer — PatchTSMixerConfig (model PatchTSMixerConfig)
- patchtst — PatchTSTConfig (model PatchTSTConfig)
- pe_audio — PeAudioConfig (model PeAudioConfig)
- pe_audio_encoder — PeAudioEncoderConfig (model PeAudioEncoderConfig)
- pe_audio_video — PeAudioVideoConfig (model PeAudioVideoConfig)
- pe_audio_video_encoder — PeAudioVideoEncoderConfig (model PeAudioVideoEncoderConfig)
- pe_video — PeVideoConfig (model PeVideoConfig)
- pe_video_encoder — PeVideoEncoderConfig (model PeVideoEncoderConfig)
- pegasus — PegasusConfig (model PegasusConfig)
- pegasus_x — PegasusXConfig (model PegasusXConfig)
- perceiver — PerceiverConfig (model PerceiverConfig)
- perception_lm — PerceptionLMConfig (model PerceptionLMConfig)
- persimmon — PersimmonConfig (model PersimmonConfig)
- phi — PhiConfig (model PhiConfig)
- phi3 — Phi3Config (model Phi3Config)
- phi4_multimodal — Phi4MultimodalConfig (model Phi4MultimodalConfig)
- phi4_multimodal_audio — Phi4MultimodalAudioConfig (model Phi4MultimodalAudioConfig)
- phi4_multimodal_vision — Phi4MultimodalVisionConfig (model Phi4MultimodalVisionConfig)
- phimoe — PhimoeConfig (model PhimoeConfig)
- pi0 — PI0Config (model PI0Config)
- pix2struct — Pix2StructConfig (model Pix2StructConfig)
- pix2struct_text_model — Pix2StructTextConfig (model Pix2StructTextConfig)
- pix2struct_vision_model — Pix2StructVisionConfig (model Pix2StructVisionConfig)
- pixio — PixioConfig (model PixioConfig)
- pixtral — PixtralVisionConfig (model PixtralVisionConfig)
- plbart — PLBartConfig (model PLBartConfig)
- pocket_tts — PocketTTSConfig (model PocketTTSConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerConfig (model PocketTTSAudioTokenizerConfig)
- pocket_tts_audio_tokenizer_decoder — PocketTTSAudioTokenizerDecoderConfig (model PocketTTSAudioTokenizerDecoderConfig)
- pocket_tts_audio_tokenizer_encoder — PocketTTSAudioTokenizerEncoderConfig (model PocketTTSAudioTokenizerEncoderConfig)
- poolformer — PoolFormerConfig (model PoolFormerConfig)
- pop2piano — Pop2PianoConfig (model Pop2PianoConfig)
- pp_chart2table — PPChart2TableConfig (model PPChart2TableConfig)
- pp_chart2table_vision — PPChart2TableVisionConfig (model PPChart2TableVisionConfig)
- pp_doclayout_v2 — PPDocLayoutV2Config (model PPDocLayoutV2Config)
- pp_doclayout_v3 — PPDocLayoutV3Config (model PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4Config (model PPDocLayoutV4Config)
- pp_formulanet — PPFormulaNetConfig (model PPFormulaNetConfig)
- pp_formulanet_text — PPFormulaNetTextConfig (model PPFormulaNetTextConfig)
- pp_formulanet_vision — PPFormulaNetVisionConfig (model PPFormulaNetVisionConfig)
- pp_lcnet — PPLCNetConfig (model PPLCNetConfig)
- pp_lcnet_v3 — PPLCNetV3Config (model PPLCNetV3Config)
- pp_lcnet_v4 — PPLCNetV4Config (model PPLCNetV4Config)
- pp_ocrv5_mobile_det — PPOCRV5MobileDetConfig (model PPOCRV5MobileDetConfig)
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecConfig (model PPOCRV5MobileRecConfig)
- pp_ocrv5_server_det — PPOCRV5ServerDetConfig (model PPOCRV5ServerDetConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecConfig (model PPOCRV5ServerRecConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetConfig (model PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetConfig (model PPOCRV6SmallDetConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecConfig (model PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecConfig (model PPOCRV6TinyRecConfig)
- prompt_depth_anything — PromptDepthAnythingConfig (model PromptDepthAnythingConfig)
- prophetnet — ProphetNetConfig (model ProphetNetConfig)
- pvt — PvtConfig (model PvtConfig)
- pvt_v2 — PvtV2Config (model PvtV2Config)
- qianfan_ocr — QianfanOCRConfig (model QianfanOCRConfig)
- qianfan_ocr_vision — QianfanOCRVisionConfig (model QianfanOCRVisionConfig)
- qwen2 — Qwen2Config (model Qwen2Config)
- qwen2_5_omni — Qwen2_5OmniConfig (model Qwen2_5OmniConfig)
- qwen2_5_omni_audio_encoder — Qwen2_5OmniAudioEncoderConfig (model Qwen2_5OmniAudioEncoderConfig)
- qwen2_5_omni_bigvgan — Qwen2_5OmniBigVGANConfig (model Qwen2_5OmniBigVGANConfig)
- qwen2_5_omni_dit — Qwen2_5OmniDiTConfig (model Qwen2_5OmniDiTConfig)
- qwen2_5_omni_talker — Qwen2_5OmniTalkerConfig (model Qwen2_5OmniTalkerConfig)
- qwen2_5_omni_text — Qwen2_5OmniTextConfig (model Qwen2_5OmniTextConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerConfig (model Qwen2_5OmniThinkerConfig)
- qwen2_5_omni_token2wav — Qwen2_5OmniToken2WavConfig (model Qwen2_5OmniToken2WavConfig)
- qwen2_5_omni_vision_encoder — Qwen2_5OmniVisionEncoderConfig (model Qwen2_5OmniVisionEncoderConfig)
- qwen2_5_vl — Qwen2_5_VLConfig (model Qwen2_5_VLConfig)
- qwen2_5_vl_text — Qwen2_5_VLTextConfig (model Qwen2_5_VLTextConfig)
- qwen2_5_vl_vision — Qwen2_5_VLVisionConfig (model Qwen2_5_VLVisionConfig)
- qwen2_audio — Qwen2AudioConfig (model Qwen2AudioConfig)
- qwen2_audio_encoder — Qwen2AudioEncoderConfig (model Qwen2AudioEncoderConfig)
- qwen2_moe — Qwen2MoeConfig (model Qwen2MoeConfig)
- qwen2_vl — Qwen2VLConfig (model Qwen2VLConfig)
- qwen2_vl_text — Qwen2VLTextConfig (model Qwen2VLTextConfig)
- qwen2_vl_vision — Qwen2VLVisionConfig (model Qwen2VLVisionConfig)
- qwen3 — Qwen3Config (model Qwen3Config)
- qwen3_5 — Qwen3_5Config (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeConfig (model Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeTextConfig (model Qwen3_5MoeTextConfig)
- qwen3_5_moe_vision — Qwen3_5MoeVisionConfig (model Qwen3_5MoeVisionConfig)
- qwen3_5_text — Qwen3_5TextConfig (model Qwen3_5TextConfig)
- qwen3_5_vision — Qwen3_5VisionConfig (model Qwen3_5VisionConfig)
- qwen3_asr — Qwen3ASRConfig (model Qwen3ASRConfig)
- qwen3_asr_encoder — Qwen3ASREncoderConfig (model Qwen3ASREncoderConfig)
- qwen3_moe — Qwen3MoeConfig (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextConfig (model Qwen3NextConfig)
- qwen3_omni_moe — Qwen3OmniMoeConfig (model Qwen3OmniMoeConfig)
- qwen3_omni_moe_audio_encoder — Qwen3OmniMoeAudioEncoderConfig (model Qwen3OmniMoeAudioEncoderConfig)
- qwen3_omni_moe_talker_code_predictor — Qwen3OmniMoeTalkerCodePredictorConfig (model Qwen3OmniMoeTalkerCodePredictorConfig)
- qwen3_omni_moe_talker_text — Qwen3OmniMoeTalkerTextConfig (model Qwen3OmniMoeTalkerTextConfig)
- qwen3_omni_moe_text — Qwen3OmniMoeTextConfig (model Qwen3OmniMoeTextConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerConfig (model Qwen3OmniMoeThinkerConfig)
- qwen3_omni_moe_vision_encoder — Qwen3OmniMoeVisionEncoderConfig (model Qwen3OmniMoeVisionEncoderConfig)
- qwen3_vl — Qwen3VLConfig (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeConfig (model Qwen3VLMoeConfig)
- qwen3_vl_moe_text — Qwen3VLMoeTextConfig (model Qwen3VLMoeTextConfig)
- qwen3_vl_moe_vision — Qwen3VLMoeVisionConfig (model Qwen3VLMoeVisionConfig)
- qwen3_vl_text — Qwen3VLTextConfig (model Qwen3VLTextConfig)
- qwen3_vl_vision — Qwen3VLVisionConfig (model Qwen3VLVisionConfig)
- qwen4_exp — Qwen4ExpConfig (model Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpTextConfig (model Qwen4ExpTextConfig)
- qwen4_exp_vision — Qwen4ExpVisionConfig (model Qwen4ExpVisionConfig)
- radio — RadioConfig (model RadioConfig)
- rag — RagConfig (model RagConfig)
- recurrent_gemma — RecurrentGemmaConfig (model RecurrentGemmaConfig)
- reformer — ReformerConfig (model ReformerConfig)
- regnet — RegNetConfig (model RegNetConfig)
- rembert — RemBertConfig (model RemBertConfig)
- resnet — ResNetConfig (model ResNetConfig)
- rf_detr — RfDetrConfig (model RfDetrConfig)
- rf_detr_dinov2 — RfDetrDinov2Config (model RfDetrDinov2Config)
- roberta — RobertaConfig (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormConfig (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertConfig (model RoCBertConfig)
- roformer — RoFormerConfig (model RoFormerConfig)
- rt_detr — RTDetrConfig (model RTDetrConfig)
- rt_detr_resnet — RTDetrResNetConfig (model RTDetrResNetConfig)
- rt_detr_v2 — RTDetrV2Config (model RTDetrV2Config)
- rwkv — RwkvConfig (model RwkvConfig)
- sam — SamConfig (model SamConfig)
- sam2 — Sam2Config (model Sam2Config)
- sam2_hiera_det_model — Sam2HieraDetConfig (model Sam2HieraDetConfig)
- sam2_mask_decoder — Sam2MaskDecoderConfig (model Sam2MaskDecoderConfig)
- sam2_prompt_encoder — Sam2PromptEncoderConfig (model Sam2PromptEncoderConfig)
- sam2_video — Sam2VideoConfig (model Sam2VideoConfig)
- sam2_video_mask_decoder — Sam2VideoMaskDecoderConfig (model Sam2VideoMaskDecoderConfig)
- sam2_video_prompt_encoder — Sam2VideoPromptEncoderConfig (model Sam2VideoPromptEncoderConfig)
- sam2_vision_model — Sam2VisionConfig (model Sam2VisionConfig)
- sam3 — Sam3Config (model Sam3Config)
- sam3_detr_decoder — Sam3DETRDecoderConfig (model Sam3DETRDecoderConfig)
- sam3_detr_encoder — Sam3DETREncoderConfig (model Sam3DETREncoderConfig)
- sam3_geometry_encoder — Sam3GeometryEncoderConfig (model Sam3GeometryEncoderConfig)
- sam3_lite_text — Sam3LiteTextConfig (model Sam3LiteTextConfig)
- sam3_lite_text_detr_decoder — Sam3LiteTextDETRDecoderConfig (model Sam3LiteTextDETRDecoderConfig)
- sam3_lite_text_detr_encoder — Sam3LiteTextDETREncoderConfig (model Sam3LiteTextDETREncoderConfig)
- sam3_lite_text_geometry_encoder — Sam3LiteTextGeometryEncoderConfig (model Sam3LiteTextGeometryEncoderConfig)
- sam3_lite_text_mask_decoder — Sam3LiteTextMaskDecoderConfig (model Sam3LiteTextMaskDecoderConfig)
- sam3_lite_text_text_model — Sam3LiteTextTextConfig (model Sam3LiteTextTextConfig)
- sam3_mask_decoder — Sam3MaskDecoderConfig (model Sam3MaskDecoderConfig)
- sam3_tracker — Sam3TrackerConfig (model Sam3TrackerConfig)
- sam3_tracker_mask_decoder — Sam3TrackerMaskDecoderConfig (model Sam3TrackerMaskDecoderConfig)
- sam3_tracker_prompt_encoder — Sam3TrackerPromptEncoderConfig (model Sam3TrackerPromptEncoderConfig)
- sam3_tracker_video — Sam3TrackerVideoConfig (model Sam3TrackerVideoConfig)
- sam3_tracker_video_mask_decoder — Sam3TrackerVideoMaskDecoderConfig (model Sam3TrackerVideoMaskDecoderConfig)
- sam3_tracker_video_prompt_encoder — Sam3TrackerVideoPromptEncoderConfig (model Sam3TrackerVideoPromptEncoderConfig)
- sam3_video — Sam3VideoConfig (model Sam3VideoConfig)
- sam3_vision_model — Sam3VisionConfig (model Sam3VisionConfig)
- sam3_vit_model — Sam3ViTConfig (model Sam3ViTConfig)
- sam_hq — SamHQConfig (model SamHQConfig)
- sam_hq_mask_decoder — SamHQMaskDecoderConfig (model SamHQMaskDecoderConfig)
- sam_hq_prompt_encoder — SamHQPromptEncoderConfig (model SamHQPromptEncoderConfig)
- sam_hq_vision_model — SamHQVisionConfig (model SamHQVisionConfig)
- sam_mask_decoder — SamMaskDecoderConfig (model SamMaskDecoderConfig)
- sam_prompt_encoder — SamPromptEncoderConfig (model SamPromptEncoderConfig)
- sam_vision_model — SamVisionConfig (model SamVisionConfig)
- sapiens2 — Sapiens2Config (model Sapiens2Config)
- sapiens2_head — Sapiens2HeadConfig (model Sapiens2HeadConfig)
- seamless_m4t — SeamlessM4TConfig (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2Config (model SeamlessM4Tv2Config)
- seed_oss — SeedOssConfig (model SeedOssConfig)
- segformer — SegformerConfig (model SegformerConfig)
- seggpt — SegGptConfig (model SegGptConfig)
- sew — SEWConfig (model SEWConfig)
- sew-d — SEWDConfig (model SEWDConfig)
- shieldgemma2 — ShieldGemma2Config (model ShieldGemma2Config)
- siglip — SiglipConfig (model SiglipConfig)
- siglip2 — Siglip2Config (model Siglip2Config)
- siglip2_text_model — Siglip2TextConfig (model Siglip2TextConfig)
- siglip2_vision_model — Siglip2VisionConfig (model Siglip2VisionConfig)
- siglip_text_model — SiglipTextConfig (model SiglipTextConfig)
- siglip_vision_model — SiglipVisionConfig (model SiglipVisionConfig)
- slanet — SLANetConfig (model SLANetConfig)
- slanext — SLANeXtConfig (model SLANeXtConfig)
- slanext_vision — SLANeXtVisionConfig (model SLANeXtVisionConfig)
- smollm3 — SmolLM3Config (model SmolLM3Config)
- smolvlm — SmolVLMConfig (model SmolVLMConfig)
- smolvlm_vision — SmolVLMVisionConfig (model SmolVLMVisionConfig)
- solar_open — SolarOpenConfig (model SolarOpenConfig)
- speech-encoder-decoder — SpeechEncoderDecoderConfig (model SpeechEncoderDecoderConfig)
- speech_to_text — Speech2TextConfig (model Speech2TextConfig)
- speecht5 — SpeechT5Config (model SpeechT5Config)
- speecht5_hifigan — SpeechT5HifiGanConfig (model SpeechT5HifiGanConfig)
- splinter — SplinterConfig (model SplinterConfig)
- squeezebert — SqueezeBertConfig (model SqueezeBertConfig)
- stablelm — StableLmConfig (model StableLmConfig)
- starcoder2 — Starcoder2Config (model Starcoder2Config)
- step3p5 — Step3p7TextConfig (model Step3p7TextConfig)
- step3p5_vision — Step3p7VisionConfig (model Step3p7VisionConfig)
- step3p7 — Step3p7Config (model Step3p7Config)
- superglue — SuperGlueConfig (model SuperGlueConfig)
- superpoint — SuperPointConfig (model SuperPointConfig)
- swiftformer — SwiftFormerConfig (model SwiftFormerConfig)
- swin — SwinConfig (model SwinConfig)
- swin2sr — Swin2SRConfig (model Swin2SRConfig)
- swinv2 — Swinv2Config (model Swinv2Config)
- switch_transformers — SwitchTransformersConfig (model SwitchTransformersConfig)
- t5 — T5Config (model T5Config)
- t5_gemma_module — T5GemmaModuleConfig (model T5GemmaModuleConfig)
- t5gemma — T5GemmaConfig (model T5GemmaConfig)
- t5gemma2 — T5Gemma2Config (model T5Gemma2Config)
- t5gemma2_decoder — T5Gemma2DecoderConfig (model T5Gemma2DecoderConfig)
- t5gemma2_encoder — T5Gemma2EncoderConfig (model T5Gemma2EncoderConfig)
- t5gemma2_text — T5Gemma2TextConfig (model T5Gemma2TextConfig)
- table-transformer — TableTransformerConfig (model TableTransformerConfig)
- tapas — TapasConfig (model TapasConfig)
- textnet — TextNetConfig (model TextNetConfig)
- time_series_transformer — TimeSeriesTransformerConfig (model TimeSeriesTransformerConfig)
- timesfm — TimesFmConfig (model TimesFmConfig)
- timesfm2_5 — TimesFm2_5Config (model TimesFm2_5Config)
- timesformer — TimesformerConfig (model TimesformerConfig)
- timm_backbone — TimmBackboneConfig (model TimmBackboneConfig)
- timm_wrapper — TimmWrapperConfig (model TimmWrapperConfig)
- tipsv2 — Tipsv2Config (model Tipsv2Config)
- tipsv2_dpt — Tipsv2DptConfig (model Tipsv2DptConfig)
- tipsv2_text_model — Tipsv2TextConfig (model Tipsv2TextConfig)
- tipsv2_vision_model — Tipsv2VisionConfig (model Tipsv2VisionConfig)
- trocr — TrOCRConfig (model TrOCRConfig)
- tvp — TvpConfig (model TvpConfig)
- udop — UdopConfig (model UdopConfig)
- ultrabert — UltrabertConfig (model UltrabertConfig)
- ultravbert — UltraVBertConfig (model UltraVBertConfig)
- umt5 — UMT5Config (model UMT5Config)
- unispeech — UniSpeechConfig (model UniSpeechConfig)
- unispeech-sat — UniSpeechSatConfig (model UniSpeechSatConfig)
- univnet — UnivNetConfig (model UnivNetConfig)
- unlimited_ocr — UnlimitedOcrConfig (model UnlimitedOcrConfig)
- unlimited_ocr_sam_vision_model — UnlimitedOcrSamVisionConfig (model UnlimitedOcrSamVisionConfig)
- unlimited_ocr_text — UnlimitedOcrTextConfig (model UnlimitedOcrTextConfig)
- unlimited_ocr_vision — UnlimitedOcrVisionConfig (model UnlimitedOcrVisionConfig)
- unlimited_ocr_vision_encoder — UnlimitedOcrVisionEncoderConfig (model UnlimitedOcrVisionEncoderConfig)
- upernet — UperNetConfig (model UperNetConfig)
- uvdoc — UVDocConfig (model UVDocConfig)
- uvdoc_backbone — UVDocBackboneConfig (model UVDocBackboneConfig)
- vaultgemma — VaultGemmaConfig (model VaultGemmaConfig)
- vibevoice — VibeVoiceConfig (model VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerConfig (model VibeVoiceAcousticTokenizerConfig)
- vibevoice_acoustic_tokenizer_decoder — VibeVoiceAcousticTokenizerDecoderConfig (model VibeVoiceAcousticTokenizerDecoderConfig)
- vibevoice_acoustic_tokenizer_encoder — VibeVoiceAcousticTokenizerEncoderConfig (model VibeVoiceAcousticTokenizerEncoderConfig)
- vibevoice_asr — VibeVoiceAsrConfig (model VibeVoiceAsrConfig)
- vibevoice_diffusion — VibeVoiceDiffusionHeadConfig (model VibeVoiceDiffusionHeadConfig)
- video_llama_3 — VideoLlama3Config (model VideoLlama3Config)
- video_llama_3_vision — VideoLlama3VisionConfig (model VideoLlama3VisionConfig)
- video_llava — VideoLlavaConfig (model VideoLlavaConfig)
- videomae — VideoMAEConfig (model VideoMAEConfig)
- videomt — VideomtConfig (model VideomtConfig)
- videoprism — VideoPrismConfig (model VideoPrismConfig)
- videoprism_text_model — VideoPrismTextConfig (model VideoPrismTextConfig)
- videoprism_vision_model — VideoPrismVisionConfig (model VideoPrismVisionConfig)
- vilt — ViltConfig (model ViltConfig)
- vipllava — VipLlavaConfig (model VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderConfig (model VisionEncoderDecoderConfig)
- vision-text-dual-encoder — VisionTextDualEncoderConfig (model VisionTextDualEncoderConfig)
- visual_bert — VisualBertConfig (model VisualBertConfig)
- vit — ViTConfig (model ViTConfig)
- vit_mae — ViTMAEConfig (model ViTMAEConfig)
- vit_msn — ViTMSNConfig (model ViTMSNConfig)
- vitdet — VitDetConfig (model VitDetConfig)
- vitmatte — VitMatteConfig (model VitMatteConfig)
- vitpose — VitPoseConfig (model VitPoseConfig)
- vitpose_backbone —
VitPoseBackboneConfig(model VitPoseBackboneConfig) - vits — VitsConfig (model VitsConfig)
- vivit — VivitConfig (model VivitConfig)
- vjepa2 — VJEPA2Config (model VJEPA2Config)
- voxtral — VoxtralConfig (model VoxtralConfig)
- voxtral_encoder — VoxtralEncoderConfig (model VoxtralEncoderConfig)
- voxtral_realtime — VoxtralRealtimeConfig (model VoxtralRealtimeConfig)
- voxtral_realtime_encoder — VoxtralRealtimeEncoderConfig (model VoxtralRealtimeEncoderConfig)
- voxtral_realtime_text — VoxtralRealtimeTextConfig (model VoxtralRealtimeTextConfig)
- wav2vec2 — Wav2Vec2Config (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertConfig (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerConfig (model Wav2Vec2ConformerConfig)
- wavlm — WavLMConfig (model WavLMConfig)
- whisper — WhisperConfig (model WhisperConfig)
- xclip — XCLIPConfig (model XCLIPConfig)
- xclip_text_model — XCLIPTextConfig (model XCLIPTextConfig)
- xclip_vision_model — XCLIPVisionConfig (model XCLIPVisionConfig)
- xcodec — XcodecConfig (model XcodecConfig)
- xcodec2 — Xcodec2Config (model Xcodec2Config)
- xglm — XGLMConfig (model XGLMConfig)
- xlm — XLMConfig (model XLMConfig)
- xlm-roberta — XLMRobertaConfig (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLConfig (model XLMRobertaXLConfig)
- xlnet — XLNetConfig (model XLNetConfig)
- xlstm — xLSTMConfig (model xLSTMConfig)
- xmod — XmodConfig (model XmodConfig)
- yolos — YolosConfig (model YolosConfig)
- yoso — YosoConfig (model YosoConfig)
- youtu — YoutuConfig (model YoutuConfig)
- zamba — ZambaConfig (model ZambaConfig)
- zamba2 — Zamba2Config (model Zamba2Config)
- zaya — ZayaConfig (model ZayaConfig)
- zoedepth — ZoeDepthConfig (model ZoeDepthConfig)
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
< source >( 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
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, sehinggarevisiondapat 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, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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 sepertibos_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:
- EvollaModel — TokenizersBackend (model EvollaConfig)
- aimv2 — CLIPTokenizer (model Aimv2Config)
- albert — AlbertTokenizer (model AlbertConfig)
- align — BertTokenizer (model AlignConfig)
- aria — TokenizersBackend (model AriaConfig)
- audioflamingo3 — Qwen2Tokenizer (model AudioFlamingo3Config)
- aya_vision — CohereTokenizer (model AyaVisionConfig)
- bark — BertTokenizer (model BarkConfig)
- bart — RobertaTokenizer (model BartConfig)
- beam — TokenizersBackend (model BeamConfig)
- bert — BertTokenizer (model BertConfig)
- bert-generation — BertGenerationTokenizer (model BertGenerationConfig)
- big_bird — BigBirdTokenizer (model BigBirdConfig)
- bigbird_pegasus — TokenizersBackend (model BigBirdPegasusConfig)
- biogpt — BioGptTokenizer (model BioGptConfig)
- blenderbot — BlenderbotTokenizer (model BlenderbotConfig)
- blenderbot-small — BlenderbotSmallTokenizer (model BlenderbotSmallConfig)
- blip — BertTokenizer (model BlipConfig)
- blip-2 — GPT2Tokenizer (model Blip2Config)
- bridgetower — RobertaTokenizer (model BridgeTowerConfig)
- bros — BertTokenizer (model BrosConfig)
- camembert — CamembertTokenizer (model CamembertConfig)
- canary — TokenizersBackend (model CanaryConfig)
- canine — CanineTokenizer (model CanineConfig)
- chinese_clip — BertTokenizer (model ChineseCLIPConfig)
- clap — RobertaTokenizer (model ClapConfig)
- clip — CLIPTokenizer (model CLIPConfig)
- clipseg — CLIPTokenizer (model CLIPSegConfig)
- clvp — ClvpTokenizer (model ClvpConfig)
- codegen — GPT2Tokenizer (model CodeGenConfig)
- cohere — CohereTokenizer (model CohereConfig)
- cohere2 — CohereTokenizer (model Cohere2Config)
- cohere_asr — TokenizersBackend (model CohereAsrConfig)
- colqwen2 — Qwen2Tokenizer (model ColQwen2Config)
- convbert — BertTokenizer (model ConvBertConfig)
- cosmos3_omni — Qwen2Tokenizer (model Cosmos3OmniConfig)
- cpmant — CpmAntTokenizer (model CpmAntConfig)
- ctrl — CTRLTokenizer (model CTRLConfig)
- data2vec-audio — Wav2Vec2CTCTokenizer (model Data2VecAudioConfig)
- data2vec-text — RobertaTokenizer (model Data2VecTextConfig)
- dbrx — GPT2Tokenizer (model DbrxConfig)
- deberta — DebertaTokenizer (model DebertaConfig)
- deberta-v2 — DebertaV2Tokenizer (model DebertaV2Config)
- dia — DiaTokenizer (model DiaConfig)
- diffusion_gemma — GemmaTokenizer (model DiffusionGemmaConfig)
- distilbert — BertTokenizer (model DistilBertConfig)
- dpr — DPRQuestionEncoderTokenizer (model DPRConfig)
- electra — BertTokenizer (model ElectraConfig)
- emu3 — GPT2Tokenizer (model Emu3Config)
- ernie — BertTokenizer (model ErnieConfig)
- ernie4_5 — TokenizersBackend (model Ernie4_5Config)
- ernie4_5_moe — TokenizersBackend (model Ernie4_5_MoeConfig)
- esm — EsmTokenizer (model EsmConfig)
- esmc — EsmcTokenizer (model EsmcConfig)
- esmfold2 — EsmcTokenizer (model EsmFold2Config)
- falcon_mamba — GPTNeoXTokenizer (model FalconMambaConfig)
- fastspeech2_conformer —
None(model FastSpeech2ConformerConfig) - flaubert — FlaubertTokenizer (model FlaubertConfig)
- flava — BertTokenizer (model FlavaConfig)
- flex_olmo — TokenizersBackend (model FlexOlmoConfig)
- florence2 — BartTokenizer (model Florence2Config)
- fnet — FNetTokenizer (model FNetConfig)
- fsmt — FSMTTokenizer (model FSMTConfig)
- fun_asr_nano — Qwen2Tokenizer (model FunAsrNanoConfig)
- funnel — FunnelTokenizer (model FunnelConfig)
- fuyu — TokenizersBackend (model FuyuConfig)
- gemma — GemmaTokenizer (model GemmaConfig)
- gemma2 — GemmaTokenizer (model Gemma2Config)
- gemma3 — GemmaTokenizer (model Gemma3Config)
- gemma3_text — GemmaTokenizer (model Gemma3TextConfig)
- gemma3n — GemmaTokenizer (model Gemma3nConfig)
- gemma3n_text — GemmaTokenizer (model Gemma3nTextConfig)
- git — BertTokenizer (model GitConfig)
- glm — TokenizersBackend (model GlmConfig)
- glm4 — TokenizersBackend (model Glm4Config)
- glm4_moe — TokenizersBackend (model Glm4MoeConfig)
- glm4_moe_lite — TokenizersBackend (model Glm4MoeLiteConfig)
- glm4v — TokenizersBackend (model Glm4vConfig)
- glm4v_moe — TokenizersBackend (model Glm4vMoeConfig)
- glm_image — TokenizersBackend (model GlmImageConfig)
- glmasr — TokenizersBackend (model GlmAsrConfig)
- got_ocr2 — TokenizersBackend (model GotOcr2Config)
- gpt-sw3 — GPTSw3Tokenizer (model GPT2Config)
- gpt2 — GPT2Tokenizer (model GPT2Config)
- gpt_bigcode — TokenizersBackend (model GPTBigCodeConfig)
- gpt_neo — GPT2Tokenizer (model GPTNeoConfig)
- gpt_neox — GPTNeoXTokenizer (model GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseTokenizer (model GPTNeoXJapaneseConfig)
- gptj — GPT2Tokenizer (model GPTJConfig)
- gradium_phonon_tts — TokenizersBackend (model GradiumPhononTTSConfig)
- granite — TokenizersBackend (model GraniteConfig)
- granite_speech5_ctc — ParakeetTokenizer (model GraniteSpeech5CTCConfig)
- granitemoe — TokenizersBackend (model GraniteMoeConfig)
- granitemoehybrid — TokenizersBackend (model GraniteMoeHybridConfig)
- granitemoeshared — TokenizersBackend (model GraniteMoeSharedConfig)
- grounding-dino — BertTokenizer (model GroundingDinoConfig)
- groupvit — CLIPTokenizer (model GroupViTConfig)
- gte — XLMRobertaTokenizer (model GteConfig)
- hubert — Wav2Vec2CTCTokenizer (model HubertConfig)
- hunyuan_vl — Qwen2Tokenizer (model HunYuanVLConfig)
- hyperclovax — TokenizersBackend (model HyperCLOVAXConfig)
- hyperclovax_vision_v2 — GPT2Tokenizer (model HyperCLOVAXVisionV2Config)
- ibert — RobertaTokenizer (model IBertConfig)
- idefics — LlamaTokenizer (model IdeficsConfig)
- idefics2 — LlamaTokenizer (model Idefics2Config)
- instructblip — GPT2Tokenizer (model InstructBlipConfig)
- instructblipvideo — GPT2Tokenizer (model InstructBlipVideoConfig)
- internvl — Qwen2Tokenizer (model InternVLConfig)
- jais2 — GPT2Tokenizer (model Jais2Config)
- jamba — TokenizersBackend (model JambaConfig)
- jina_embeddings_v3 — XLMRobertaTokenizer (model JinaEmbeddingsV3Config)
- kimi_k25 — TokenizersBackend (model Kimi_K25Config)
- kimi_linear — TokenizersBackend (model KimiLinearConfig)
- kosmos-2 — TokenizersBackend (model Kosmos2Config)
- lasr_ctc — LasrTokenizer (model LasrCTCConfig)
- lasr_encoder — LasrTokenizer (model LasrEncoderConfig)
- layoutlm — BertTokenizer (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Tokenizer (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Tokenizer (model LayoutLMv3Config)
- layoutxlm — LayoutXLMTokenizer (model LayoutXLMConfig)
- led — LEDTokenizer (model LEDConfig)
- lighton_ocr — Qwen2TokenizerFast (model LightOnOcrConfig)
- lilt — RobertaTokenizer (model LiltConfig)
- llava — TokenizersBackend (model LlavaConfig)
- llava_next — TokenizersBackend (model LlavaNextConfig)
- longformer — RobertaTokenizer (model LongformerConfig)
- luke — LukeTokenizer (model LukeConfig)
- lxmert — LxmertTokenizer (model LxmertConfig)
- m2m_100 — M2M100Tokenizer (model M2M100Config)
- mamba — GPTNeoXTokenizer (model MambaConfig)
- mamba2 — GPTNeoXTokenizer (model Mamba2Config)
- marian — MarianTokenizer (model MarianConfig)
- markuplm — MarkupLMTokenizer (model MarkupLMConfig)
- mbart — MBartTokenizer (model MBartConfig)
- megatron-bert — BertTokenizer (model MegatronBertConfig)
- metaclip_2 — XLMRobertaTokenizer (model MetaClip2Config)
- mgp-str — MgpstrTokenizer (model MgpstrConfig)
- mimo_v2_flash — TokenizersBackend (model MiMoV2FlashConfig)
- minicpm3 — TokenizersBackend (model MiniCPM3Config)
- minicpm_ocr — TokenizersBackend (model MiniCPMOcrConfig)
- minicpmv4_6 — TokenizersBackend (model MiniCPMV4_6Config)
- minicpmv4_7 — TokenizersBackend (model MiniCPMV4_7Config)
- minimax_m2 — TokenizersBackend (model MiniMaxM2Config)
- ministral — MistralCommonBackend (model MinistralConfig)
- ministral3 — MistralCommonBackend (model Ministral3Config)
- mistral — MistralCommonBackend (model MistralConfig)
- mistral3 — MistralCommonBackend (model Mistral3Config)
- mistral_large4 — MistralCommonBackend (model MistralLarge4Config)
- mixtral — MistralCommonBackend (model MixtralConfig)
- mm-grounding-dino — BertTokenizer (model MMGroundingDinoConfig)
- mobilebert — MobileBertTokenizer (model MobileBertConfig)
- modernbert — TokenizersBackend (model ModernBertConfig)
- modernbert-decoder — TokenizersBackend (model ModernBertDecoderConfig)
- molmo2 — TokenizersBackend (model Molmo2Config)
- moss_transcribe_diarize — Qwen2Tokenizer (model MossTranscribeDiarizeConfig)
- mpnet — MPNetTokenizer (model MPNetConfig)
- mpt — GPTNeoXTokenizer (model MptConfig)
- mra — RobertaTokenizer (model MraConfig)
- mt5 — T5Tokenizer (model MT5Config)
- musicgen — T5Tokenizer (model MusicgenConfig)
- musicgen_melody — T5Tokenizer (model MusicgenMelodyConfig)
- mvp — MvpTokenizer (model MvpConfig)
- nemo_speechlm — TokenizersBackend (model Nemotron3_5TranscribeConfig)
- nemotron — TokenizersBackend (model NemotronConfig)
- nemotron3_5_asr — ParakeetTokenizer (model Nemotron3_5AsrConfig)
- nemotron_asr_streaming — ParakeetTokenizer (model NemotronAsrStreamingConfig)
- nllb-moe — NllbTokenizer (model NllbMoeConfig)
- nomic_bert — BertTokenizer (model NomicBertConfig)
- nougat — NougatTokenizer (model NougatConfig)
- nystromformer — TokenizersBackend (model NystromformerConfig)
- olmo — GPTNeoXTokenizer (model OlmoConfig)
- olmo2 — TokenizersBackend (model Olmo2Config)
- olmo3 — TokenizersBackend (model Olmo3Config)
- olmo_hybrid — TokenizersBackend (model OlmoHybridConfig)
- olmoe — GPTNeoXTokenizer (model OlmoeConfig)
- omdet-turbo — CLIPTokenizer (model OmDetTurboConfig)
- oneformer — CLIPTokenizer (model OneFormerConfig)
- openai-gpt — OpenAIGPTTokenizer (model OpenAIGPTConfig)
- opt — GPT2Tokenizer (model OPTConfig)
- ovis2 — Qwen2Tokenizer (model Ovis2Config)
- owlv2 — CLIPTokenizer (model Owlv2Config)
- owlvit — CLIPTokenizer (model OwlViTConfig)
- paddleocr_vl — TokenizersBackend (model PaddleOCRVLConfig)
- parakeet_ctc — ParakeetTokenizer (model ParakeetCTCConfig)
- parakeet_rnnt — ParakeetTokenizer (model ParakeetRNNTConfig)
- parakeet_tdt — ParakeetTokenizer (model ParakeetTDTConfig)
- pegasus — PegasusTokenizer (model PegasusConfig)
- pegasus_x — TokenizersBackend (model PegasusXConfig)
- perceiver — PerceiverTokenizer (model PerceiverConfig)
- persimmon — TokenizersBackend (model PersimmonConfig)
- phi — GPT2Tokenizer (model PhiConfig)
- phi3 — TokenizersBackend (model Phi3Config)
- phimoe — TokenizersBackend (model PhimoeConfig)
- pix2struct — TokenizersBackend (model Pix2StructConfig)
- pixtral — MistralCommonBackend (model PixtralVisionConfig)
- plbart — PLBartTokenizer (model PLBartConfig)
- pocket_tts — TokenizersBackend (model PocketTTSConfig)
- pp_formulanet — NougatTokenizer (model PPFormulaNetConfig)
- prophetnet — ProphetNetTokenizer (model ProphetNetConfig)
- qianfan_ocr — Qwen2Tokenizer (model QianfanOCRConfig)
- qwen2 — Qwen2Tokenizer (model Qwen2Config)
- qwen2_5_omni — Qwen2Tokenizer (model Qwen2_5OmniConfig)
- qwen2_5_vl — Qwen2Tokenizer (model Qwen2_5_VLConfig)
- qwen2_audio — Qwen2Tokenizer (model Qwen2AudioConfig)
- qwen2_moe — Qwen2Tokenizer (model Qwen2MoeConfig)
- qwen2_vl — Qwen2Tokenizer (model Qwen2VLConfig)
- qwen3 — Qwen2Tokenizer (model Qwen3Config)
- qwen3_5 — Qwen3_5Tokenizer (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5Tokenizer (model Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5Tokenizer (model Qwen3_5MoeTextConfig)
- qwen3_5_text — Qwen3_5Tokenizer (model Qwen3_5TextConfig)
- qwen3_asr — Qwen2Tokenizer (model Qwen3ASRConfig)
- qwen3_moe — Qwen2Tokenizer (model Qwen3MoeConfig)
- qwen3_next — Qwen2Tokenizer (model Qwen3NextConfig)
- qwen3_omni_moe — Qwen2Tokenizer (model Qwen3OmniMoeConfig)
- qwen3_vl — Qwen2Tokenizer (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen2Tokenizer (model Qwen3VLMoeConfig)
- qwen4_exp — Qwen3_5Tokenizer (model Qwen4ExpConfig)
- rag — RagTokenizer (model RagConfig)
- recurrent_gemma — GemmaTokenizer (model RecurrentGemmaConfig)
- reformer — ReformerTokenizer (model ReformerConfig)
- rembert — RemBertTokenizer (model RemBertConfig)
- roberta — RobertaTokenizer (model RobertaConfig)
- roberta-prelayernorm — RobertaTokenizer (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertTokenizer (model RoCBertConfig)
- roformer — RoFormerTokenizer (model RoFormerConfig)
- rwkv — GPTNeoXTokenizer (model RwkvConfig)
- sam3 — CLIPTokenizer (model Sam3Config)
- sam3_video — CLIPTokenizer (model Sam3VideoConfig)
- seamless_m4t — SeamlessM4TTokenizer (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4TTokenizer (model SeamlessM4Tv2Config)
- shieldgemma2 — GemmaTokenizer (model ShieldGemma2Config)
- siglip — SiglipTokenizer (model SiglipConfig)
- siglip2 — Siglip2Tokenizer (model Siglip2Config)
- smolvlm — TokenizersBackend (model SmolVLMConfig)
- speech_to_text — Speech2TextTokenizer (model Speech2TextConfig)
- speecht5 — SpeechT5Tokenizer (model SpeechT5Config)
- splinter — SplinterTokenizer (model SplinterConfig)
- squeezebert — BertTokenizer (model SqueezeBertConfig)
- stablelm — TokenizersBackend (model StableLmConfig)
- starcoder2 — GPT2Tokenizer (model Starcoder2Config)
- switch_transformers — T5Tokenizer (model SwitchTransformersConfig)
- t5 — T5Tokenizer (model T5Config)
- t5gemma — GemmaTokenizer (model T5GemmaConfig)
- tapas — TapasTokenizer (model TapasConfig)
- tipsv2 — Tipsv2Tokenizer (model Tipsv2Config)
- trocr — XLMRobertaTokenizer (model TrOCRConfig)
- tvp — BertTokenizer (model TvpConfig)
- udop — UdopTokenizer (model UdopConfig)
- umt5 — TokenizersBackend (model UMT5Config)
- unispeech — Wav2Vec2CTCTokenizer (model UniSpeechConfig)
- unispeech-sat — Wav2Vec2CTCTokenizer (model UniSpeechSatConfig)
- vibevoice — Qwen2TokenizerFast (model VibeVoiceConfig)
- videoprism — VideoPrismTokenizer (model VideoPrismConfig)
- vilt — BertTokenizer (model ViltConfig)
- vipllava — TokenizersBackend (model VipLlavaConfig)
- visual_bert — BertTokenizer (model VisualBertConfig)
- vits — VitsTokenizer (model VitsConfig)
- voxtral — MistralCommonBackend (model VoxtralConfig)
- voxtral_realtime — MistralCommonBackend (model VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2CTCTokenizer (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2CTCTokenizer (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2CTCTokenizer (model Wav2Vec2ConformerConfig)
- whisper — WhisperTokenizer (model WhisperConfig)
- xclip — CLIPTokenizer (model XCLIPConfig)
- xglm — XGLMTokenizer (model XGLMConfig)
- xlm — XLMTokenizer (model XLMConfig)
- xlm-roberta — XLMRobertaTokenizer (model XLMRobertaConfig)
- xlm-roberta-xl — TokenizersBackend (model XLMRobertaXLConfig)
- xlnet — XLNetTokenizer (model XLNetConfig)
- xlstm — GPTNeoXTokenizer (model xLSTMConfig)
- xmod — XLMRobertaTokenizer (model XmodConfig)
- yoso — AlbertTokenizer (model YosoConfig)
- zaya — GemmaTokenizer (model ZayaConfig)
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
< source >( 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
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
< source >( pretrained_model_name_or_path**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat feature extractor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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 (
stratau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. JikaTrue, akan menggunakan token yang dihasilkan saat menjalankanhf 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - return_unused_kwargs (
bool, opsional, defaultFalse) — JikaFalse, fungsi ini hanya mengembalikan objek feature extractor akhir. JikaTrue, fungsi ini mengembalikanTuple(feature_extractor, unused_kwargs)di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut feature extractor: yaitu, bagian darikwargsyang tidak digunakan untuk memperbaruifeature_extractordan diabaikan. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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 kuncireturn_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:
- audio-spectrogram-transformer — ASTFeatureExtractor (model ASTConfig)
- audioflamingo3 — WhisperFeatureExtractor (model AudioFlamingo3Config)
- canary — ParakeetFeatureExtractor (model CanaryConfig)
- clap — ClapFeatureExtractor (model ClapConfig)
- clvp — ClvpFeatureExtractor (model ClvpConfig)
- cohere_asr — CohereAsrFeatureExtractor (model CohereAsrConfig)
- csm — EncodecFeatureExtractor (model CsmConfig)
- dac — DacFeatureExtractor (model DacConfig)
- data2vec-audio — Wav2Vec2FeatureExtractor (model Data2VecAudioConfig)
- dia — DiaFeatureExtractor (model DiaConfig)
- embedding_gemma2 — Gemma4AudioFeatureExtractor (model EmbeddingGemma2Config)
- encodec — EncodecFeatureExtractor (model EncodecConfig)
- fun_asr_nano — FunAsrNanoFeatureExtractor (model FunAsrNanoConfig)
- gemma3n — Gemma3nAudioFeatureExtractor (model Gemma3nConfig)
- gemma4 — Gemma4AudioFeatureExtractor (model Gemma4Config)
- gemma4_unified — Gemma4UnifiedAudioFeatureExtractor (model Gemma4UnifiedConfig)
- glmasr — WhisperFeatureExtractor (model GlmAsrConfig)
- gradium_phonon_tts — PocketTTSFeatureExtractor (model GradiumPhononTTSConfig)
- granite_speech — GraniteSpeechFeatureExtractor (model GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5FeatureExtractor (model GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5FeatureExtractor (model GraniteSpeech5EncoderConfig)
- granite_speech_plus — GraniteSpeechFeatureExtractor (model GraniteSpeechPlusConfig)
- higgs_audio_v2_tokenizer — DacFeatureExtractor (model HiggsAudioV2TokenizerConfig)
- hubert — Wav2Vec2FeatureExtractor (model HubertConfig)
- inkling_mm_model — InklingFeatureExtractor (model InklingConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextFeatureExtractor (model KyutaiSpeechToTextConfig)
- lasr_ctc — LasrFeatureExtractor (model LasrCTCConfig)
- lasr_encoder — LasrFeatureExtractor (model LasrEncoderConfig)
- mimi — EncodecFeatureExtractor (model MimiConfig)
- moonshine — Wav2Vec2FeatureExtractor (model MoonshineConfig)
- moshi — EncodecFeatureExtractor (model MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeFeatureExtractor (model MossTranscribeDiarizeConfig)
- muse_spark — MuseSparkFeatureExtractor (model MuseSparkConfig)
- musicgen — EncodecFeatureExtractor (model MusicgenConfig)
- musicgen_melody — MusicgenMelodyFeatureExtractor (model MusicgenMelodyConfig)
- nemo_speechlm — NemotronAsrStreamingFeatureExtractor (model Nemotron3_5TranscribeConfig)
- nemotron3_5_asr — NemotronAsrStreamingFeatureExtractor (model Nemotron3_5AsrConfig)
- nemotron3_diarization — NemotronAsrStreamingFeatureExtractor (model Nemotron3DiarizationConfig)
- nemotron_asr_streaming — NemotronAsrStreamingFeatureExtractor (model NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingFeatureExtractor (model NemotronAsrStreamingEncoderConfig)
- neucodec — NeuCodecFeatureExtractor (model NeuCodecConfig)
- parakeet_ctc — ParakeetFeatureExtractor (model ParakeetCTCConfig)
- parakeet_encoder — ParakeetFeatureExtractor (model ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetFeatureExtractor (model ParakeetRNNTConfig)
- parakeet_tdt — ParakeetFeatureExtractor (model ParakeetTDTConfig)
- pe_audio — PeAudioFeatureExtractor (model PeAudioConfig)
- pe_audio_video — PeAudioFeatureExtractor (model PeAudioVideoConfig)
- phi4_multimodal — Phi4MultimodalFeatureExtractor (model Phi4MultimodalConfig)
- pocket_tts — PocketTTSFeatureExtractor (model PocketTTSConfig)
- pocket_tts_audio_tokenizer — EncodecFeatureExtractor (model PocketTTSAudioTokenizerConfig)
- pop2piano — Pop2PianoFeatureExtractor (model Pop2PianoConfig)
- qwen2_5_omni — WhisperFeatureExtractor (model Qwen2_5OmniConfig)
- qwen2_audio — WhisperFeatureExtractor (model Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRFeatureExtractor (model Qwen3ASRConfig)
- qwen3_omni_moe — WhisperFeatureExtractor (model Qwen3OmniMoeConfig)
- seamless_m4t — SeamlessM4TFeatureExtractor (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4TFeatureExtractor (model SeamlessM4Tv2Config)
- sew — Wav2Vec2FeatureExtractor (model SEWConfig)
- sew-d — Wav2Vec2FeatureExtractor (model SEWDConfig)
- speech_to_text — Speech2TextFeatureExtractor (model Speech2TextConfig)
- speecht5 — SpeechT5FeatureExtractor (model SpeechT5Config)
- unispeech — Wav2Vec2FeatureExtractor (model UniSpeechConfig)
- unispeech-sat — Wav2Vec2FeatureExtractor (model UniSpeechSatConfig)
- univnet — UnivNetFeatureExtractor (model UnivNetConfig)
- vibevoice — VibeVoiceAcousticTokenizerFeatureExtractor (model VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerFeatureExtractor (model VibeVoiceAcousticTokenizerConfig)
- vibevoice_asr — VibeVoiceAcousticTokenizerFeatureExtractor (model VibeVoiceAsrConfig)
- voxtral — WhisperFeatureExtractor (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeFeatureExtractor (model VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2FeatureExtractor (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2FeatureExtractor (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2FeatureExtractor (model Wav2Vec2ConformerConfig)
- wavlm — Wav2Vec2FeatureExtractor (model WavLMConfig)
- whisper — WhisperFeatureExtractor (model WhisperConfig)
- xcodec — DacFeatureExtractor (model XcodecConfig)
- xcodec2 — Xcodec2FeatureExtractor (model Xcodec2Config)
Menyampaikan
token=Truediperlukan 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
< source >( 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
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat image processor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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 (
stratau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. JikaTrue, akan menggunakan token yang dihasilkan saat menjalankanhf 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - use_fast (
bool, opsional, defaultnyaFalse) — Discontinued: Gunakanbackend="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, defaultnyaNone) — 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, defaultFalse) — JikaFalse, fungsi ini hanya mengembalikan objek image processor akhir. JikaTrue, fungsi ini mengembalikanTuple(image_processor, unused_kwargs)di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut image processor: yaitu, bagian darikwargsyang tidak digunakan untuk memperbaruiimage_processordan diabaikan. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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 kuncireturn_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=Truediperlukan 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
< source >( 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, gunakanimage_processor_classes={"pil": ...}). - fast_image_processor_class (
type, opsional) — Kelas pemroses gambar backend Torchvision (tidak didukung lagi, gunakanimage_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, defaultnyaFalse) — JikaTrue, 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.
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat video processor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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 (
stratau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. JikaTrue, akan menggunakan token yang dihasilkan saat menjalankanhf 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - return_unused_kwargs (
bool, opsional, defaultFalse) — JikaFalse, fungsi ini hanya mengembalikan objek video processor akhir. JikaTrue, fungsi ini mengembalikanTuple(video_processor, unused_kwargs)di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut video processor: yaitu, bagian darikwargsyang tidak digunakan untuk memperbaruivideo_processordan diabaikan. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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 kuncireturn_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=Truediperlukan 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
< source >( 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, defaultnyaFalse) — JikaTrue, izinkan penimpaan pendaftaran yang sudah ada.
Daftarkan pemroses video baru untuk kelas ini.
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
< source >( pretrained_model_name_or_path**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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 (
stratauos.PathLike, opsional) — Path ke direktori tempat feature extractor model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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 (
stratau bool, opsional) — Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. JikaTrue, akan menggunakan token yang dihasilkan saat menjalankanhf 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - return_unused_kwargs (
bool, opsional, defaultFalse) — JikaFalse, fungsi ini hanya mengembalikan objek feature extractor akhir. JikaTrue, fungsi ini mengembalikanTuple(feature_extractor, unused_kwargs)di mana unused_kwargs adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan atribut feature extractor: yaitu, bagian darikwargsyang tidak digunakan untuk memperbaruifeature_extractordan diabaikan. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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 kuncireturn_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):
- aimv2 — CLIPProcessor (model Aimv2Config)
- align — AlignProcessor (model AlignConfig)
- altclip — AltCLIPProcessor (model AltCLIPConfig)
- aria — AriaProcessor (model AriaConfig)
- audioflamingo3 — AudioFlamingo3Processor (model AudioFlamingo3Config)
- aya_vision — AyaVisionProcessor (model AyaVisionConfig)
- bark — BarkProcessor (model BarkConfig)
- blip — BlipProcessor (model BlipConfig)
- blip-2 — Blip2Processor (model Blip2Config)
- bridgetower — BridgeTowerProcessor (model BridgeTowerConfig)
- bros — BrosProcessor (model BrosConfig)
- canary — CanaryProcessor (model CanaryConfig)
- chameleon — ChameleonProcessor (model ChameleonConfig)
- chinese_clip — ChineseCLIPProcessor (model ChineseCLIPConfig)
- clap — ClapProcessor (model ClapConfig)
- clip — CLIPProcessor (model CLIPConfig)
- clipseg — CLIPSegProcessor (model CLIPSegConfig)
- clvp — ClvpProcessor (model ClvpConfig)
- cohere2_vision — Cohere2VisionProcessor (model Cohere2VisionConfig)
- cohere_asr — CohereAsrProcessor (model CohereAsrConfig)
- cohere_compass — CohereCompassProcessor (model CohereCompassConfig)
- colmodernvbert — ColModernVBertProcessor (model ColModernVBertConfig)
- colpali — ColPaliProcessor (model ColPaliConfig)
- colqwen2 — ColQwen2Processor (model ColQwen2Config)
- cosmos3_edge — Cosmos3EdgeProcessor (model Cosmos3EdgeConfig)
- csm — CsmProcessor (model CsmConfig)
- deepseek_ocr2 — DeepseekOcr2Processor (model DeepseekOcr2Config)
- deepseek_vl — DeepseekVLProcessor (model DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridProcessor (model DeepseekVLHybridConfig)
- dia — DiaProcessor (model DiaConfig)
- diffusion_gemma — Gemma4Processor (model DiffusionGemmaConfig)
- edgetam — Sam2Processor (model EdgeTamConfig)
- embedding_gemma2 — EmbeddingGemma2Processor (model EmbeddingGemma2Config)
- emu3 — Emu3Processor (model Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeProcessor (model Ernie4_5_VLMoeConfig)
- evolla — EvollaProcessor (model EvollaConfig)
- exaone4_5 — Exaone4_5_Processor (model Exaone4_5_Config)
- flava — FlavaProcessor (model FlavaConfig)
- florence2 — Florence2Processor (model Florence2Config)
- fun_asr_nano — FunAsrNanoProcessor (model FunAsrNanoConfig)
- fuyu — FuyuProcessor (model FuyuConfig)
- gemma3 — Gemma3Processor (model Gemma3Config)
- gemma3n — Gemma3nProcessor (model Gemma3nConfig)
- gemma4 — Gemma4Processor (model Gemma4Config)
- gemma4_unified — Gemma4UnifiedProcessor (model Gemma4UnifiedConfig)
- git — GitProcessor (model GitConfig)
- glm46v — Glm46VProcessor (model Glm46VConfig)
- glm4v — Glm4vProcessor (model Glm4vConfig)
- glm4v_moe — Glm4vProcessor (model Glm4vMoeConfig)
- glm5_next — Glm5NextProcessor (model Glm5NextConfig)
- glm_image — GlmImageProcessor (model GlmImageConfig)
- glmasr — GlmAsrProcessor (model GlmAsrConfig)
- got_ocr2 — GotOcr2Processor (model GotOcr2Config)
- gradium_phonon_tts — PocketTTSProcessor (model GradiumPhononTTSConfig)
- granite4_vision — Granite4VisionProcessor (model Granite4VisionConfig)
- granite_speech — GraniteSpeechProcessor (model GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5Processor (model GraniteSpeech5CTCConfig)
- granite_speech_plus — GraniteSpeechProcessor (model GraniteSpeechPlusConfig)
- grounding-dino — GroundingDinoProcessor (model GroundingDinoConfig)
- groupvit — CLIPProcessor (model GroupViTConfig)
- higgs_audio_v2 — HiggsAudioV2Processor (model HiggsAudioV2Config)
- hubert — Wav2Vec2Processor (model HubertConfig)
- hunyuan_vl — HunYuanVLProcessor (model HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Processor (model HyperCLOVAXVisionV2Config)
- idefics — IdeficsProcessor (model IdeficsConfig)
- idefics2 — Idefics2Processor (model Idefics2Config)
- idefics3 — Idefics3Processor (model Idefics3Config)
- inkling_mm_model — InklingProcessor (model InklingConfig)
- instructblip — InstructBlipProcessor (model InstructBlipConfig)
- instructblipvideo — InstructBlipVideoProcessor (model InstructBlipVideoConfig)
- internvl — InternVLProcessor (model InternVLConfig)
- janus — JanusProcessor (model JanusConfig)
- kimi_k25 — Kimi_K25Processor (model Kimi_K25Config)
- kyutai_speech_to_text — KyutaiSpeechToTextProcessor (model KyutaiSpeechToTextConfig)
- lasr_ctc — LasrProcessor (model LasrCTCConfig)
- lasr_encoder — LasrProcessor (model LasrEncoderConfig)
- layoutlmv2 — LayoutLMv2Processor (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Processor (model LayoutLMv3Config)
- layoutxlm — LayoutXLMProcessor (model LayoutXLMConfig)
- lfm2_vl — Lfm2VlProcessor (model Lfm2VlConfig)
- lighton_ocr — LightOnOcrProcessor (model LightOnOcrConfig)
- llama4 — Llama4Processor (model Llama4Config)
- llava — LlavaProcessor (model LlavaConfig)
- llava_next — LlavaNextProcessor (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoProcessor (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionProcessor (model LlavaOnevisionConfig)
- markuplm — MarkupLMProcessor (model MarkupLMConfig)
- metaclip_2 — CLIPProcessor (model MetaClip2Config)
- mgp-str — MgpstrProcessor (model MgpstrConfig)
- minicpm_ocr — MiniCPMOcrProcessor (model MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6Processor (model MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7Processor (model MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3VLProcessor (model MiniMaxM3VLConfig)
- mistral3 — PixtralProcessor (model Mistral3Config)
- mistral_large4 — PixtralProcessor (model MistralLarge4Config)
- mllama — MllamaProcessor (model MllamaConfig)
- mm-grounding-dino — GroundingDinoProcessor (model MMGroundingDinoConfig)
- modernvbert — Idefics3Processor (model ModernVBertConfig)
- molmo2 — Molmo2Processor (model Molmo2Config)
- moonshine — Wav2Vec2Processor (model MoonshineConfig)
- moonshine_streaming — MoonshineStreamingProcessor (model MoonshineStreamingConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeProcessor (model MossTranscribeDiarizeConfig)
- muse_glimmer — MuseGlimmerProcessor (model MuseGlimmerConfig)
- muse_spark — MuseSparkProcessor (model MuseSparkConfig)
- musicflamingo — MusicFlamingoProcessor (model MusicFlamingoConfig)
- musicgen — MusicgenProcessor (model MusicgenConfig)
- musicgen_melody — MusicgenMelodyProcessor (model MusicgenMelodyConfig)
- nemo_speechlm — Nemotron3_5TranscribeProcessor (model Nemotron3_5TranscribeConfig)
- nemotron3_5_asr — Nemotron3_5AsrProcessor (model Nemotron3_5AsrConfig)
- nemotron3_diarization — Nemotron3DiarizationProcessor (model Nemotron3DiarizationConfig)
- nemotron_asr_streaming — NemotronAsrStreamingProcessor (model NemotronAsrStreamingConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3Processor (model NemotronH_Omni_Reasoning_V3_Config)
- neomme — NeoMMEProcessor (model NeoMMEConfig)
- nougat — NougatProcessor (model NougatConfig)
- omdet-turbo — OmDetTurboProcessor (model OmDetTurboConfig)
- oneformer — OneFormerProcessor (model OneFormerConfig)
- ovis2 — Ovis2Processor (model Ovis2Config)
- owlv2 — Owlv2Processor (model Owlv2Config)
- owlvit — OwlViTProcessor (model OwlViTConfig)
- paddleocr_vl — PaddleOCRVLProcessor (model PaddleOCRVLConfig)
- paligemma — PaliGemmaProcessor (model PaliGemmaConfig)
- parakeet_ctc — ParakeetProcessor (model ParakeetCTCConfig)
- parakeet_rnnt — ParakeetProcessor (model ParakeetRNNTConfig)
- parakeet_tdt — ParakeetProcessor (model ParakeetTDTConfig)
- pe_audio — PeAudioProcessor (model PeAudioConfig)
- pe_audio_video — PeAudioVideoProcessor (model PeAudioVideoConfig)
- pe_video — PeVideoProcessor (model PeVideoConfig)
- perception_lm — PerceptionLMProcessor (model PerceptionLMConfig)
- phi4_multimodal — Phi4MultimodalProcessor (model Phi4MultimodalConfig)
- pi0 — PI0Processor (model PI0Config)
- pix2struct — Pix2StructProcessor (model Pix2StructConfig)
- pixtral — PixtralProcessor (model PixtralVisionConfig)
- pocket_tts — PocketTTSProcessor (model PocketTTSConfig)
- pop2piano — Pop2PianoProcessor (model Pop2PianoConfig)
- pp_chart2table — PPChart2TableProcessor (model PPChart2TableConfig)
- pp_formulanet — PPFormulaNetProcessor (model PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRProcessor (model QianfanOCRConfig)
- qwen2_5_omni — Qwen2_5OmniProcessor (model Qwen2_5OmniConfig)
- qwen2_5_vl — Qwen2_5_VLProcessor (model Qwen2_5_VLConfig)
- qwen2_audio — Qwen2AudioProcessor (model Qwen2AudioConfig)
- qwen2_vl — Qwen2VLProcessor (model Qwen2VLConfig)
- qwen3_5 — Qwen3VLProcessor (model Qwen3_5Config)
- qwen3_5_moe — Qwen3VLProcessor (model Qwen3_5MoeConfig)
- qwen3_asr — Qwen3ASRProcessor (model Qwen3ASRConfig)
- qwen3_omni_moe — Qwen3OmniMoeProcessor (model Qwen3OmniMoeConfig)
- qwen3_vl — Qwen3VLProcessor (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLProcessor (model Qwen3VLMoeConfig)
- qwen4_exp — Qwen3VLProcessor (model Qwen4ExpConfig)
- sam — SamProcessor (model SamConfig)
- sam2 — Sam2Processor (model Sam2Config)
- sam2_video — Sam2VideoProcessor (model Sam2VideoConfig)
- sam3 — Sam3Processor (model Sam3Config)
- sam3_lite_text — Sam3Processor (model Sam3LiteTextConfig)
- sam3_tracker — Sam3TrackerProcessor (model Sam3TrackerConfig)
- sam3_tracker_video — Sam3TrackerVideoProcessor (model Sam3TrackerVideoConfig)
- sam3_video — Sam3VideoProcessor (model Sam3VideoConfig)
- sam_hq — SamHQProcessor (model SamHQConfig)
- seamless_m4t — SeamlessM4TProcessor (model SeamlessM4TConfig)
- sew — Wav2Vec2Processor (model SEWConfig)
- sew-d — Wav2Vec2Processor (model SEWDConfig)
- siglip — SiglipProcessor (model SiglipConfig)
- siglip2 — Siglip2Processor (model Siglip2Config)
- smolvlm — SmolVLMProcessor (model SmolVLMConfig)
- speech_to_text — Speech2TextProcessor (model Speech2TextConfig)
- speecht5 — SpeechT5Processor (model SpeechT5Config)
- step3p7 — Step3p7Processor (model Step3p7Config)
- t5gemma2 — Gemma3Processor (model T5Gemma2Config)
- t5gemma2_encoder — Gemma3Processor (model T5Gemma2EncoderConfig)
- tipsv2 — Tipsv2Processor (model Tipsv2Config)
- trocr — TrOCRProcessor (model TrOCRConfig)
- tvp — TvpProcessor (model TvpConfig)
- udop — UdopProcessor (model UdopConfig)
- ultravbert — Idefics3Processor (model UltraVBertConfig)
- unispeech — Wav2Vec2Processor (model UniSpeechConfig)
- unispeech-sat — Wav2Vec2Processor (model UniSpeechSatConfig)
- unlimited_ocr — UnlimitedOcrProcessor (model UnlimitedOcrConfig)
- vibevoice — VibeVoiceProcessor (model VibeVoiceConfig)
- vibevoice_asr — VibeVoiceAsrProcessor (model VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3Processor (model VideoLlama3Config)
- video_llava — VideoLlavaProcessor (model VideoLlavaConfig)
- videoprism — VideoPrismProcessor (model VideoPrismConfig)
- vilt — ViltProcessor (model ViltConfig)
- vipllava — LlavaProcessor (model VipLlavaConfig)
- vision-text-dual-encoder — VisionTextDualEncoderProcessor (model VisionTextDualEncoderConfig)
- voxtral — VoxtralProcessor (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeProcessor (model VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2Processor (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertProcessor (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2Processor (model Wav2Vec2ConformerConfig)
- wavlm — Wav2Vec2Processor (model WavLMConfig)
- whisper — WhisperProcessor (model WhisperConfig)
Menyampaikan
token=Truediperlukan 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
< source >( 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
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi ASTConfig: ASTModel (model ASTConfig)
- Kelas konfigurasi AXK1Config: AXK1Model (model AXK1Config)
- Kelas konfigurasi AXK2Config: AXK2Model (model AXK2Config)
- Kelas konfigurasi AfmoeConfig: AfmoeModel (model AfmoeConfig)
- Kelas konfigurasi Aimv2Config: Aimv2Model (model Aimv2Config)
- Kelas konfigurasi Aimv2VisionConfig: Aimv2VisionModel (model Aimv2VisionConfig)
- Kelas konfigurasi AlbertConfig: AlbertModel (model AlbertConfig)
- Kelas konfigurasi AlignConfig: AlignModel (model AlignConfig)
- Kelas konfigurasi AltCLIPConfig: AltCLIPModel (model AltCLIPConfig)
- Kelas konfigurasi ApertusConfig: ApertusModel (model ApertusConfig)
- Kelas konfigurasi ArceeConfig: ArceeModel (model ArceeConfig)
- Kelas konfigurasi AriaConfig: AriaModel (model AriaConfig)
- Kelas konfigurasi AriaTextConfig: AriaTextModel (model AriaTextConfig)
- Kelas konfigurasi AudioFlamingo3Config: AudioFlamingo3Model (model AudioFlamingo3Config)
- Kelas konfigurasi AudioFlamingo3EncoderConfig: AudioFlamingo3Encoder (model AudioFlamingo3EncoderConfig)
- Kelas konfigurasi AutoformerConfig: AutoformerModel (model AutoformerConfig)
- Kelas konfigurasi AyaVisionConfig: AyaVisionModel (model AyaVisionConfig)
- Kelas konfigurasi BailingHybridConfig: BailingHybridModel (model BailingHybridConfig)
- Kelas konfigurasi BambaConfig: BambaModel (model BambaConfig)
- Kelas konfigurasi BarkConfig: BarkModel (model BarkConfig)
- Kelas konfigurasi BartConfig: BartModel (model BartConfig)
- Kelas konfigurasi BeamConfig: BeamModel (model BeamConfig)
- Kelas konfigurasi BeitConfig: BeitModel (model BeitConfig)
- Kelas konfigurasi BertConfig: BertModel (model BertConfig)
- Kelas konfigurasi BertGenerationConfig: BertGenerationEncoder (model BertGenerationConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdModel (model BigBirdConfig)
- Kelas konfigurasi BigBirdPegasusConfig: BigBirdPegasusModel (model BigBirdPegasusConfig)
- Kelas konfigurasi BioGptConfig: BioGptModel (model BioGptConfig)
- Kelas konfigurasi BitConfig: BitModel (model BitConfig)
- Kelas konfigurasi BitNetConfig: BitNetModel (model BitNetConfig)
- Kelas konfigurasi BlenderbotConfig: BlenderbotModel (model BlenderbotConfig)
- Kelas konfigurasi BlenderbotSmallConfig: BlenderbotSmallModel (model BlenderbotSmallConfig)
- Kelas konfigurasi Blip2Config: Blip2Model (model Blip2Config)
- Kelas konfigurasi Blip2QFormerConfig: Blip2QFormerModel (model Blip2QFormerConfig)
- Kelas konfigurasi BlipConfig: BlipModel (model BlipConfig)
- Kelas konfigurasi BloomConfig: BloomModel (model BloomConfig)
- Kelas konfigurasi BltConfig: BltModel (model BltConfig)
- Kelas konfigurasi BridgeTowerConfig: BridgeTowerModel (model BridgeTowerConfig)
- Kelas konfigurasi BrosConfig: BrosModel (model BrosConfig)
- Kelas konfigurasi CLIPConfig: CLIPModel (model CLIPConfig)
- Kelas konfigurasi CLIPSegConfig: CLIPSegModel (model CLIPSegConfig)
- Kelas konfigurasi CLIPTextConfig: CLIPTextModel (model CLIPTextConfig)
- Kelas konfigurasi CLIPVisionConfig: CLIPVisionModel (model CLIPVisionConfig)
- Kelas konfigurasi CTRLConfig: CTRLModel (model CTRLConfig)
- Kelas konfigurasi CamembertConfig: CamembertModel (model CamembertConfig)
- Kelas konfigurasi CanaryConfig: CanaryModel (model CanaryConfig)
- Kelas konfigurasi CanineConfig: CanineModel (model CanineConfig)
- Kelas konfigurasi ChameleonConfig: ChameleonModel (model ChameleonConfig)
- Kelas konfigurasi ChineseCLIPConfig: ChineseCLIPModel (model ChineseCLIPConfig)
- Kelas konfigurasi ChineseCLIPVisionConfig: ChineseCLIPVisionModel (model ChineseCLIPVisionConfig)
- Kelas konfigurasi ClapConfig: ClapModel (model ClapConfig)
- Kelas konfigurasi ClvpConfig: ClvpModelForConditionalGeneration (model ClvpConfig)
- Kelas konfigurasi CodeGenConfig: CodeGenModel (model CodeGenConfig)
- Kelas konfigurasi Cohere2Config: Cohere2Model (model Cohere2Config)
- Kelas konfigurasi Cohere2MoeConfig: Cohere2MoeModel (model Cohere2MoeConfig)
- Kelas konfigurasi Cohere2VisionConfig: Cohere2VisionModel (model Cohere2VisionConfig)
- Kelas konfigurasi CohereAsrConfig: CohereAsrModel (model CohereAsrConfig)
- Kelas konfigurasi CohereCompassConfig: CohereCompassModel (model CohereCompassConfig)
- Kelas konfigurasi CohereCompassTextConfig: CohereCompassTextModel (model CohereCompassTextConfig)
- Kelas konfigurasi CohereCompassVisionConfig: CohereCompassVisionModel (model CohereCompassVisionConfig)
- Kelas konfigurasi CohereConfig: CohereModel (model CohereConfig)
- Kelas konfigurasi ConditionalDetrConfig: ConditionalDetrModel (model ConditionalDetrConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertModel (model ConvBertConfig)
- Kelas konfigurasi ConvNextConfig: ConvNextModel (model ConvNextConfig)
- Kelas konfigurasi ConvNextV2Config: ConvNextV2Model (model ConvNextV2Config)
- Kelas konfigurasi Cosmos3EdgeConfig: Cosmos3EdgeModel (model Cosmos3EdgeConfig)
- Kelas konfigurasi Cosmos3EdgeTextConfig: Cosmos3EdgeTextModel (model Cosmos3EdgeTextConfig)
- Kelas konfigurasi Cosmos3EdgeVisionConfig: Cosmos3EdgeVisionModel (model Cosmos3EdgeVisionConfig)
- Kelas konfigurasi Cosmos3OmniConfig: Cosmos3OmniModel (model Cosmos3OmniConfig)
- Kelas konfigurasi CpmAntConfig: CpmAntModel (model CpmAntConfig)
- Kelas konfigurasi CsmConfig: CsmForConditionalGeneration (model CsmConfig)
- Kelas konfigurasi CvtConfig: CvtModel (model CvtConfig)
- Kelas konfigurasi CwmConfig: CwmModel (model CwmConfig)
- Kelas konfigurasi DFineConfig: DFineModel (model DFineConfig)
- Kelas konfigurasi DINOv3ConvNextConfig: DINOv3ConvNextModel (model DINOv3ConvNextConfig)
- Kelas konfigurasi DINOv3ViTConfig: DINOv3ViTModel (model DINOv3ViTConfig)
- Kelas konfigurasi DPRConfig: DPRQuestionEncoder (model DPRConfig)
- Kelas konfigurasi DPTConfig: DPTModel (model DPTConfig)
- Kelas konfigurasi DabDetrConfig: DabDetrModel (model DabDetrConfig)
- Kelas konfigurasi DacConfig: DacModel (model DacConfig)
- Kelas konfigurasi Data2VecAudioConfig: Data2VecAudioModel (model Data2VecAudioConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextModel (model Data2VecTextConfig)
- Kelas konfigurasi Data2VecVisionConfig: Data2VecVisionModel (model Data2VecVisionConfig)
- Kelas konfigurasi DbrxConfig: DbrxModel (model DbrxConfig)
- Kelas konfigurasi DebertaConfig: DebertaModel (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2Model (model DebertaV2Config)
- Kelas konfigurasi DecisionTransformerConfig: DecisionTransformerModel (model DecisionTransformerConfig)
- Kelas konfigurasi DeepseekOcr2Config: DeepseekOcr2Model (model DeepseekOcr2Config)
- Kelas konfigurasi DeepseekV2Config: DeepseekV2Model (model DeepseekV2Config)
- Kelas konfigurasi DeepseekV32Config: DeepseekV32Model (model DeepseekV32Config)
- Kelas konfigurasi DeepseekV3Config: DeepseekV3Model (model DeepseekV3Config)
- Kelas konfigurasi DeepseekV4Config: DeepseekV4Model (model DeepseekV4Config)
- Kelas konfigurasi DeepseekVLConfig: DeepseekVLModel (model DeepseekVLConfig)
- Kelas konfigurasi DeepseekVLHybridConfig: DeepseekVLHybridModel (model DeepseekVLHybridConfig)
- Kelas konfigurasi DeformableDetrConfig: DeformableDetrModel (model DeformableDetrConfig)
- Kelas konfigurasi DeiTConfig: DeiTModel (model DeiTConfig)
- Kelas konfigurasi Deimv2Config: Deimv2Model (model Deimv2Config)
- Kelas konfigurasi DepthProConfig: DepthProModel (model DepthProConfig)
- Kelas konfigurasi DetrConfig: DetrModel (model DetrConfig)
- Kelas konfigurasi DiaConfig: DiaModel (model DiaConfig)
- Kelas konfigurasi DiffLlamaConfig: DiffLlamaModel (model DiffLlamaConfig)
- Kelas konfigurasi DiffusionGemmaConfig: DiffusionGemmaModel (model DiffusionGemmaConfig)
- Kelas konfigurasi DinatConfig: DinatModel (model DinatConfig)
- Kelas konfigurasi Dinov2Config: Dinov2Model (model Dinov2Config)
- Kelas konfigurasi Dinov2WithRegistersConfig: Dinov2WithRegistersModel (model Dinov2WithRegistersConfig)
- Kelas konfigurasi DistilBertConfig: DistilBertModel (model DistilBertConfig)
- Kelas konfigurasi DogeConfig: DogeModel (model DogeConfig)
- Kelas konfigurasi DonutSwinConfig: DonutSwinModel (model DonutSwinConfig)
- Kelas konfigurasi Dots1Config: Dots1Model (model Dots1Config)
- Kelas konfigurasi EdgeTamConfig: EdgeTamModel (model EdgeTamConfig)
- Kelas konfigurasi EdgeTamVideoConfig: EdgeTamVideoModel (model EdgeTamVideoConfig)
- Kelas konfigurasi EdgeTamVisionConfig: EdgeTamVisionModel (model EdgeTamVisionConfig)
- Kelas konfigurasi EfficientLoFTRConfig: EfficientLoFTRModel (model EfficientLoFTRConfig)
- Kelas konfigurasi EfficientNetConfig: EfficientNetModel (model EfficientNetConfig)
- Kelas konfigurasi ElectraConfig: ElectraModel (model ElectraConfig)
- Kelas konfigurasi EmbeddingGemma2Config: EmbeddingGemma2Model (model EmbeddingGemma2Config)
- Kelas konfigurasi EmbeddingGemma2TextConfig: EmbeddingGemma2TextModel (model EmbeddingGemma2TextConfig)
- Kelas konfigurasi Emu3Config: Emu3Model (model Emu3Config)
- Kelas konfigurasi EncodecConfig: EncodecModel (model EncodecConfig)
- Kelas konfigurasi Ernie4_5Config: Ernie4_5Model (model Ernie4_5Config)
- Kelas konfigurasi Ernie4_5_MoeConfig: Ernie4_5_MoeModel (model Ernie4_5_MoeConfig)
- Kelas konfigurasi Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeModel (model Ernie4_5_VLMoeConfig)
- Kelas konfigurasi ErnieConfig: ErnieModel (model ErnieConfig)
- Kelas konfigurasi EsmConfig: EsmModel (model EsmConfig)
- Kelas konfigurasi EsmcConfig: EsmcModel (model EsmcConfig)
- Kelas konfigurasi EuroBertConfig: EuroBertModel (model EuroBertConfig)
- Kelas konfigurasi EvollaConfig: EvollaModel (model EvollaConfig)
- Kelas konfigurasi Exaone4Config: Exaone4Model (model Exaone4Config)
- Kelas konfigurasi Exaone4_5_Config: Exaone4_5_Model (model Exaone4_5_Config)
- Kelas konfigurasi Exaone4_5_VisionConfig: Exaone4_5_VisionModel (model Exaone4_5_VisionConfig)
- Kelas konfigurasi ExaoneMoeConfig: ExaoneMoeModel (model ExaoneMoeConfig)
- Kelas konfigurasi FNetConfig: FNetModel (model FNetConfig)
- Kelas konfigurasi FSMTConfig: FSMTModel (model FSMTConfig)
- Kelas konfigurasi FalconConfig: FalconModel (model FalconConfig)
- Kelas konfigurasi FalconH1Config: FalconH1Model (model FalconH1Config)
- Kelas konfigurasi FalconMambaConfig: FalconMambaModel (model FalconMambaConfig)
- Kelas konfigurasi FastSpeech2ConformerConfig: FastSpeech2ConformerModel (model FastSpeech2ConformerConfig)
- Kelas konfigurasi FastSpeech2ConformerWithHifiGanConfig: FastSpeech2ConformerWithHifiGan (model FastSpeech2ConformerWithHifiGanConfig)
- Kelas konfigurasi FastVlmConfig: FastVlmModel (model FastVlmConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertModel (model FlaubertConfig)
- Kelas konfigurasi FlavaConfig: FlamaModel (model FlavaConfig)
- Kelas konfigurasi FlexOlmoConfig: FlexOlmoModel (model FlexOlmoConfig)
- Kelas konfigurasi FlintConfig: FlintModel (model FlintConfig)
- Kelas konfigurasi Florence2Config: Florence2Model (model Florence2Config)
- Kelas konfigurasi FocalNetConfig: FocalNetModel (model FocalNetConfig)
- Kelas konfigurasi FunAsrNanoConfig: FunAsrNanoModel (model FunAsrNanoConfig)
- Kelas konfigurasi FunAsrNanoEncoderConfig: FunAsrNanoEncoder (model FunAsrNanoEncoderConfig)
- Kelas konfigurasi FunnelConfig: FunnelModel atau FunnelBaseModel (model FunnelConfig)
- Kelas konfigurasi FuyuConfig: FuyuModel (model FuyuConfig)
- Kelas konfigurasi GLPNConfig: GLPNModel (model GLPNConfig)
- Kelas konfigurasi GPT2Config: GPT2Model (model GPT2Config)
- Kelas konfigurasi GPTBigCodeConfig: GPTBigCodeModel (model GPTBigCodeConfig)
- Kelas konfigurasi GPTJConfig: GPTJModel (model GPTJConfig)
- Kelas konfigurasi GPTNeoConfig: GPTNeoModel (model GPTNeoConfig)
- Kelas konfigurasi GPTNeoXConfig: GPTNeoXModel (model GPTNeoXConfig)
- Kelas konfigurasi GPTNeoXJapaneseConfig: GPTNeoXJapaneseModel (model GPTNeoXJapaneseConfig)
- Kelas konfigurasi Gemma2Config: Gemma2Model (model Gemma2Config)
- Kelas konfigurasi Gemma3Config: Gemma3Model (model Gemma3Config)
- Kelas konfigurasi Gemma3TextConfig: Gemma3TextModel (model Gemma3TextConfig)
- Kelas konfigurasi Gemma3nAudioConfig:
Gemma3nAudioEncoder(model Gemma3nAudioConfig) - Kelas konfigurasi Gemma3nConfig: Gemma3nModel (model Gemma3nConfig)
- Kelas konfigurasi Gemma3nTextConfig: Gemma3nTextModel (model Gemma3nTextConfig)
- Kelas konfigurasi Gemma3nVisionConfig: TimmWrapperModel (model Gemma3nVisionConfig)
- Kelas konfigurasi Gemma4AudioConfig: Gemma4AudioModel (model Gemma4AudioConfig)
- Kelas konfigurasi Gemma4Config: Gemma4Model (model Gemma4Config)
- Kelas konfigurasi Gemma4TextConfig: Gemma4TextModel (model Gemma4TextConfig)
- Kelas konfigurasi Gemma4UnifiedConfig: Gemma4UnifiedModel (model Gemma4UnifiedConfig)
- Kelas konfigurasi Gemma4UnifiedTextConfig: Gemma4UnifiedTextModel (model Gemma4UnifiedTextConfig)
- Kelas konfigurasi Gemma4VisionConfig: Gemma4VisionModel (model Gemma4VisionConfig)
- Kelas konfigurasi GemmaConfig: GemmaModel (model GemmaConfig)
- Kelas konfigurasi GitConfig: GitModel (model GitConfig)
- Kelas konfigurasi Glm46VConfig: Glm46VModel (model Glm46VConfig)
- Kelas konfigurasi Glm4Config: Glm4Model (model Glm4Config)
- Kelas konfigurasi Glm4MoeConfig: Glm4MoeModel (model Glm4MoeConfig)
- Kelas konfigurasi Glm4MoeLiteConfig: Glm4MoeLiteModel (model Glm4MoeLiteConfig)
- Kelas konfigurasi Glm4vConfig: Glm4vModel (model Glm4vConfig)
- Kelas konfigurasi Glm4vMoeConfig: Glm4vMoeModel (model Glm4vMoeConfig)
- Kelas konfigurasi Glm4vMoeTextConfig: Glm4vMoeTextModel (model Glm4vMoeTextConfig)
- Kelas konfigurasi Glm4vMoeVisionConfig: Glm4vMoeVisionModel (model Glm4vMoeVisionConfig)
- Kelas konfigurasi Glm4vTextConfig: Glm4vTextModel (model Glm4vTextConfig)
- Kelas konfigurasi Glm4vVisionConfig: Glm4vVisionModel (model Glm4vVisionConfig)
- Kelas konfigurasi Glm5NextConfig: Glm5NextModel (model Glm5NextConfig)
- Kelas konfigurasi Glm5NextTextConfig: Glm5NextTextModel (model Glm5NextTextConfig)
- Kelas konfigurasi Glm5NextVisionConfig: Glm5NextVisionModel (model Glm5NextVisionConfig)
- Kelas konfigurasi GlmAsrConfig: GlmAsrModel (model GlmAsrConfig)
- Kelas konfigurasi GlmAsrEncoderConfig: GlmAsrEncoder (model GlmAsrEncoderConfig)
- Kelas konfigurasi GlmConfig: GlmModel (model GlmConfig)
- Kelas konfigurasi GlmImageConfig: GlmImageModel (model GlmImageConfig)
- Kelas konfigurasi GlmImageTextConfig: GlmImageTextModel (model GlmImageTextConfig)
- Kelas konfigurasi GlmImageVQVAEConfig: GlmImageVQVAE (model GlmImageVQVAEConfig)
- Kelas konfigurasi GlmImageVisionConfig: GlmImageVisionModel (model GlmImageVisionConfig)
- Kelas konfigurasi GlmMoeDsaConfig: GlmMoeDsaModel (model GlmMoeDsaConfig)
- Kelas konfigurasi GlmOcrConfig: GlmOcrModel (model GlmOcrConfig)
- Kelas konfigurasi GlmOcrTextConfig: GlmOcrTextModel (model GlmOcrTextConfig)
- Kelas konfigurasi GlmOcrVisionConfig: GlmOcrVisionModel (model GlmOcrVisionConfig)
- Kelas konfigurasi GlmgaConfig: Glm46VModel (model GlmgaConfig)
- Kelas konfigurasi GotOcr2Config: GotOcr2Model (model GotOcr2Config)
- Kelas konfigurasi GptOssConfig: GptOssModel (model GptOssConfig)
- Kelas konfigurasi GradiumPhononTTSConfig: GradiumPhononTTSModel (model GradiumPhononTTSConfig)
- Kelas konfigurasi Granite4VisionConfig: Granite4VisionModel (model Granite4VisionConfig)
- Kelas konfigurasi GraniteConfig: GraniteModel (model GraniteConfig)
- Kelas konfigurasi GraniteMoeConfig: GraniteMoeModel (model GraniteMoeConfig)
- Kelas konfigurasi GraniteMoeHybridConfig: GraniteMoeHybridModel (model GraniteMoeHybridConfig)
- Kelas konfigurasi GraniteMoeSWAConfig: GraniteMoeSWAModel (model GraniteMoeSWAConfig)
- Kelas konfigurasi GraniteMoeSharedConfig: GraniteMoeSharedModel (model GraniteMoeSharedConfig)
- Kelas konfigurasi GraniteSWAConfig: GraniteSWAModel (model GraniteSWAConfig)
- Kelas konfigurasi GraniteSpeech5CTCConfig: GraniteSpeech5ForCTC (model GraniteSpeech5CTCConfig)
- Kelas konfigurasi GraniteSpeech5EncoderConfig: GraniteSpeech5Encoder (model GraniteSpeech5EncoderConfig)
- Kelas konfigurasi GraniteSpeechConfig: GraniteSpeechModel (model GraniteSpeechConfig)
- Kelas konfigurasi GraniteSpeechPlusConfig: GraniteSpeechPlusModel (model GraniteSpeechPlusConfig)
- Kelas konfigurasi GroundingDinoConfig: GroundingDinoModel (model GroundingDinoConfig)
- Kelas konfigurasi GroupViTConfig: GroupViTModel (model GroupViTConfig)
- Kelas konfigurasi GteConfig: GteModel (model GteConfig)
- Kelas konfigurasi HGNetV2Config: HGNetV2Backbone (model HGNetV2Config)
- Kelas konfigurasi HYV3Config: HYV3Model (model HYV3Config)
- Kelas konfigurasi HYV4Config: HYV4Model (model HYV4Config)
- Kelas konfigurasi HeliumConfig: HeliumModel (model HeliumConfig)
- Kelas konfigurasi HieraConfig: HieraModel (model HieraConfig)
- Kelas konfigurasi HiggsAudioV2Config: HiggsAudioV2ForConditionalGeneration (model HiggsAudioV2Config)
- Kelas konfigurasi HiggsAudioV2TokenizerConfig: HiggsAudioV2TokenizerModel (model HiggsAudioV2TokenizerConfig)
- Kelas konfigurasi HrmTextConfig: HrmTextModel (model HrmTextConfig)
- Kelas konfigurasi HubertConfig: HubertModel (model HubertConfig)
- Kelas konfigurasi HunYuanDenseV1Config: HunYuanDenseV1Model (model HunYuanDenseV1Config)
- Kelas konfigurasi HunYuanMoEV1Config: HunYuanMoEV1Model (model HunYuanMoEV1Config)
- Kelas konfigurasi HunYuanVLConfig: HunYuanVLModel (model HunYuanVLConfig)
- Kelas konfigurasi HunYuanVLTextConfig: HunYuanVLTextModel (model HunYuanVLTextConfig)
- Kelas konfigurasi HunYuanVLVisionConfig: HunYuanVLVisionTransformer (model HunYuanVLVisionConfig)
- Kelas konfigurasi HyperCLOVAXConfig: HyperCLOVAXModel (model HyperCLOVAXConfig)
- Kelas konfigurasi HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2Model (model HyperCLOVAXVisionV2Config)
- Kelas konfigurasi IBertConfig: IBertModel (model IBertConfig)
- Kelas konfigurasi IJepaConfig: IJepaModel (model IJepaConfig)
- Kelas konfigurasi Idefics2Config: Idefics2Model (model Idefics2Config)
- Kelas konfigurasi Idefics3Config: Idefics3Model (model Idefics3Config)
- Kelas konfigurasi Idefics3VisionConfig: Idefics3VisionTransformer (model Idefics3VisionConfig)
- Kelas konfigurasi IdeficsConfig: IdeficsModel (model IdeficsConfig)
- Kelas konfigurasi ImageGPTConfig: ImageGPTModel (model ImageGPTConfig)
- Kelas konfigurasi InformerConfig: InformerModel (model InformerConfig)
- Kelas konfigurasi InklingConfig: InklingModel (model InklingConfig)
- Kelas konfigurasi InklingTextConfig: InklingTextModel (model InklingTextConfig)
- Kelas konfigurasi InstructBlipConfig: InstructBlipModel (model InstructBlipConfig)
- Kelas konfigurasi InstructBlipVideoConfig: InstructBlipVideoModel (model InstructBlipVideoConfig)
- Kelas konfigurasi InternVLConfig: InternVLModel (model InternVLConfig)
- Kelas konfigurasi InternVLVisionConfig: InternVLVisionModel (model InternVLVisionConfig)
- Kelas konfigurasi Jais2Config: Jais2Model (model Jais2Config)
- Kelas konfigurasi JambaConfig: JambaModel (model JambaConfig)
- Kelas konfigurasi JanusConfig: JanusModel (model JanusConfig)
- Kelas konfigurasi JetMoeConfig: JetMoeModel (model JetMoeConfig)
- Kelas konfigurasi JinaEmbeddingsV3Config: JinaEmbeddingsV3Model (model JinaEmbeddingsV3Config)
- Kelas konfigurasi KimiLinearConfig: KimiLinearModel (model KimiLinearConfig)
- Kelas konfigurasi Kimi_K25Config: Kimi_K25Model (model Kimi_K25Config)
- Kelas konfigurasi Kimi_K25VisionConfig: Kimi_K25VisionModel (model Kimi_K25VisionConfig)
- Kelas konfigurasi Kolibri1Config: Kolibri1Model (model Kolibri1Config)
- Kelas konfigurasi Kosmos2Config: Kosmos2Model (model Kosmos2Config)
- Kelas konfigurasi Kosmos2_5Config: Kosmos2_5Model (model Kosmos2_5Config)
- Kelas konfigurasi KyutaiSpeechToTextConfig: KyutaiSpeechToTextModel (model KyutaiSpeechToTextConfig)
- Kelas konfigurasi LEDConfig: LEDModel (model LEDConfig)
- Kelas konfigurasi LagunaConfig: LagunaModel (model LagunaConfig)
- Kelas konfigurasi LasrCTCConfig: LasrForCTC (model LasrCTCConfig)
- Kelas konfigurasi LasrEncoderConfig: LasrEncoder (model LasrEncoderConfig)
- Kelas konfigurasi LayoutLMConfig: LayoutLMModel (model LayoutLMConfig)
- Kelas konfigurasi LayoutLMv2Config: LayoutLMv2Model (model LayoutLMv2Config)
- Kelas konfigurasi LayoutLMv3Config: LayoutLMv3Model (model LayoutLMv3Config)
- Kelas konfigurasi LevitConfig: LevitModel (model LevitConfig)
- Kelas konfigurasi Lfm2Config: Lfm2Model (model Lfm2Config)
- Kelas konfigurasi Lfm2MoeConfig: Lfm2MoeModel (model Lfm2MoeConfig)
- Kelas konfigurasi Lfm2VlConfig: Lfm2VlModel (model Lfm2VlConfig)
- Kelas konfigurasi LightGlueConfig: LightGlueForKeypointMatching (model LightGlueConfig)
- Kelas konfigurasi LightOnOcrConfig: LightOnOcrModel (model LightOnOcrConfig)
- Kelas konfigurasi LiltConfig: LiltModel (model LiltConfig)
- Kelas konfigurasi Llama4Config: Llama4ForConditionalGeneration (model Llama4Config)
- Kelas konfigurasi Llama4TextConfig: Llama4TextModel (model Llama4TextConfig)
- Kelas konfigurasi LlamaConfig: LlamaModel (model LlamaConfig)
- Kelas konfigurasi LlavaConfig: LlavaModel (model LlavaConfig)
- Kelas konfigurasi LlavaNextConfig: LlavaNextModel (model LlavaNextConfig)
- Kelas konfigurasi LlavaNextVideoConfig: LlavaNextVideoModel (model LlavaNextVideoConfig)
- Kelas konfigurasi LlavaOnevisionConfig: LlavaOnevisionModel (model LlavaOnevisionConfig)
- Kelas konfigurasi LongT5Config: LongT5Model (model LongT5Config)
- Kelas konfigurasi LongcatFlashConfig: LongcatFlashModel (model LongcatFlashConfig)
- Kelas konfigurasi LongformerConfig: LongformerModel (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeModel (model LukeConfig)
- Kelas konfigurasi LwDetrConfig: LwDetrModel (model LwDetrConfig)
- Kelas konfigurasi LxmertConfig: LxmertModel (model LxmertConfig)
- Kelas konfigurasi M2M100Config: M2M100Model (model M2M100Config)
- Kelas konfigurasi MBartConfig: MBartModel (model MBartConfig)
- Kelas konfigurasi MLCDVisionConfig: MLCDVisionModel (model MLCDVisionConfig)
- Kelas konfigurasi MMGroundingDinoConfig: MMGroundingDinoModel (model MMGroundingDinoConfig)
- Kelas konfigurasi MPNetConfig: MPNetModel (model MPNetConfig)
- Kelas konfigurasi MT5Config: MT5Model (model MT5Config)
- Kelas konfigurasi Mamba2Config: Mamba2Model (model Mamba2Config)
- Kelas konfigurasi MambaConfig: MambaModel (model MambaConfig)
- Kelas konfigurasi MarianConfig: MarianModel (model MarianConfig)
- Kelas konfigurasi MarkupLMConfig: MarkupLMModel (model MarkupLMConfig)
- Kelas konfigurasi Mask2FormerConfig: Mask2FormerModel (model Mask2FormerConfig)
- Kelas konfigurasi MaskFormerConfig: MaskFormerModel (model MaskFormerConfig)
- Kelas konfigurasi
MaskFormerSwinConfig:MaskFormerSwinModel(model MaskFormerSwinConfig) - Kelas konfigurasi MegatronBertConfig: MegatronBertModel (model MegatronBertConfig)
- Kelas konfigurasi MellumConfig: MellumModel (model MellumConfig)
- Kelas konfigurasi MetaClip2Config: MetaClip2Model (model MetaClip2Config)
- Kelas konfigurasi MgpstrConfig: MgpstrForSceneTextRecognition (model MgpstrConfig)
- Kelas konfigurasi MiMoV2FlashConfig: MiMoV2FlashModel (model MiMoV2FlashConfig)
- Kelas konfigurasi MimiConfig: MimiModel (model MimiConfig)
- Kelas konfigurasi MimiDecoderConfig: MimiDecoderModel (model MimiDecoderConfig)
- Kelas konfigurasi MimiEncoderConfig: MimiEncoderModel (model MimiEncoderConfig)
- Kelas konfigurasi MiniCPM3Config: MiniCPM3Model (model MiniCPM3Config)
- Kelas konfigurasi MiniCPMOcrConfig: MiniCPMOcrModel (model MiniCPMOcrConfig)
- Kelas konfigurasi MiniCPMOcrVisionConfig: MiniCPMOcrVisionModel (model MiniCPMOcrVisionConfig)
- Kelas konfigurasi MiniCPMV4_6Config: MiniCPMV4_6Model (model MiniCPMV4_6Config)
- Kelas konfigurasi MiniCPMV4_7Config: MiniCPMV4_7Model (model MiniCPMV4_7Config)
- Kelas konfigurasi MiniCPMV4_7VisionConfig: MiniCPMV4_7VisionModel (model MiniCPMV4_7VisionConfig)
- Kelas konfigurasi MiniMaxConfig: MiniMaxModel (model MiniMaxConfig)
- Kelas konfigurasi MiniMaxM2Config: MiniMaxM2Model (model MiniMaxM2Config)
- Kelas konfigurasi MiniMaxM3VLConfig: MiniMaxM3VLModel (model MiniMaxM3VLConfig)
- Kelas konfigurasi MiniMaxM3VLTextConfig: MiniMaxM3VLTextModel (model MiniMaxM3VLTextConfig)
- Kelas konfigurasi Ministral3Config: Ministral3Model (model Ministral3Config)
- Kelas konfigurasi MinistralConfig: MinistralModel (model MinistralConfig)
- Kelas konfigurasi Mistral3Config: Mistral3Model (model Mistral3Config)
- Kelas konfigurasi Mistral4Config: Mistral4Model (model Mistral4Config)
- Kelas konfigurasi MistralConfig: MistralModel (model MistralConfig)
- Kelas konfigurasi MistralLarge4Config: MistralLarge4Model (model MistralLarge4Config)
- Kelas konfigurasi MistralLarge4TextConfig: MistralLarge4TextModel (model MistralLarge4TextConfig)
- Kelas konfigurasi MixtralConfig: MixtralModel (model MixtralConfig)
- Kelas konfigurasi MllamaConfig: MllamaModel (model MllamaConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertModel (model MobileBertConfig)
- Kelas konfigurasi MobileNetV1Config: MobileNetV1Model (model MobileNetV1Config)
- Kelas konfigurasi MobileNetV2Config: MobileNetV2Model (model MobileNetV2Config)
- Kelas konfigurasi MobileViTConfig: MobileViTModel (model MobileViTConfig)
- Kelas konfigurasi MobileViTV2Config: MobileViTV2Model (model MobileViTV2Config)
- Kelas konfigurasi ModernBertConfig: ModernBertModel (model ModernBertConfig)
- Kelas konfigurasi ModernBertDecoderConfig: ModernBertDecoderModel (model ModernBertDecoderConfig)
- Kelas konfigurasi ModernVBertConfig: ModernVBertModel (model ModernVBertConfig)
- Kelas konfigurasi Molmo2Config: Molmo2Model (model Molmo2Config)
- Kelas konfigurasi Molmo2TextConfig: Molmo2TextModel (model Molmo2TextConfig)
- Kelas konfigurasi MoonshineConfig: MoonshineModel (model MoonshineConfig)
- Kelas konfigurasi MoonshineStreamingConfig: MoonshineStreamingModel (model MoonshineStreamingConfig)
- Kelas konfigurasi MoshiConfig: MoshiModel (model MoshiConfig)
- Kelas konfigurasi MossTranscribeDiarizeAudioConfig: MossTranscribeDiarizeAudioModel (model MossTranscribeDiarizeAudioConfig)
- Kelas konfigurasi MossTranscribeDiarizeConfig: MossTranscribeDiarizeModel (model MossTranscribeDiarizeConfig)
- Kelas konfigurasi MptConfig: MptModel (model MptConfig)
- Kelas konfigurasi MraConfig: MraModel (model MraConfig)
- Kelas konfigurasi MuseGlimmerAssistantConfig: MuseGlimmerAssistantModel (model MuseGlimmerAssistantConfig)
- Kelas konfigurasi MuseGlimmerConfig: MuseGlimmerModel (model MuseGlimmerConfig)
- Kelas konfigurasi MuseGlimmerTextConfig: MuseGlimmerTextModel (model MuseGlimmerTextConfig)
- Kelas konfigurasi MuseGlimmerVisionConfig: MuseGlimmerVisionModel (model MuseGlimmerVisionConfig)
- Kelas konfigurasi MuseSparkAudioConfig: MuseSparkAudioModel (model MuseSparkAudioConfig)
- Kelas konfigurasi MuseSparkConfig: MuseSparkModel (model MuseSparkConfig)
- Kelas konfigurasi MuseSparkTextConfig: MuseSparkTextModel (model MuseSparkTextConfig)
- Kelas konfigurasi MuseSparkVisionConfig: MuseSparkVisionModel (model MuseSparkVisionConfig)
- Kelas konfigurasi MusicFlamingoConfig: MusicFlamingoModel (model MusicFlamingoConfig)
- Kelas konfigurasi MusicgenConfig: MusicgenModel (model MusicgenConfig)
- Kelas konfigurasi MusicgenMelodyConfig: MusicgenMelodyModel (model MusicgenMelodyConfig)
- Kelas konfigurasi MvpConfig: MvpModel (model MvpConfig)
- Kelas konfigurasi NanoChatConfig: NanoChatModel (model NanoChatConfig)
- Kelas konfigurasi Nemotron3DiarizationAudioConfig: Nemotron3DiarizationAudioModel (model Nemotron3DiarizationAudioConfig)
- Kelas konfigurasi Nemotron3DiarizationConfig: Nemotron3DiarizationModel (model Nemotron3DiarizationConfig)
- Kelas konfigurasi Nemotron3_5AsrConfig: Nemotron3_5AsrForRNNT (model Nemotron3_5AsrConfig)
- Kelas konfigurasi Nemotron3_5TranscribeAsrAudioConfig: Nemotron3_5TranscribeAsrAudioModel (model Nemotron3_5TranscribeAsrAudioConfig)
- Kelas konfigurasi Nemotron3_5TranscribeAudioConfig: Nemotron3_5TranscribeAudioModel (model Nemotron3_5TranscribeAudioConfig)
- Kelas konfigurasi Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeModel (model Nemotron3_5TranscribeConfig)
- Kelas konfigurasi Nemotron3_5TranscribeWordTimestampConfig: Nemotron3_5TranscribeWordTimestampModel (model Nemotron3_5TranscribeWordTimestampConfig)
- Kelas konfigurasi NemotronAsrStreamingConfig: NemotronAsrStreamingForRNNT (model NemotronAsrStreamingConfig)
- Kelas konfigurasi NemotronAsrStreamingEncoderConfig: NemotronAsrStreamingEncoder (model NemotronAsrStreamingEncoderConfig)
- Kelas konfigurasi NemotronConfig: NemotronModel (model NemotronConfig)
- Kelas konfigurasi NemotronHConfig: NemotronHModel (model NemotronHConfig)
- Kelas konfigurasi NeoMMEConfig: NeoMMEModel (model NeoMMEConfig)
- Kelas konfigurasi NeuCodecConfig: NeuCodecModel (model NeuCodecConfig)
- Kelas konfigurasi NllbMoeConfig: NllbMoeModel (model NllbMoeConfig)
- Kelas konfigurasi NomicBertConfig: NomicBertModel (model NomicBertConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerModel (model NystromformerConfig)
- Kelas konfigurasi OPTConfig: OPTModel (model OPTConfig)
- Kelas konfigurasi Olmo2Config: Olmo2Model (model Olmo2Config)
- Kelas konfigurasi Olmo3Config: Olmo3Model (model Olmo3Config)
- Kelas konfigurasi OlmoConfig: OlmoModel (model OlmoConfig)
- Kelas konfigurasi OlmoHybridConfig: OlmoHybridModel (model OlmoHybridConfig)
- Kelas konfigurasi OlmoeConfig: OlmoeModel (model OlmoeConfig)
- Kelas konfigurasi OmDetTurboConfig: OmDetTurboForObjectDetection (model OmDetTurboConfig)
- Kelas konfigurasi OneFormerConfig: OneFormerModel (model OneFormerConfig)
- Kelas konfigurasi OpenAIGPTConfig: OpenAIGPTModel (model OpenAIGPTConfig)
- Kelas konfigurasi OpenAIPrivacyFilterConfig: OpenAIPrivacyFilterModel (model OpenAIPrivacyFilterConfig)
- Kelas konfigurasi Ovis2Config: Ovis2Model (model Ovis2Config)
- Kelas konfigurasi OwlViTConfig: OwlViTModel (model OwlViTConfig)
- Kelas konfigurasi Owlv2Config: Owlv2Model (model Owlv2Config)
- Kelas konfigurasi PI0Config: PI0Model (model PI0Config)
- Kelas konfigurasi PLBartConfig: PLBartModel (model PLBartConfig)
- Kelas konfigurasi PPDocLayoutV3Config: PPDocLayoutV3Model (model PPDocLayoutV3Config)
- Kelas konfigurasi PPDocLayoutV4Config: PPDocLayoutV4Model (model PPDocLayoutV4Config)
- Kelas konfigurasi PPOCRV5MobileRecConfig: PPOCRV5MobileRecModel (model PPOCRV5MobileRecConfig)
- Kelas konfigurasi PPOCRV5ServerRecConfig: PPOCRV5ServerRecModel (model PPOCRV5ServerRecConfig)
- Kelas konfigurasi PPOCRV6MediumDetConfig: PPOCRV6MediumDetModel (model PPOCRV6MediumDetConfig)
- Kelas konfigurasi PPOCRV6SmallDetConfig: PPOCRV6SmallDetModel (model PPOCRV6SmallDetConfig)
- Kelas konfigurasi PPOCRV6SmallRecConfig: PPOCRV6SmallRecModel (model PPOCRV6SmallRecConfig)
- Kelas konfigurasi PPOCRV6TinyRecConfig: PPOCRV6TinyRecModel (model PPOCRV6TinyRecConfig)
- Kelas konfigurasi PaddleOCRVLConfig: PaddleOCRVLModel (model PaddleOCRVLConfig)
- Kelas konfigurasi PaliGemmaConfig: PaliGemmaModel (model PaliGemmaConfig)
- Kelas konfigurasi ParakeetCTCConfig: ParakeetForCTC (model ParakeetCTCConfig)
- Kelas konfigurasi ParakeetEncoderConfig: ParakeetEncoder (model ParakeetEncoderConfig)
- Kelas konfigurasi ParakeetRNNTConfig: ParakeetForRNNT (model ParakeetRNNTConfig)
- Kelas konfigurasi ParakeetTDTConfig: ParakeetForTDT (model ParakeetTDTConfig)
- Kelas konfigurasi PatchTSMixerConfig: PatchTSMixerModel (model PatchTSMixerConfig)
- Kelas konfigurasi PatchTSTConfig: PatchTSTModel (model PatchTSTConfig)
- Kelas konfigurasi PeAudioConfig: PeAudioModel (model PeAudioConfig)
- Kelas konfigurasi PeAudioEncoderConfig: PeAudioEncoder (model PeAudioEncoderConfig)
- Kelas konfigurasi PeAudioVideoConfig: PeAudioVideoModel (model PeAudioVideoConfig)
- Kelas konfigurasi PeAudioVideoEncoderConfig: PeAudioVideoEncoder (model PeAudioVideoEncoderConfig)
- Kelas konfigurasi PeVideoConfig: PeVideoModel (model PeVideoConfig)
- Kelas konfigurasi PeVideoEncoderConfig: PeVideoEncoder (model PeVideoEncoderConfig)
- Kelas konfigurasi PegasusConfig: PegasusModel (model PegasusConfig)
- Kelas konfigurasi PegasusXConfig: PegasusXModel (model PegasusXConfig)
- Kelas konfigurasi PerceiverConfig: PerceiverModel (model PerceiverConfig)
- Kelas konfigurasi PerceptionLMConfig: PerceptionLMModel (model PerceptionLMConfig)
- Kelas konfigurasi PersimmonConfig: PersimmonModel (model PersimmonConfig)
- Kelas konfigurasi Phi3Config: Phi3Model (model Phi3Config)
- Kelas konfigurasi Phi4MultimodalConfig: Phi4MultimodalModel (model Phi4MultimodalConfig)
- Kelas konfigurasi PhiConfig: PhiModel (model PhiConfig)
- Kelas konfigurasi PhimoeConfig: PhimoeModel (model PhimoeConfig)
- Kelas konfigurasi PixioConfig: PixioModel (model PixioConfig)
- Kelas konfigurasi PixtralVisionConfig: PixtralVisionModel (model PixtralVisionConfig)
- Kelas konfigurasi PocketTTSAudioTokenizerConfig: PocketTTSAudioTokenizerModel (model PocketTTSAudioTokenizerConfig)
- Kelas konfigurasi PocketTTSAudioTokenizerDecoderConfig: PocketTTSAudioTokenizerDecoderModel (model PocketTTSAudioTokenizerDecoderConfig)
- Kelas konfigurasi PocketTTSAudioTokenizerEncoderConfig: PocketTTSAudioTokenizerEncoderModel (model PocketTTSAudioTokenizerEncoderConfig)
- Kelas konfigurasi PocketTTSConfig: PocketTTSModel (model PocketTTSConfig)
- Kelas konfigurasi PoolFormerConfig: PoolFormerModel (model PoolFormerConfig)
- Kelas konfigurasi ProphetNetConfig: ProphetNetModel (model ProphetNetConfig)
- Kelas konfigurasi PvtConfig: PvtModel (model PvtConfig)
- Kelas konfigurasi PvtV2Config: PvtV2Model (model PvtV2Config)
- Kelas konfigurasi QianfanOCRConfig: QianfanOCRModel (model QianfanOCRConfig)
- Kelas konfigurasi QianfanOCRVisionConfig: QianfanOCRVisionModel (model QianfanOCRVisionConfig)
- Kelas konfigurasi Qwen2AudioConfig: Qwen2AudioModel (model Qwen2AudioConfig)
- Kelas konfigurasi Qwen2AudioEncoderConfig: Qwen2AudioEncoder (model Qwen2AudioEncoderConfig)
- Kelas konfigurasi Qwen2Config: Qwen2Model (model Qwen2Config)
- Kelas konfigurasi Qwen2MoeConfig: Qwen2MoeModel (model Qwen2MoeConfig)
- Kelas konfigurasi Qwen2VLConfig: Qwen2VLModel (model Qwen2VLConfig)
- Kelas konfigurasi Qwen2VLTextConfig: Qwen2VLTextModel (model Qwen2VLTextConfig)
- Kelas konfigurasi Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerModel (model Qwen2_5OmniThinkerConfig)
- Kelas konfigurasi Qwen2_5_VLConfig: Qwen2_5_VLModel (model Qwen2_5_VLConfig)
- Kelas konfigurasi Qwen2_5_VLTextConfig: Qwen2_5_VLTextModel (model Qwen2_5_VLTextConfig)
- Kelas konfigurasi Qwen2_5_VLVisionConfig: Qwen2_5_VisionTransformerPretrainedModel (model Qwen2_5_VLVisionConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRModel (model Qwen3ASRConfig)
- Kelas konfigurasi Qwen3ASREncoderConfig: Qwen3ASREncoder (model Qwen3ASREncoderConfig)
- Kelas konfigurasi Qwen3Config: Qwen3Model (model Qwen3Config)
- Kelas konfigurasi Qwen3MoeConfig: Qwen3MoeModel (model Qwen3MoeConfig)
- Kelas konfigurasi Qwen3NextConfig: Qwen3NextModel (model Qwen3NextConfig)
- Kelas konfigurasi Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerModel (model Qwen3OmniMoeThinkerConfig)
- Kelas konfigurasi Qwen3VLConfig: Qwen3VLModel (model Qwen3VLConfig)
- Kelas konfigurasi Qwen3VLMoeConfig: Qwen3VLMoeModel (model Qwen3VLMoeConfig)
- Kelas konfigurasi Qwen3VLMoeTextConfig: Qwen3VLMoeTextModel (model Qwen3VLMoeTextConfig)
- Kelas konfigurasi Qwen3VLMoeVisionConfig: Qwen3VLMoeVisionModel (model Qwen3VLMoeVisionConfig)
- Kelas konfigurasi Qwen3VLTextConfig: Qwen3VLTextModel (model Qwen3VLTextConfig)
- Kelas konfigurasi Qwen3VLVisionConfig: Qwen3VLVisionModel (model Qwen3VLVisionConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5Model (model Qwen3_5Config)
- Kelas konfigurasi Qwen3_5MoeConfig: Qwen3_5MoeModel (model Qwen3_5MoeConfig)
- Kelas konfigurasi Qwen3_5MoeTextConfig: Qwen3_5MoeTextModel (model Qwen3_5MoeTextConfig)
- Kelas konfigurasi Qwen3_5MoeVisionConfig: Qwen3_5MoeVisionModel (model Qwen3_5MoeVisionConfig)
- Kelas konfigurasi Qwen3_5TextConfig: Qwen3_5TextModel (model Qwen3_5TextConfig)
- Kelas konfigurasi Qwen3_5VisionConfig: Qwen3_5VisionModel (model Qwen3_5VisionConfig)
- Kelas konfigurasi Qwen4ExpConfig: Qwen4ExpModel (model Qwen4ExpConfig)
- Kelas konfigurasi Qwen4ExpTextConfig: Qwen4ExpTextModel (model Qwen4ExpTextConfig)
- Kelas konfigurasi Qwen4ExpVisionConfig: Qwen4ExpVisionModel (model Qwen4ExpVisionConfig)
- Kelas konfigurasi RTDetrConfig: RTDetrModel (model RTDetrConfig)
- Kelas konfigurasi RTDetrV2Config: RTDetrV2Model (model RTDetrV2Config)
- Kelas konfigurasi RadioConfig: RadioModel (model RadioConfig)
- Kelas konfigurasi RecurrentGemmaConfig: RecurrentGemmaModel (model RecurrentGemmaConfig)
- Kelas konfigurasi ReformerConfig: ReformerModel (model ReformerConfig)
- Kelas konfigurasi RegNetConfig: RegNetModel (model RegNetConfig)
- Kelas konfigurasi RemBertConfig: RemBertModel (model RemBertConfig)
- Kelas konfigurasi ResNetConfig: ResNetModel (model ResNetConfig)
- Kelas konfigurasi RfDetrConfig: RfDetrModel (model RfDetrConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertModel (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerModel (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaModel (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormModel (model RobertaPreLayerNormConfig)
- Kelas konfigurasi RwkvConfig: RwkvModel (model RwkvConfig)
- Kelas konfigurasi SEWConfig: SEWModel (model SEWConfig)
- Kelas konfigurasi SEWDConfig: SEWDModel (model SEWDConfig)
- Kelas konfigurasi Sam2Config: Sam2Model (model Sam2Config)
- Kelas konfigurasi Sam2HieraDetConfig: Sam2HieraDetModel (model Sam2HieraDetConfig)
- Kelas konfigurasi Sam2VideoConfig: Sam2VideoModel (model Sam2VideoConfig)
- Kelas konfigurasi Sam2VisionConfig: Sam2VisionModel (model Sam2VisionConfig)
- Kelas konfigurasi Sam3Config: Sam3Model (model Sam3Config)
- Kelas konfigurasi Sam3LiteTextConfig: Sam3LiteTextModel (model Sam3LiteTextConfig)
- Kelas konfigurasi Sam3LiteTextTextConfig: Sam3LiteTextTextModel (model Sam3LiteTextTextConfig)
- Kelas konfigurasi Sam3TrackerConfig: Sam3TrackerModel (model Sam3TrackerConfig)
- Kelas konfigurasi Sam3TrackerVideoConfig: Sam3TrackerVideoModel (model Sam3TrackerVideoConfig)
- Kelas konfigurasi Sam3ViTConfig: Sam3ViTModel (model Sam3ViTConfig)
- Kelas konfigurasi Sam3VideoConfig: Sam3VideoModel (model Sam3VideoConfig)
- Kelas konfigurasi Sam3VisionConfig: Sam3VisionModel (model Sam3VisionConfig)
- Kelas konfigurasi SamConfig: SamModel (model SamConfig)
- Kelas konfigurasi SamHQConfig: SamHQModel (model SamHQConfig)
- Kelas konfigurasi SamHQVisionConfig: SamHQVisionModel (model SamHQVisionConfig)
- Kelas konfigurasi SamVisionConfig: SamVisionModel (model SamVisionConfig)
- Kelas konfigurasi Sapiens2Config: Sapiens2Model (model Sapiens2Config)
- Kelas konfigurasi SeamlessM4TConfig: SeamlessM4TModel (model SeamlessM4TConfig)
- Kelas konfigurasi SeamlessM4Tv2Config: SeamlessM4Tv2Model (model SeamlessM4Tv2Config)
- Kelas konfigurasi SeedOssConfig: SeedOssModel (model SeedOssConfig)
- Kelas konfigurasi SegGptConfig: SegGptModel (model SegGptConfig)
- Kelas konfigurasi SegformerConfig: SegformerModel (model SegformerConfig)
- Kelas konfigurasi Siglip2Config: Siglip2Model (model Siglip2Config)
- Kelas konfigurasi Siglip2VisionConfig: Siglip2VisionModel (model Siglip2VisionConfig)
- Kelas konfigurasi SiglipConfig: SiglipModel (model SiglipConfig)
- Kelas konfigurasi SiglipVisionConfig: SiglipVisionModel (model SiglipVisionConfig)
- Kelas konfigurasi SmolLM3Config: SmolLM3Model (model SmolLM3Config)
- Kelas konfigurasi SmolVLMConfig: SmolVLMModel (model SmolVLMConfig)
- Kelas konfigurasi SmolVLMVisionConfig: SmolVLMVisionTransformer (model SmolVLMVisionConfig)
- Kelas konfigurasi SolarOpenConfig: SolarOpenModel (model SolarOpenConfig)
- Kelas konfigurasi Speech2TextConfig: Speech2TextModel (model Speech2TextConfig)
- Kelas konfigurasi SpeechT5Config: SpeechT5Model (model SpeechT5Config)
- Kelas konfigurasi SplinterConfig: SplinterModel (model SplinterConfig)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertModel (model SqueezeBertConfig)
- Kelas konfigurasi StableLmConfig: StableLmModel (model StableLmConfig)
- Kelas konfigurasi Starcoder2Config: Starcoder2Model (model Starcoder2Config)
- Kelas konfigurasi Step3p7Config: Step3p7Model (model Step3p7Config)
- Kelas konfigurasi SwiftFormerConfig: SwiftFormerModel (model SwiftFormerConfig)
- Kelas konfigurasi Swin2SRConfig: Swin2SRModel (model Swin2SRConfig)
- Kelas konfigurasi SwinConfig: SwinModel (model SwinConfig)
- Kelas konfigurasi Swinv2Config: Swinv2Model (model Swinv2Config)
- Kelas konfigurasi SwitchTransformersConfig: SwitchTransformersModel (model SwitchTransformersConfig)
- Kelas konfigurasi T5Config: T5Model (model T5Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2Model (model T5Gemma2Config)
- Kelas konfigurasi T5Gemma2EncoderConfig:
T5Gemma2Encoder(model T5Gemma2EncoderConfig) - Kelas konfigurasi T5GemmaConfig: T5GemmaModel (model T5GemmaConfig)
- Kelas konfigurasi TableTransformerConfig: TableTransformerModel (model TableTransformerConfig)
- Kelas konfigurasi TapasConfig: TapasModel (model TapasConfig)
- Kelas konfigurasi TextNetConfig: TextNetModel (model TextNetConfig)
- Kelas konfigurasi TimeSeriesTransformerConfig: TimeSeriesTransformerModel (model TimeSeriesTransformerConfig)
- Kelas konfigurasi TimesFm2_5Config: TimesFm2_5Model (model TimesFm2_5Config)
- Kelas konfigurasi TimesFmConfig: TimesFmModel (model TimesFmConfig)
- Kelas konfigurasi TimesformerConfig: TimesformerModel (model TimesformerConfig)
- Kelas konfigurasi TimmBackboneConfig: TimmBackbone (model TimmBackboneConfig)
- Kelas konfigurasi TimmWrapperConfig: TimmWrapperModel (model TimmWrapperConfig)
- Kelas konfigurasi Tipsv2Config: Tipsv2Model (model Tipsv2Config)
- Kelas konfigurasi Tipsv2TextConfig: Tipsv2TextModel (model Tipsv2TextConfig)
- Kelas konfigurasi Tipsv2VisionConfig: Tipsv2VisionModel (model Tipsv2VisionConfig)
- Kelas konfigurasi TvpConfig: TvpModel (model TvpConfig)
- Kelas konfigurasi UMT5Config: UMT5Model (model UMT5Config)
- Kelas konfigurasi UVDocConfig: UVDocModel (model UVDocConfig)
- Kelas konfigurasi UdopConfig: UdopModel (model UdopConfig)
- Kelas konfigurasi UltraVBertConfig: UltraVBertModel (model UltraVBertConfig)
- Kelas konfigurasi UltrabertConfig: UltrabertModel (model UltrabertConfig)
- Kelas konfigurasi UniSpeechConfig: UniSpeechModel (model UniSpeechConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatModel (model UniSpeechSatConfig)
- Kelas konfigurasi UnivNetConfig: UnivNetModel (model UnivNetConfig)
- Kelas konfigurasi UnlimitedOcrConfig: UnlimitedOcrModel (model UnlimitedOcrConfig)
- Kelas konfigurasi VJEPA2Config: VJEPA2Model (model VJEPA2Config)
- Kelas konfigurasi VaultGemmaConfig: VaultGemmaModel (model VaultGemmaConfig)
- Kelas konfigurasi ViTConfig: ViTModel (model ViTConfig)
- Kelas konfigurasi ViTMAEConfig: ViTMAEModel (model ViTMAEConfig)
- Kelas konfigurasi ViTMSNConfig: ViTMSNModel (model ViTMSNConfig)
- Kelas konfigurasi VibeVoiceAcousticTokenizerConfig: VibeVoiceAcousticTokenizerModel (model VibeVoiceAcousticTokenizerConfig)
- Kelas konfigurasi VibeVoiceAcousticTokenizerDecoderConfig: VibeVoiceAcousticTokenizerDecoderModel (model VibeVoiceAcousticTokenizerDecoderConfig)
- Kelas konfigurasi VibeVoiceAcousticTokenizerEncoderConfig: VibeVoiceAcousticTokenizerEncoderModel (model VibeVoiceAcousticTokenizerEncoderConfig)
- Kelas konfigurasi VibeVoiceAsrConfig: VibeVoiceAsrModel (model VibeVoiceAsrConfig)
- Kelas konfigurasi VibeVoiceConfig: VibeVoiceForConditionalGeneration (model VibeVoiceConfig)
- Kelas konfigurasi VideoLlama3Config: VideoLlama3Model (model VideoLlama3Config)
- Kelas konfigurasi VideoLlama3VisionConfig: VideoLlama3VisionModel (model VideoLlama3VisionConfig)
- Kelas konfigurasi VideoLlavaConfig: VideoLlavaModel (model VideoLlavaConfig)
- Kelas konfigurasi VideoMAEConfig: VideoMAEModel (model VideoMAEConfig)
- Kelas konfigurasi VideoPrismConfig: VideoPrismClipModel (model VideoPrismConfig)
- Kelas konfigurasi VideoPrismVisionConfig: VideoPrismVisionModel (model VideoPrismVisionConfig)
- Kelas konfigurasi ViltConfig: ViltModel (model ViltConfig)
- Kelas konfigurasi VipLlavaConfig: VipLlavaModel (model VipLlavaConfig)
- Kelas konfigurasi VisionTextDualEncoderConfig: VisionTextDualEncoderModel (model VisionTextDualEncoderConfig)
- Kelas konfigurasi VisualBertConfig: VisualBertModel (model VisualBertConfig)
- Kelas konfigurasi VitDetConfig: VitDetModel (model VitDetConfig)
- Kelas konfigurasi VitsConfig: VitsModel (model VitsConfig)
- Kelas konfigurasi VivitConfig: VivitModel (model VivitConfig)
- Kelas konfigurasi VoxtralConfig: VoxtralModel (model VoxtralConfig)
- Kelas konfigurasi VoxtralEncoderConfig: VoxtralEncoder (model VoxtralEncoderConfig)
- Kelas konfigurasi VoxtralRealtimeConfig: VoxtralRealtimeModel (model VoxtralRealtimeConfig)
- Kelas konfigurasi VoxtralRealtimeEncoderConfig: VoxtralRealtimeEncoder (model VoxtralRealtimeEncoderConfig)
- Kelas konfigurasi VoxtralRealtimeTextConfig:
VoxtralRealtimeTextModel(model VoxtralRealtimeTextConfig) - Kelas konfigurasi Wav2Vec2BertConfig: Wav2Vec2BertModel (model Wav2Vec2BertConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2Model (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerModel (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi WavLMConfig: WavLMModel (model WavLMConfig)
- Kelas konfigurasi WhisperConfig: WhisperModel (model WhisperConfig)
- Kelas konfigurasi XCLIPConfig: XCLIPModel (model XCLIPConfig)
- Kelas konfigurasi XGLMConfig: XGLMModel (model XGLMConfig)
- Kelas konfigurasi XLMConfig: XLMModel (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaModel (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLModel (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetModel (model XLNetConfig)
- Kelas konfigurasi Xcodec2Config: Xcodec2Model (model Xcodec2Config)
- Kelas konfigurasi XcodecConfig: XcodecModel (model XcodecConfig)
- Kelas konfigurasi XmodConfig: XmodModel (model XmodConfig)
- Kelas konfigurasi YolosConfig: YolosModel (model YolosConfig)
- Kelas konfigurasi YosoConfig: YosoModel (model YosoConfig)
- Kelas konfigurasi YoutuConfig: YoutuModel (model YoutuConfig)
- Kelas konfigurasi Zamba2Config: Zamba2Model (model Zamba2Config)
- Kelas konfigurasi ZambaConfig: ZambaModel (model ZambaConfig)
- Kelas konfigurasi ZayaConfig: ZayaModel (model ZayaConfig)
- Kelas konfigurasi xLSTMConfig: xLSTMModel (model xLSTMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- afmoe — AfmoeModel (model AfmoeConfig)
- aimv2 — Aimv2Model (model Aimv2Config)
- aimv2_vision_model — Aimv2VisionModel (model Aimv2VisionConfig)
- albert — AlbertModel (model AlbertConfig)
- align — AlignModel (model AlignConfig)
- altclip — AltCLIPModel (model AltCLIPConfig)
- apertus — ApertusModel (model ApertusConfig)
- arcee — ArceeModel (model ArceeConfig)
- aria — AriaModel (model AriaConfig)
- aria_text — AriaTextModel (model AriaTextConfig)
- audio-spectrogram-transformer — ASTModel (model ASTConfig)
- audioflamingo3 — AudioFlamingo3Model (model AudioFlamingo3Config)
- audioflamingo3_encoder — AudioFlamingo3Encoder (model AudioFlamingo3EncoderConfig)
- autoformer — AutoformerModel (model AutoformerConfig)
- axk1 — AXK1Model (model AXK1Config)
- axk2 — AXK2Model (model AXK2Config)
- aya_vision — AyaVisionModel (model AyaVisionConfig)
- bailing_hybrid — BailingHybridModel (model BailingHybridConfig)
- bamba — BambaModel (model BambaConfig)
- bark — BarkModel (model BarkConfig)
- bart — BartModel (model BartConfig)
- beam — BeamModel (model BeamConfig)
- beit — BeitModel (model BeitConfig)
- bert — BertModel (model BertConfig)
- bert-generation — BertGenerationEncoder (model BertGenerationConfig)
- big_bird — BigBirdModel (model BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusModel (model BigBirdPegasusConfig)
- biogpt — BioGptModel (model BioGptConfig)
- bit — BitModel (model BitConfig)
- bitnet — BitNetModel (model BitNetConfig)
- blenderbot — BlenderbotModel (model BlenderbotConfig)
- blenderbot-small — BlenderbotSmallModel (model BlenderbotSmallConfig)
- blip — BlipModel (model BlipConfig)
- blip-2 — Blip2Model (model Blip2Config)
- blip_2_qformer — Blip2QFormerModel (model Blip2QFormerConfig)
- bloom — BloomModel (model BloomConfig)
- blt — BltModel (model BltConfig)
- bridgetower — BridgeTowerModel (model BridgeTowerConfig)
- bros — BrosModel (model BrosConfig)
- camembert — CamembertModel (model CamembertConfig)
- canary — CanaryModel (model CanaryConfig)
- canine — CanineModel (model CanineConfig)
- chameleon — ChameleonModel (model ChameleonConfig)
- chinese_clip — ChineseCLIPModel (model ChineseCLIPConfig)
- chinese_clip_vision_model — ChineseCLIPVisionModel (model ChineseCLIPVisionConfig)
- clap — ClapModel (model ClapConfig)
- clip — CLIPModel (model CLIPConfig)
- clip_text_model — CLIPTextModel (model CLIPTextConfig)
- clip_vision_model — CLIPVisionModel (model CLIPVisionConfig)
- clipseg — CLIPSegModel (model CLIPSegConfig)
- clvp — ClvpModelForConditionalGeneration (model ClvpConfig)
- codegen — CodeGenModel (model CodeGenConfig)
- cohere — CohereModel (model CohereConfig)
- cohere2 — Cohere2Model (model Cohere2Config)
- cohere2_moe — Cohere2MoeModel (model Cohere2MoeConfig)
- cohere2_vision — Cohere2VisionModel (model Cohere2VisionConfig)
- cohere_asr — CohereAsrModel (model CohereAsrConfig)
- cohere_compass — CohereCompassModel (model CohereCompassConfig)
- cohere_compass_text — CohereCompassTextModel (model CohereCompassTextConfig)
- cohere_compass_vision — CohereCompassVisionModel (model CohereCompassVisionConfig)
- conditional_detr — ConditionalDetrModel (model ConditionalDetrConfig)
- convbert — ConvBertModel (model ConvBertConfig)
- convnext — ConvNextModel (model ConvNextConfig)
- convnextv2 — ConvNextV2Model (model ConvNextV2Config)
- cosmos3_edge — Cosmos3EdgeModel (model Cosmos3EdgeConfig)
- cosmos3_edge_text — Cosmos3EdgeTextModel (model Cosmos3EdgeTextConfig)
- cosmos3_edge_vision — Cosmos3EdgeVisionModel (model Cosmos3EdgeVisionConfig)
- cosmos3_omni — Cosmos3OmniModel (model Cosmos3OmniConfig)
- cpmant — CpmAntModel (model CpmAntConfig)
- csm — CsmForConditionalGeneration (model CsmConfig)
- ctrl — CTRLModel (model CTRLConfig)
- cvt — CvtModel (model CvtConfig)
- cwm — CwmModel (model CwmConfig)
- d_fine — DFineModel (model DFineConfig)
- dab-detr — DabDetrModel (model DabDetrConfig)
- dac — DacModel (model DacConfig)
- data2vec-audio — Data2VecAudioModel (model Data2VecAudioConfig)
- data2vec-text — Data2VecTextModel (model Data2VecTextConfig)
- data2vec-vision — Data2VecVisionModel (model Data2VecVisionConfig)
- dbrx — DbrxModel (model DbrxConfig)
- deberta — DebertaModel (model DebertaConfig)
- deberta-v2 — DebertaV2Model (model DebertaV2Config)
- decision_transformer — DecisionTransformerModel (model DecisionTransformerConfig)
- deepseek_ocr2 — DeepseekOcr2Model (model DeepseekOcr2Config)
- deepseek_v2 — DeepseekV2Model (model DeepseekV2Config)
- deepseek_v3 — DeepseekV3Model (model DeepseekV3Config)
- deepseek_v32 — DeepseekV32Model (model DeepseekV32Config)
- deepseek_v4 — DeepseekV4Model (model DeepseekV4Config)
- deepseek_vl — DeepseekVLModel (model DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridModel (model DeepseekVLHybridConfig)
- deformable_detr — DeformableDetrModel (model DeformableDetrConfig)
- deimv2 — Deimv2Model (model Deimv2Config)
- deit — DeiTModel (model DeiTConfig)
- depth_pro — DepthProModel (model DepthProConfig)
- detr — DetrModel (model DetrConfig)
- dia — DiaModel (model DiaConfig)
- diffllama — DiffLlamaModel (model DiffLlamaConfig)
- diffusion_gemma — DiffusionGemmaModel (model DiffusionGemmaConfig)
- dinat — DinatModel (model DinatConfig)
- dinov2 — Dinov2Model (model Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersModel (model Dinov2WithRegistersConfig)
- dinov3_convnext — DINOv3ConvNextModel (model DINOv3ConvNextConfig)
- dinov3_vit — DINOv3ViTModel (model DINOv3ViTConfig)
- distilbert — DistilBertModel (model DistilBertConfig)
- doge — DogeModel (model DogeConfig)
- donut-swin — DonutSwinModel (model DonutSwinConfig)
- dots1 — Dots1Model (model Dots1Config)
- dpr — DPRQuestionEncoder (model DPRConfig)
- dpt — DPTModel (model DPTConfig)
- edgetam — EdgeTamModel (model EdgeTamConfig)
- edgetam_video — EdgeTamVideoModel (model EdgeTamVideoConfig)
- edgetam_vision_model — EdgeTamVisionModel (model EdgeTamVisionConfig)
- efficientloftr — EfficientLoFTRModel (model EfficientLoFTRConfig)
- efficientnet — EfficientNetModel (model EfficientNetConfig)
- electra — ElectraModel (model ElectraConfig)
- embedding_gemma2 — EmbeddingGemma2Model (model EmbeddingGemma2Config)
- embedding_gemma2_text — EmbeddingGemma2TextModel (model EmbeddingGemma2TextConfig)
- emu3 — Emu3Model (model Emu3Config)
- encodec — EncodecModel (model EncodecConfig)
- ernie — ErnieModel (model ErnieConfig)
- ernie4_5 — Ernie4_5Model (model Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeModel (model Ernie4_5_MoeConfig)
- ernie4_5_vl_moe — Ernie4_5_VLMoeModel (model Ernie4_5_VLMoeConfig)
- esm — EsmModel (model EsmConfig)
- esmc — EsmcModel (model EsmcConfig)
- eurobert — EuroBertModel (model EuroBertConfig)
- evolla — EvollaModel (model EvollaConfig)
- exaone4 — Exaone4Model (model Exaone4Config)
- exaone4_5 — Exaone4_5_Model (model Exaone4_5_Config)
- exaone4_5_vision — Exaone4_5_VisionModel (model Exaone4_5_VisionConfig)
- exaone_moe — ExaoneMoeModel (model ExaoneMoeConfig)
- falcon — FalconModel (model FalconConfig)
- falcon_h1 — FalconH1Model (model FalconH1Config)
- falcon_mamba — FalconMambaModel (model FalconMambaConfig)
- fast_vlm — FastVlmModel (model FastVlmConfig)
- fastspeech2_conformer — FastSpeech2ConformerModel (model FastSpeech2ConformerConfig)
- fastspeech2_conformer_with_hifigan — FastSpeech2ConformerWithHifiGan (model FastSpeech2ConformerWithHifiGanConfig)
- flaubert — FlaubertModel (model FlaubertConfig)
- flava — FlavaModel (model FlavaConfig)
- flex_olmo — FlexOlmoModel (model FlexOlmoConfig)
- flint — FlintModel (model FlintConfig)
- florence2 — Florence2Model (model Florence2Config)
- fnet — FNetModel (model FNetConfig)
- focalnet — FocalNetModel (model FocalNetConfig)
- fsmt — FSMTModel (model FSMTConfig)
- fun_asr_nano — FunAsrNanoModel (model FunAsrNanoConfig)
- fun_asr_nano_encoder — FunAsrNanoEncoder (model FunAsrNanoEncoderConfig)
- funnel — FunnelModel atau FunnelBaseModel (model FunnelConfig)
- fuyu — FuyuModel (model FuyuConfig)
- gemma — GemmaModel (model GemmaConfig)
- gemma2 — Gemma2Model (model Gemma2Config)
- gemma3 — Gemma3Model (model Gemma3Config)
- gemma3_text — Gemma3TextModel (model Gemma3TextConfig)
- gemma3n — Gemma3nModel (model Gemma3nConfig)
- gemma3n_audio —
Gemma3nAudioEncoder(model Gemma3nAudioConfig) - gemma3n_text — Gemma3nTextModel (model Gemma3nTextConfig)
- gemma3n_vision — TimmWrapperModel (model Gemma3nVisionConfig)
- gemma4 — Gemma4Model (model Gemma4Config)
- gemma4_audio — Gemma4AudioModel (model Gemma4AudioConfig)
- gemma4_text — Gemma4TextModel (model Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedModel (model Gemma4UnifiedConfig)
- gemma4_unified_text — Gemma4UnifiedTextModel (model Gemma4UnifiedTextConfig)
- gemma4_vision — Gemma4VisionModel (model Gemma4VisionConfig)
- git — GitModel (model GitConfig)
- glm — GlmModel (model GlmConfig)
- glm4 — Glm4Model (model Glm4Config)
- glm46v — Glm46VModel (model Glm46VConfig)
- glm4_moe — Glm4MoeModel (model Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteModel (model Glm4MoeLiteConfig)
- glm4v — Glm4vModel (model Glm4vConfig)
- glm4v_moe — Glm4vMoeModel (model Glm4vMoeConfig)
- glm4v_moe_text — Glm4vMoeTextModel (model Glm4vMoeTextConfig)
- glm4v_moe_vision — Glm4vMoeVisionModel (model Glm4vMoeVisionConfig)
- glm4v_text — Glm4vTextModel (model Glm4vTextConfig)
- glm4v_vision — Glm4vVisionModel (model Glm4vVisionConfig)
- glm5_next — Glm5NextModel (model Glm5NextConfig)
- glm5_next_text — Glm5NextTextModel (model Glm5NextTextConfig)
- glm5_next_vision — Glm5NextVisionModel (model Glm5NextVisionConfig)
- glm_image — GlmImageModel (model GlmImageConfig)
- glm_image_text — GlmImageTextModel (model GlmImageTextConfig)
- glm_image_vision — GlmImageVisionModel (model GlmImageVisionConfig)
- glm_image_vqmodel — GlmImageVQVAE (model GlmImageVQVAEConfig)
- glm_moe_dsa — GlmMoeDsaModel (model GlmMoeDsaConfig)
- glm_ocr — GlmOcrModel (model GlmOcrConfig)
- glm_ocr_text — GlmOcrTextModel (model GlmOcrTextConfig)
- glm_ocr_vision — GlmOcrVisionModel (model GlmOcrVisionConfig)
- glmasr — GlmAsrModel (model GlmAsrConfig)
- glmasr_encoder — GlmAsrEncoder (model GlmAsrEncoderConfig)
- glmga — Glm46VModel (model GlmgaConfig)
- glpn — GLPNModel (model GLPNConfig)
- got_ocr2 — GotOcr2Model (model GotOcr2Config)
- gpt-sw3 — GPT2Model (model GPT2Config)
- gpt2 — GPT2Model (model GPT2Config)
- gpt_bigcode — GPTBigCodeModel (model GPTBigCodeConfig)
- gpt_neo — GPTNeoModel (model GPTNeoConfig)
- gpt_neox — GPTNeoXModel (model GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseModel (model GPTNeoXJapaneseConfig)
- gpt_oss — GptOssModel (model GptOssConfig)
- gptj — GPTJModel (model GPTJConfig)
- gradium_phonon_tts — GradiumPhononTTSModel (model GradiumPhononTTSConfig)
- granite — GraniteModel (model GraniteConfig)
- granite4_vision — Granite4VisionModel (model Granite4VisionConfig)
- granite_speech — GraniteSpeechModel (model GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5ForCTC (model GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5Encoder (model GraniteSpeech5EncoderConfig)
- granite_speech_plus — GraniteSpeechPlusModel (model GraniteSpeechPlusConfig)
- granite_swa — GraniteSWAModel (model GraniteSWAConfig)
- granitemoe — GraniteMoeModel (model GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAModel (model GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridModel (model GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedModel (model GraniteMoeSharedConfig)
- grounding-dino — GroundingDinoModel (model GroundingDinoConfig)
- groupvit — GroupViTModel (model GroupViTConfig)
- gte — GteModel (model GteConfig)
- helium — HeliumModel (model HeliumConfig)
- hgnet_v2 — HGNetV2Backbone (model HGNetV2Config)
- hiera — HieraModel (model HieraConfig)
- higgs_audio_v2 — HiggsAudioV2ForConditionalGeneration (model HiggsAudioV2Config)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerModel (model HiggsAudioV2TokenizerConfig)
- hrm_text — HrmTextModel (model HrmTextConfig)
- hubert — HubertModel (model HubertConfig)
- hunyuan_v1_dense — HunYuanDenseV1Model (model HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1Model (model HunYuanMoEV1Config)
- hunyuan_vl — HunYuanVLModel (model HunYuanVLConfig)
- hunyuan_vl_text — HunYuanVLTextModel (model HunYuanVLTextConfig)
- hunyuan_vl_vision — HunYuanVLVisionTransformer (model HunYuanVLVisionConfig)
- hy_v3 — HYV3Model (model HYV3Config)
- hy_v4 — HYV4Model (model HYV4Config)
- hyperclovax — HyperCLOVAXModel (model HyperCLOVAXConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Model (model HyperCLOVAXVisionV2Config)
- ibert — IBertModel (model IBertConfig)
- idefics — IdeficsModel (model IdeficsConfig)
- idefics2 — Idefics2Model (model Idefics2Config)
- idefics3 — Idefics3Model (model Idefics3Config)
- idefics3_vision — Idefics3VisionTransformer (model Idefics3VisionConfig)
- ijepa — IJepaModel (model IJepaConfig)
- imagegpt — ImageGPTModel (model ImageGPTConfig)
- informer — InformerModel (model InformerConfig)
- inkling_mm_model — InklingModel (model InklingConfig)
- inkling_text — InklingTextModel (model InklingTextConfig)
- instructblip — InstructBlipModel (model InstructBlipConfig)
- instructblipvideo — InstructBlipVideoModel (model InstructBlipVideoConfig)
- internvl — InternVLModel (model InternVLConfig)
- internvl_vision — InternVLVisionModel (model InternVLVisionConfig)
- jais2 — Jais2Model (model Jais2Config)
- jamba — JambaModel (model JambaConfig)
- janus — JanusModel (model JanusConfig)
- jetmoe — JetMoeModel (model JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3Model (model JinaEmbeddingsV3Config)
- kimi_k25 — Kimi_K25Model (model Kimi_K25Config)
- kimi_k25_vision — Kimi_K25VisionModel (model Kimi_K25VisionConfig)
- kimi_linear — KimiLinearModel (model KimiLinearConfig)
- kolibri1 — Kolibri1Model (model Kolibri1Config)
- kosmos-2 — Kosmos2Model (model Kosmos2Config)
- kosmos-2.5 — Kosmos2_5Model (model Kosmos2_5Config)
- kyutai_speech_to_text — KyutaiSpeechToTextModel (model KyutaiSpeechToTextConfig)
- laguna — LagunaModel (model LagunaConfig)
- lasr_ctc — LasrForCTC (model LasrCTCConfig)
- lasr_encoder — LasrEncoder (model LasrEncoderConfig)
- layoutlm — LayoutLMModel (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Model (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Model (model LayoutLMv3Config)
- led — LEDModel (model LEDConfig)
- levit — LevitModel (model LevitConfig)
- lfm2 — Lfm2Model (model Lfm2Config)
- lfm2_moe — Lfm2MoeModel (model Lfm2MoeConfig)
- lfm2_vl — Lfm2VlModel (model Lfm2VlConfig)
- lightglue — LightGlueForKeypointMatching (model LightGlueConfig)
- lighton_ocr — LightOnOcrModel (model LightOnOcrConfig)
- lilt — LiltModel (model LiltConfig)
- llama — LlamaModel (model LlamaConfig)
- llama4 — Llama4ForConditionalGeneration (model Llama4Config)
- llama4_text — Llama4TextModel (model Llama4TextConfig)
- llava — LlavaModel (model LlavaConfig)
- llava_next — LlavaNextModel (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoModel (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionModel (model LlavaOnevisionConfig)
- longcat_flash — LongcatFlashModel (model LongcatFlashConfig)
- longformer — LongformerModel (model LongformerConfig)
- longt5 — LongT5Model (model LongT5Config)
- luke — LukeModel (model LukeConfig)
- lw_detr — LwDetrModel (model LwDetrConfig)
- lxmert — LxmertModel (model LxmertConfig)
- m2m_100 — M2M100Model (model M2M100Config)
- mamba — MambaModel (model MambaConfig)
- mamba2 — Mamba2Model (model Mamba2Config)
- marian — MarianModel (model MarianConfig)
- markuplm — MarkupLMModel (model MarkupLMConfig)
- mask2former — Mask2FormerModel (model Mask2FormerConfig)
- maskformer — MaskFormerModel (model MaskFormerConfig)
- maskformer-swin —
MaskFormerSwinModel(model MaskFormerSwinConfig) - mbart — MBartModel (model MBartConfig)
- megatron-bert — MegatronBertModel (model MegatronBertConfig)
- mellum — MellumModel (model MellumConfig)
- metaclip_2 — MetaClip2Model (model MetaClip2Config)
- mgp-str — MgpstrForSceneTextRecognition (model MgpstrConfig)
- mimi — MimiModel (model MimiConfig)
- mimi_decoder — MimiDecoderModel (model MimiDecoderConfig)
- mimi_encoder — MimiEncoderModel (model MimiEncoderConfig)
- mimo_v2_flash — MiMoV2FlashModel (model MiMoV2FlashConfig)
- minicpm3 — MiniCPM3Model (model MiniCPM3Config)
- minicpm_ocr — MiniCPMOcrModel (model MiniCPMOcrConfig)
- minicpm_ocr_vision — MiniCPMOcrVisionModel (model MiniCPMOcrVisionConfig)
- minicpmv4_6 — MiniCPMV4_6Model (model MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7Model (model MiniCPMV4_7Config)
- minicpmv4_7_vision — MiniCPMV4_7VisionModel (model MiniCPMV4_7VisionConfig)
- minimax — MiniMaxModel (model MiniMaxConfig)
- minimax_m2 — MiniMaxM2Model (model MiniMaxM2Config)
- minimax_m3_vl — MiniMaxM3VLModel (model MiniMaxM3VLConfig)
- minimax_m3_vl_text — MiniMaxM3VLTextModel (model MiniMaxM3VLTextConfig)
- ministral — MinistralModel (model MinistralConfig)
- ministral3 — Ministral3Model (model Ministral3Config)
- mistral — MistralModel (model MistralConfig)
- mistral3 — Mistral3Model (model Mistral3Config)
- mistral4 — Mistral4Model (model Mistral4Config)
- mistral_large4 — MistralLarge4Model (model MistralLarge4Config)
- mistral_large4_text — MistralLarge4TextModel (model MistralLarge4TextConfig)
- mixtral — MixtralModel (model MixtralConfig)
- mlcd — MLCDVisionModel (model MLCDVisionConfig)
- mlcd_vision_model — MLCDVisionModel (model MLCDVisionConfig)
- mllama — MllamaModel (model MllamaConfig)
- mm-grounding-dino — MMGroundingDinoModel (model MMGroundingDinoConfig)
- mobilebert — MobileBertModel (model MobileBertConfig)
- mobilenet_v1 — MobileNetV1Model (model MobileNetV1Config)
- mobilenet_v2 — MobileNetV2Model (model MobileNetV2Config)
- mobilevit — MobileViTModel (model MobileViTConfig)
- mobilevitv2 — MobileViTV2Model (model MobileViTV2Config)
- modernbert — ModernBertModel (model ModernBertConfig)
- modernbert-decoder — ModernBertDecoderModel (model ModernBertDecoderConfig)
- modernvbert — ModernVBertModel (model ModernVBertConfig)
- molmo2 — Molmo2Model (model Molmo2Config)
- molmo2_text — Molmo2TextModel (model Molmo2TextConfig)
- moonshine — MoonshineModel (model MoonshineConfig)
- moonshine_streaming — MoonshineStreamingModel (model MoonshineStreamingConfig)
- moshi — MoshiModel (model MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeModel (model MossTranscribeDiarizeConfig)
- moss_transcribe_diarize_audio — MossTranscribeDiarizeAudioModel (model MossTranscribeDiarizeAudioConfig)
- mpnet — MPNetModel (model MPNetConfig)
- mpt — MptModel (model MptConfig)
- mra — MraModel (model MraConfig)
- mt5 — MT5Model (model MT5Config)
- muse_glimmer — MuseGlimmerModel (model MuseGlimmerConfig)
- muse_glimmer_assistant — MuseGlimmerAssistantModel (model MuseGlimmerAssistantConfig)
- muse_glimmer_text — MuseGlimmerTextModel (model MuseGlimmerTextConfig)
- muse_glimmer_vision — MuseGlimmerVisionModel (model MuseGlimmerVisionConfig)
- muse_spark — MuseSparkModel (model MuseSparkConfig)
- muse_spark_audio — MuseSparkAudioModel (model MuseSparkAudioConfig)
- muse_spark_text — MuseSparkTextModel (model MuseSparkTextConfig)
- muse_spark_vision — MuseSparkVisionModel (model MuseSparkVisionConfig)
- musicflamingo — MusicFlamingoModel (model MusicFlamingoConfig)
- musicgen — MusicgenModel (model MusicgenConfig)
- musicgen_melody — MusicgenMelodyModel (model MusicgenMelodyConfig)
- mvp — MvpModel (model MvpConfig)
- nanochat — NanoChatModel (model NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeModel (model Nemotron3_5TranscribeConfig)
- nemotron — NemotronModel (model NemotronConfig)
- nemotron3_5_asr — Nemotron3_5AsrForRNNT (model Nemotron3_5AsrConfig)
- nemotron3_5_transcribe_asr_audio — Nemotron3_5TranscribeAsrAudioModel (model Nemotron3_5TranscribeAsrAudioConfig)
- nemotron3_5_transcribe_audio — Nemotron3_5TranscribeAudioModel (model Nemotron3_5TranscribeAudioConfig)
- nemotron3_5_transcribe_word_timestamp — Nemotron3_5TranscribeWordTimestampModel (model Nemotron3_5TranscribeWordTimestampConfig)
- nemotron3_diarization — Nemotron3DiarizationModel (model Nemotron3DiarizationConfig)
- nemotron3_diarization_audio — Nemotron3DiarizationAudioModel (model Nemotron3DiarizationAudioConfig)
- nemotron_asr_streaming — NemotronAsrStreamingForRNNT (model NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingEncoder (model NemotronAsrStreamingEncoderConfig)
- nemotron_h — NemotronHModel (model NemotronHConfig)
- neomme — NeoMMEModel (model NeoMMEConfig)
- neucodec — NeuCodecModel (model NeuCodecConfig)
- nllb-moe — NllbMoeModel (model NllbMoeConfig)
- nomic_bert — NomicBertModel (model NomicBertConfig)
- nystromformer — NystromformerModel (model NystromformerConfig)
- olmo — OlmoModel (model OlmoConfig)
- olmo2 — Olmo2Model (model Olmo2Config)
- olmo3 — Olmo3Model (model Olmo3Config)
- olmo_hybrid — OlmoHybridModel (model OlmoHybridConfig)
- olmoe — OlmoeModel (model OlmoeConfig)
- omdet-turbo — OmDetTurboForObjectDetection (model OmDetTurboConfig)
- oneformer — OneFormerModel (model OneFormerConfig)
- openai-gpt — OpenAIGPTModel (model OpenAIGPTConfig)
- openai_privacy_filter — OpenAIPrivacyFilterModel (model OpenAIPrivacyFilterConfig)
- opt — OPTModel (model OPTConfig)
- ovis2 — Ovis2Model (model Ovis2Config)
- owlv2 — Owlv2Model (model Owlv2Config)
- owlvit — OwlViTModel (model OwlViTConfig)
- paddleocr_vl — PaddleOCRVLModel (model PaddleOCRVLConfig)
- paligemma — PaliGemmaModel (model PaliGemmaConfig)
- parakeet_ctc — ParakeetForCTC (model ParakeetCTCConfig)
- parakeet_encoder — ParakeetEncoder (model ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetForRNNT (model ParakeetRNNTConfig)
- parakeet_tdt — ParakeetForTDT (model ParakeetTDTConfig)
- patchtsmixer — PatchTSMixerModel (model PatchTSMixerConfig)
- patchtst — PatchTSTModel (model PatchTSTConfig)
- pe_audio — PeAudioModel (model PeAudioConfig)
- pe_audio_encoder — PeAudioEncoder (model PeAudioEncoderConfig)
- pe_audio_video — PeAudioVideoModel (model PeAudioVideoConfig)
- pe_audio_video_encoder — PeAudioVideoEncoder (model PeAudioVideoEncoderConfig)
- pe_video — PeVideoModel (model PeVideoConfig)
- pe_video_encoder — PeVideoEncoder (model PeVideoEncoderConfig)
- pegasus — PegasusModel (model PegasusConfig)
- pegasus_x — PegasusXModel (model PegasusXConfig)
- perceiver — PerceiverModel (model PerceiverConfig)
- perception_lm — PerceptionLMModel (model PerceptionLMConfig)
- persimmon — PersimmonModel (model PersimmonConfig)
- phi — PhiModel (model PhiConfig)
- phi3 — Phi3Model (model Phi3Config)
- phi4_multimodal — Phi4MultimodalModel (model Phi4MultimodalConfig)
- phimoe — PhimoeModel (model PhimoeConfig)
- pi0 — PI0Model (model PI0Config)
- pixio — PixioModel (model PixioConfig)
- pixtral — PixtralVisionModel (model PixtralVisionConfig)
- plbart — PLBartModel (model PLBartConfig)
- pocket_tts — PocketTTSModel (model PocketTTSConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerModel (model PocketTTSAudioTokenizerConfig)
- pocket_tts_audio_tokenizer_decoder — PocketTTSAudioTokenizerDecoderModel (model PocketTTSAudioTokenizerDecoderConfig)
- pocket_tts_audio_tokenizer_encoder — PocketTTSAudioTokenizerEncoderModel (model PocketTTSAudioTokenizerEncoderConfig)
- poolformer — PoolFormerModel (model PoolFormerConfig)
- pp_doclayout_v3 — PPDocLayoutV3Model (model PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4Model (model PPDocLayoutV4Config)
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecModel (model PPOCRV5MobileRecConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecModel (model PPOCRV5ServerRecConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetModel (model PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetModel (model PPOCRV6SmallDetConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecModel (model PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecModel (model PPOCRV6TinyRecConfig)
- prophetnet — ProphetNetModel (model ProphetNetConfig)
- pvt — PvtModel (model PvtConfig)
- pvt_v2 — PvtV2Model (model PvtV2Config)
- qianfan_ocr — QianfanOCRModel (model QianfanOCRConfig)
- qianfan_ocr_vision — QianfanOCRVisionModel (model QianfanOCRVisionConfig)
- qwen2 — Qwen2Model (model Qwen2Config)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerModel (model Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLModel (model Qwen2_5_VLConfig)
- qwen2_5_vl_text — Qwen2_5_VLTextModel (model Qwen2_5_VLTextConfig)
- qwen2_5_vl_vision — Qwen2_5_VisionTransformerPretrainedModel (model Qwen2_5_VLVisionConfig)
- qwen2_audio — Qwen2AudioModel (model Qwen2AudioConfig)
- qwen2_audio_encoder — Qwen2AudioEncoder (model Qwen2AudioEncoderConfig)
- qwen2_moe — Qwen2MoeModel (model Qwen2MoeConfig)
- qwen2_vl — Qwen2VLModel (model Qwen2VLConfig)
- qwen2_vl_text — Qwen2VLTextModel (model Qwen2VLTextConfig)
- qwen3 — Qwen3Model (model Qwen3Config)
- qwen3_5 — Qwen3_5Model (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeModel (model Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeTextModel (model Qwen3_5MoeTextConfig)
- qwen3_5_moe_vision — Qwen3_5MoeVisionModel (model Qwen3_5MoeVisionConfig)
- qwen3_5_text — Qwen3_5TextModel (model Qwen3_5TextConfig)
- qwen3_5_vision — Qwen3_5VisionModel (model Qwen3_5VisionConfig)
- qwen3_asr — Qwen3ASRModel (model Qwen3ASRConfig)
- qwen3_asr_encoder — Qwen3ASREncoder (model Qwen3ASREncoderConfig)
- qwen3_moe — Qwen3MoeModel (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextModel (model Qwen3NextConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerModel (model Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLModel (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeModel (model Qwen3VLMoeConfig)
- qwen3_vl_moe_text — Qwen3VLMoeTextModel (model Qwen3VLMoeTextConfig)
- qwen3_vl_moe_vision — Qwen3VLMoeVisionModel (model Qwen3VLMoeVisionConfig)
- qwen3_vl_text — Qwen3VLTextModel (model Qwen3VLTextConfig)
- qwen3_vl_vision — Qwen3VLVisionModel (model Qwen3VLVisionConfig)
- qwen4_exp — Qwen4ExpModel (model Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpTextModel (model Qwen4ExpTextConfig)
- qwen4_exp_vision — Qwen4ExpVisionModel (model Qwen4ExpVisionConfig)
- radio — RadioModel (model RadioConfig)
- recurrent_gemma — RecurrentGemmaModel (model RecurrentGemmaConfig)
- reformer — ReformerModel (model ReformerConfig)
- regnet — RegNetModel (model RegNetConfig)
- rembert — RemBertModel (model RemBertConfig)
- resnet — ResNetModel (model ResNetConfig)
- rf_detr — RfDetrModel (model RfDetrConfig)
- roberta — RobertaModel (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormModel (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertModel (model RoCBertConfig)
- roformer — RoFormerModel (model RoFormerConfig)
- rt_detr — RTDetrModel (model RTDetrConfig)
- rt_detr_v2 — RTDetrV2Model (model RTDetrV2Config)
- rwkv — RwkvModel (model RwkvConfig)
- sam — SamModel (model SamConfig)
- sam2 — Sam2Model (model Sam2Config)
- sam2_hiera_det_model — Sam2HieraDetModel (model Sam2HieraDetConfig)
- sam2_video — Sam2VideoModel (model Sam2VideoConfig)
- sam2_vision_model — Sam2VisionModel (model Sam2VisionConfig)
- sam3 — Sam3Model (model Sam3Config)
- sam3_lite_text — Sam3LiteTextModel (model Sam3LiteTextConfig)
- sam3_lite_text_text_model — Sam3LiteTextTextModel (model Sam3LiteTextTextConfig)
- sam3_tracker — Sam3TrackerModel (model Sam3TrackerConfig)
- sam3_tracker_video — Sam3TrackerVideoModel (model Sam3TrackerVideoConfig)
- sam3_video — Sam3VideoModel (model Sam3VideoConfig)
- sam3_vision_model — Sam3VisionModel (model Sam3VisionConfig)
- sam3_vit_model — Sam3ViTModel (model Sam3ViTConfig)
- sam_hq — SamHQModel (model SamHQConfig)
- sam_hq_vision_model — SamHQVisionModel (model SamHQVisionConfig)
- sam_vision_model — SamVisionModel (model SamVisionConfig)
- sapiens2 — Sapiens2Model (model Sapiens2Config)
- seamless_m4t — SeamlessM4TModel (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2Model (model SeamlessM4Tv2Config)
- seed_oss — SeedOssModel (model SeedOssConfig)
- segformer — SegformerModel (model SegformerConfig)
- seggpt — SegGptModel (model SegGptConfig)
- sew — SEWModel (model SEWConfig)
- sew-d — SEWDModel (model SEWDConfig)
- siglip — SiglipModel (model SiglipConfig)
- siglip2 — Siglip2Model (model Siglip2Config)
- siglip2_vision_model — Siglip2VisionModel (model Siglip2VisionConfig)
- siglip_vision_model — SiglipVisionModel (model SiglipVisionConfig)
- smollm3 — SmolLM3Model (model SmolLM3Config)
- smolvlm — SmolVLMModel (model SmolVLMConfig)
- smolvlm_vision — SmolVLMVisionTransformer (model SmolVLMVisionConfig)
- solar_open — SolarOpenModel (model SolarOpenConfig)
- speech_to_text — Speech2TextModel (model Speech2TextConfig)
- speecht5 — SpeechT5Model (model SpeechT5Config)
- splinter — SplinterModel (model SplinterConfig)
- squeezebert — SqueezeBertModel (model SqueezeBertConfig)
- stablelm — StableLmModel (model StableLmConfig)
- starcoder2 — Starcoder2Model (model Starcoder2Config)
- step3p7 — Step3p7Model (model Step3p7Config)
- swiftformer — SwiftFormerModel (model SwiftFormerConfig)
- swin — SwinModel (model SwinConfig)
- swin2sr — Swin2SRModel (model Swin2SRConfig)
- swinv2 — Swinv2Model (model Swinv2Config)
- switch_transformers — SwitchTransformersModel (model SwitchTransformersConfig)
- t5 — T5Model (model T5Config)
- t5gemma — T5GemmaModel (model T5GemmaConfig)
- t5gemma2 — T5Gemma2Model (model T5Gemma2Config)
- t5gemma2_encoder —
T5Gemma2Encoder(model T5Gemma2EncoderConfig) - table-transformer — TableTransformerModel (model TableTransformerConfig)
- tapas — TapasModel (model TapasConfig)
- textnet — TextNetModel (model TextNetConfig)
- time_series_transformer — TimeSeriesTransformerModel (model TimeSeriesTransformerConfig)
- timesfm — TimesFmModel (model TimesFmConfig)
- timesfm2_5 — TimesFm2_5Model (model TimesFm2_5Config)
- timesformer — TimesformerModel (model TimesformerConfig)
- timm_backbone — TimmBackbone (model TimmBackboneConfig)
- timm_wrapper — TimmWrapperModel (model TimmWrapperConfig)
- tipsv2 — Tipsv2Model (model Tipsv2Config)
- tipsv2_text_model — Tipsv2TextModel (model Tipsv2TextConfig)
- tipsv2_vision_model — Tipsv2VisionModel (model Tipsv2VisionConfig)
- tvp — TvpModel (model TvpConfig)
- udop — UdopModel (model UdopConfig)
- ultrabert — UltrabertModel (model UltrabertConfig)
- ultravbert — UltraVBertModel (model UltraVBertConfig)
- umt5 — UMT5Model (model UMT5Config)
- unispeech — UniSpeechModel (model UniSpeechConfig)
- unispeech-sat — UniSpeechSatModel (model UniSpeechSatConfig)
- univnet — UnivNetModel (model UnivNetConfig)
- unlimited_ocr — UnlimitedOcrModel (model UnlimitedOcrConfig)
- uvdoc — UVDocModel (model UVDocConfig)
- vaultgemma — VaultGemmaModel (model VaultGemmaConfig)
- vibevoice — VibeVoiceForConditionalGeneration (model VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerModel (model VibeVoiceAcousticTokenizerConfig)
- vibevoice_acoustic_tokenizer_decoder — VibeVoiceAcousticTokenizerDecoderModel (model VibeVoiceAcousticTokenizerDecoderConfig)
- vibevoice_acoustic_tokenizer_encoder — VibeVoiceAcousticTokenizerEncoderModel (model VibeVoiceAcousticTokenizerEncoderConfig)
- vibevoice_asr — VibeVoiceAsrModel (model VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3Model (model VideoLlama3Config)
- video_llama_3_vision — VideoLlama3VisionModel (model VideoLlama3VisionConfig)
- video_llava — VideoLlavaModel (model VideoLlavaConfig)
- videomae — VideoMAEModel (model VideoMAEConfig)
- videoprism — VideoPrismClipModel (model VideoPrismConfig)
- videoprism_vision_model — VideoPrismVisionModel (model VideoPrismVisionConfig)
- vilt — ViltModel (model ViltConfig)
- vipllava — VipLlavaModel (model VipLlavaConfig)
- vision-text-dual-encoder — VisionTextDualEncoderModel (model VisionTextDualEncoderConfig)
- visual_bert — VisualBertModel (model VisualBertConfig)
- vit — ViTModel (model ViTConfig)
- vit_mae — ViTMAEModel (model ViTMAEConfig)
- vit_msn — ViTMSNModel (model ViTMSNConfig)
- vitdet — VitDetModel (model VitDetConfig)
- vits — VitsModel (model VitsConfig)
- vivit — VivitModel (model VivitConfig)
- vjepa2 — VJEPA2Model (model VJEPA2Config)
- voxtral — VoxtralModel (model VoxtralConfig)
- voxtral_encoder — VoxtralEncoder (model VoxtralEncoderConfig)
- voxtral_realtime — VoxtralRealtimeModel (model VoxtralRealtimeConfig)
- voxtral_realtime_encoder — VoxtralRealtimeEncoder (model VoxtralRealtimeEncoderConfig)
- voxtral_realtime_text —
VoxtralRealtimeTextModel(model VoxtralRealtimeTextConfig) - wav2vec2 — Wav2Vec2Model (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertModel (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerModel (model Wav2Vec2ConformerConfig)
- wavlm — WavLMModel (model WavLMConfig)
- whisper — WhisperModel (model WhisperConfig)
- xclip — XCLIPModel (model XCLIPConfig)
- xcodec — XcodecModel (model XcodecConfig)
- xcodec2 — Xcodec2Model (model Xcodec2Config)
- xglm — XGLMModel (model XGLMConfig)
- xlm — XLMModel (model XLMConfig)
- xlm-roberta — XLMRobertaModel (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLModel (model XLMRobertaXLConfig)
- xlnet — XLNetModel (model XLNetConfig)
- xlstm — xLSTMModel (model xLSTMConfig)
- xmod — XmodModel (model XmodConfig)
- yolos — YolosModel (model YolosConfig)
- yoso — YosoModel (model YosoConfig)
- youtu — YoutuModel (model YoutuConfig)
- zamba — ZambaModel (model ZambaConfig)
- zamba2 — Zamba2Model (model Zamba2Config)
- zaya — ZayaModel (model ZayaConfig)
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
TrueKelas pra-pelatihan generik
Kelas auto berikut tersedia untuk menginstansiasi model dengan kepala pra-pelatihan.
AutoModelForPreTraining
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AlbertConfig: AlbertForPreTraining (model AlbertConfig)
- Kelas konfigurasi AudioFlamingo3Config: AudioFlamingo3ForConditionalGeneration (model AudioFlamingo3Config)
- Kelas konfigurasi BartConfig: BartForConditionalGeneration (model BartConfig)
- Kelas konfigurasi BertConfig: BertForPreTraining (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForPreTraining (model BigBirdConfig)
- Kelas konfigurasi BloomConfig: BloomForCausalLM (model BloomConfig)
- Kelas konfigurasi CTRLConfig: CTRLLMHeadModel (model CTRLConfig)
- Kelas konfigurasi CamembertConfig: CamembertForMaskedLM (model CamembertConfig)
- Kelas konfigurasi ColModernVBertConfig: ColModernVBertForRetrieval (model ColModernVBertConfig)
- Kelas konfigurasi ColPaliConfig: ColPaliForRetrieval (model ColPaliConfig)
- Kelas konfigurasi ColQwen2Config: ColQwen2ForRetrieval (model ColQwen2Config)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForMaskedLM (model Data2VecTextConfig)
- Kelas konfigurasi DebertaConfig: DebertaForMaskedLM (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForMaskedLM (model DebertaV2Config)
- Kelas konfigurasi DistilBertConfig: DistilBertForMaskedLM (model DistilBertConfig)
- Kelas konfigurasi ElectraConfig: ElectraForPreTraining (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForPreTraining (model ErnieConfig)
- Kelas konfigurasi EvollaConfig: EvollaForProteinText2Text (model EvollaConfig)
- Kelas konfigurasi Exaone4Config: Exaone4ForCausalLM (model Exaone4Config)
- Kelas konfigurasi ExaoneMoeConfig: ExaoneMoeForCausalLM (model ExaoneMoeConfig)
- Kelas konfigurasi FNetConfig: FNetForPreTraining (model FNetConfig)
- Kelas konfigurasi FSMTConfig: FSMTForConditionalGeneration (model FSMTConfig)
- Kelas konfigurasi FalconMambaConfig: FalconMambaForCausalLM (model FalconMambaConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertWithLMHeadModel (model FlaubertConfig)
- Kelas konfigurasi FlavaConfig: FlavaForPreTraining (model FlavaConfig)
- Kelas konfigurasi Florence2Config: Florence2ForConditionalGeneration (model Florence2Config)
- Kelas konfigurasi FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- Kelas konfigurasi FunnelConfig: FunnelForPreTraining (model FunnelConfig)
- Kelas konfigurasi GPT2Config: GPT2LMHeadModel (model GPT2Config)
- Kelas konfigurasi GPTBigCodeConfig: GPTBigCodeForCausalLM (model GPTBigCodeConfig)
- Kelas konfigurasi Gemma3Config: Gemma3ForConditionalGeneration (model Gemma3Config)
- Kelas konfigurasi Gemma4Config: Gemma4ForConditionalGeneration (model Gemma4Config)
- Kelas konfigurasi Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- Kelas konfigurasi GlmAsrConfig: GlmAsrForConditionalGeneration (model GlmAsrConfig)
- Kelas konfigurasi HieraConfig: HieraForPreTraining (model HieraConfig)
- Kelas konfigurasi IBertConfig: IBertForMaskedLM (model IBertConfig)
- Kelas konfigurasi Idefics2Config: Idefics2ForConditionalGeneration (model Idefics2Config)
- Kelas konfigurasi Idefics3Config: Idefics3ForConditionalGeneration (model Idefics3Config)
- Kelas konfigurasi IdeficsConfig: IdeficsForVisionText2Text (model IdeficsConfig)
- Kelas konfigurasi InklingConfig: InklingForConditionalGeneration (model InklingConfig)
- Kelas konfigurasi JanusConfig: JanusForConditionalGeneration (model JanusConfig)
- Kelas konfigurasi LayoutLMConfig: LayoutLMForMaskedLM (model LayoutLMConfig)
- Kelas konfigurasi LlavaConfig: LlavaForConditionalGeneration (model LlavaConfig)
- Kelas konfigurasi LlavaNextConfig: LlavaNextForConditionalGeneration (model LlavaNextConfig)
- Kelas konfigurasi LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- Kelas konfigurasi LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- Kelas konfigurasi LongformerConfig: LongformerForMaskedLM (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForMaskedLM (model LukeConfig)
- Kelas konfigurasi LxmertConfig: LxmertForPreTraining (model LxmertConfig)
- Kelas konfigurasi MPNetConfig: MPNetForMaskedLM (model MPNetConfig)
- Kelas konfigurasi Mamba2Config: Mamba2ForCausalLM (model Mamba2Config)
- Kelas konfigurasi MambaConfig: MambaForCausalLM (model MambaConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForPreTraining (model MegatronBertConfig)
- Kelas konfigurasi Mistral3Config: Mistral3ForConditionalGeneration (model Mistral3Config)
- Kelas konfigurasi Mistral4Config: Mistral4ForCausalLM (model Mistral4Config)
- Kelas konfigurasi MistralLarge4Config: MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- Kelas konfigurasi MllamaConfig: MllamaForConditionalGeneration (model MllamaConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForPreTraining (model MobileBertConfig)
- Kelas konfigurasi MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- Kelas konfigurasi MptConfig: MptForCausalLM (model MptConfig)
- Kelas konfigurasi MraConfig: MraForMaskedLM (model MraConfig)
- Kelas konfigurasi MusicFlamingoConfig: MusicFlamingoForConditionalGeneration (model MusicFlamingoConfig)
- Kelas konfigurasi MvpConfig: MvpForConditionalGeneration (model MvpConfig)
- Kelas konfigurasi NanoChatConfig: NanoChatForCausalLM (model NanoChatConfig)
- Kelas konfigurasi Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- Kelas konfigurasi NllbMoeConfig: NllbMoeForConditionalGeneration (model NllbMoeConfig)
- Kelas konfigurasi OpenAIGPTConfig: OpenAIGPTLMHeadModel (model OpenAIGPTConfig)
- Kelas konfigurasi PaliGemmaConfig: PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- Kelas konfigurasi Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForPreTraining (model RoCBertConfig)
- Kelas konfigurasi RobertaConfig: RobertaForMaskedLM (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForMaskedLM (model RobertaPreLayerNormConfig)
- Kelas konfigurasi RwkvConfig: RwkvForCausalLM (model RwkvConfig)
- Kelas konfigurasi SplinterConfig: SplinterForPreTraining (model SplinterConfig)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForMaskedLM (model SqueezeBertConfig)
- Kelas konfigurasi SwitchTransformersConfig: SwitchTransformersForConditionalGeneration (model SwitchTransformersConfig)
- Kelas konfigurasi T5Config: T5ForConditionalGeneration (model T5Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- Kelas konfigurasi T5GemmaConfig: T5GemmaForConditionalGeneration (model T5GemmaConfig)
- Kelas konfigurasi TapasConfig: TapasForMaskedLM (model TapasConfig)
- Kelas konfigurasi UniSpeechConfig: UniSpeechForPreTraining (model UniSpeechConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatForPreTraining (model UniSpeechSatConfig)
- Kelas konfigurasi ViTMAEConfig: ViTMAEForPreTraining (model ViTMAEConfig)
- Kelas konfigurasi VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- Kelas konfigurasi VideoLlavaConfig: VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- Kelas konfigurasi VideoMAEConfig: VideoMAEForPreTraining (model VideoMAEConfig)
- Kelas konfigurasi VipLlavaConfig: VipLlavaForConditionalGeneration (model VipLlavaConfig)
- Kelas konfigurasi VisualBertConfig: VisualBertForPreTraining (model VisualBertConfig)
- Kelas konfigurasi VoxtralConfig: VoxtralForConditionalGeneration (model VoxtralConfig)
- Kelas konfigurasi VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2ForPreTraining (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerForPreTraining (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi XLMConfig: XLMWithLMHeadModel (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForMaskedLM (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForMaskedLM (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetLMHeadModel (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForMaskedLM (model XmodConfig)
- Kelas konfigurasi xLSTMConfig: xLSTMForCausalLM (model xLSTMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForPreTraining (model AlbertConfig)
- audioflamingo3 — AudioFlamingo3ForConditionalGeneration (model AudioFlamingo3Config)
- bart — BartForConditionalGeneration (model BartConfig)
- bert — BertForPreTraining (model BertConfig)
- big_bird — BigBirdForPreTraining (model BigBirdConfig)
- bloom — BloomForCausalLM (model BloomConfig)
- camembert — CamembertForMaskedLM (model CamembertConfig)
- colmodernvbert — ColModernVBertForRetrieval (model ColModernVBertConfig)
- colpali — ColPaliForRetrieval (model ColPaliConfig)
- colqwen2 — ColQwen2ForRetrieval (model ColQwen2Config)
- ctrl — CTRLLMHeadModel (model CTRLConfig)
- data2vec-text — Data2VecTextForMaskedLM (model Data2VecTextConfig)
- deberta — DebertaForMaskedLM (model DebertaConfig)
- deberta-v2 — DebertaV2ForMaskedLM (model DebertaV2Config)
- distilbert — DistilBertForMaskedLM (model DistilBertConfig)
- electra — ElectraForPreTraining (model ElectraConfig)
- ernie — ErnieForPreTraining (model ErnieConfig)
- evolla — EvollaForProteinText2Text (model EvollaConfig)
- exaone4 — Exaone4ForCausalLM (model Exaone4Config)
- exaone_moe — ExaoneMoeForCausalLM (model ExaoneMoeConfig)
- falcon_mamba — FalconMambaForCausalLM (model FalconMambaConfig)
- flaubert — FlaubertWithLMHeadModel (model FlaubertConfig)
- flava — FlavaForPreTraining (model FlavaConfig)
- florence2 — Florence2ForConditionalGeneration (model Florence2Config)
- fnet — FNetForPreTraining (model FNetConfig)
- fsmt — FSMTForConditionalGeneration (model FSMTConfig)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- funnel — FunnelForPreTraining (model FunnelConfig)
- gemma3 — Gemma3ForConditionalGeneration (model Gemma3Config)
- gemma4 — Gemma4ForConditionalGeneration (model Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- glmasr — GlmAsrForConditionalGeneration (model GlmAsrConfig)
- gpt-sw3 — GPT2LMHeadModel (model GPT2Config)
- gpt2 — GPT2LMHeadModel (model GPT2Config)
- gpt_bigcode — GPTBigCodeForCausalLM (model GPTBigCodeConfig)
- hiera — HieraForPreTraining (model HieraConfig)
- ibert — IBertForMaskedLM (model IBertConfig)
- idefics — IdeficsForVisionText2Text (model IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (model Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (model Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (model InklingConfig)
- janus — JanusForConditionalGeneration (model JanusConfig)
- layoutlm — LayoutLMForMaskedLM (model LayoutLMConfig)
- llava — LlavaForConditionalGeneration (model LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- longformer — LongformerForMaskedLM (model LongformerConfig)
- luke — LukeForMaskedLM (model LukeConfig)
- lxmert — LxmertForPreTraining (model LxmertConfig)
- mamba — MambaForCausalLM (model MambaConfig)
- mamba2 — Mamba2ForCausalLM (model Mamba2Config)
- megatron-bert — MegatronBertForPreTraining (model MegatronBertConfig)
- mistral3 — Mistral3ForConditionalGeneration (model Mistral3Config)
- mistral4 — Mistral4ForCausalLM (model Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (model MllamaConfig)
- mobilebert — MobileBertForPreTraining (model MobileBertConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- mpnet — MPNetForMaskedLM (model MPNetConfig)
- mpt — MptForCausalLM (model MptConfig)
- mra — MraForMaskedLM (model MraConfig)
- musicflamingo — MusicFlamingoForConditionalGeneration (model MusicFlamingoConfig)
- mvp — MvpForConditionalGeneration (model MvpConfig)
- nanochat — NanoChatForCausalLM (model NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- nllb-moe — NllbMoeForConditionalGeneration (model NllbMoeConfig)
- openai-gpt — OpenAIGPTLMHeadModel (model OpenAIGPTConfig)
- paligemma — PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- roberta — RobertaForMaskedLM (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMaskedLM (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForPreTraining (model RoCBertConfig)
- rwkv — RwkvForCausalLM (model RwkvConfig)
- splinter — SplinterForPreTraining (model SplinterConfig)
- squeezebert — SqueezeBertForMaskedLM (model SqueezeBertConfig)
- switch_transformers — SwitchTransformersForConditionalGeneration (model SwitchTransformersConfig)
- t5 — T5ForConditionalGeneration (model T5Config)
- t5gemma — T5GemmaForConditionalGeneration (model T5GemmaConfig)
- t5gemma2 — T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- tapas — TapasForMaskedLM (model TapasConfig)
- unispeech — UniSpeechForPreTraining (model UniSpeechConfig)
- unispeech-sat — UniSpeechSatForPreTraining (model UniSpeechSatConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- video_llava — VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- videomae — VideoMAEForPreTraining (model VideoMAEConfig)
- vipllava — VipLlavaForConditionalGeneration (model VipLlavaConfig)
- visual_bert — VisualBertForPreTraining (model VisualBertConfig)
- vit_mae — ViTMAEForPreTraining (model ViTMAEConfig)
- voxtral — VoxtralForConditionalGeneration (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2ForPreTraining (model Wav2Vec2Config)
- wav2vec2-conformer — Wav2Vec2ConformerForPreTraining (model Wav2Vec2ConformerConfig)
- xlm — XLMWithLMHeadModel (model XLMConfig)
- xlm-roberta — XLMRobertaForMaskedLM (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMaskedLM (model XLMRobertaXLConfig)
- xlnet — XLNetLMHeadModel (model XLNetConfig)
- xlstm — xLSTMForCausalLM (model xLSTMConfig)
- xmod — XmodForMaskedLM (model XmodConfig)
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
TruePemrosesan Bahasa Alami
Kelas auto berikut tersedia untuk tugas pemrosesan bahasa alami berikut.
AutoModelForCausalLM
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AXK1Config: AXK1ForCausalLM (model AXK1Config)
- Kelas konfigurasi AXK2Config: AXK2ForCausalLM (model AXK2Config)
- Kelas konfigurasi AfmoeConfig: AfmoeForCausalLM (model AfmoeConfig)
- Kelas konfigurasi ApertusConfig: ApertusForCausalLM (model ApertusConfig)
- Kelas konfigurasi ArceeConfig: ArceeForCausalLM (model ArceeConfig)
- Kelas konfigurasi AriaTextConfig: AriaTextForCausalLM (model AriaTextConfig)
- Kelas konfigurasi BailingHybridConfig: BailingHybridForCausalLM (model BailingHybridConfig)
- Kelas konfigurasi BambaConfig: BambaForCausalLM (model BambaConfig)
- Kelas konfigurasi BartConfig: BartForCausalLM (model BartConfig)
- Kelas konfigurasi BeamConfig: BeamForCausalLM (model BeamConfig)
- Kelas konfigurasi BertConfig: BertLMHeadModel (model BertConfig)
- Kelas konfigurasi BertGenerationConfig: BertGenerationDecoder (model BertGenerationConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForCausalLM (model BigBirdConfig)
- Kelas konfigurasi BigBirdPegasusConfig: BigBirdPegasusForCausalLM (model BigBirdPegasusConfig)
- Kelas konfigurasi BioGptConfig: BioGptForCausalLM (model BioGptConfig)
- Kelas konfigurasi BitNetConfig: BitNetForCausalLM (model BitNetConfig)
- Kelas konfigurasi BlenderbotConfig: BlenderbotForCausalLM (model BlenderbotConfig)
- Kelas konfigurasi BlenderbotSmallConfig: BlenderbotSmallForCausalLM (model BlenderbotSmallConfig)
- Kelas konfigurasi BloomConfig: BloomForCausalLM (model BloomConfig)
- Kelas konfigurasi BltConfig: BltForCausalLM (model BltConfig)
- Kelas konfigurasi CTRLConfig: CTRLLMHeadModel (model CTRLConfig)
- Kelas konfigurasi CamembertConfig: CamembertForCausalLM (model CamembertConfig)
- Kelas konfigurasi CodeGenConfig: CodeGenForCausalLM (model CodeGenConfig)
- Kelas konfigurasi Cohere2Config: Cohere2ForCausalLM (model Cohere2Config)
- Kelas konfigurasi Cohere2MoeConfig: Cohere2MoeForCausalLM (model Cohere2MoeConfig)
- Kelas konfigurasi CohereCompassTextConfig: CohereCompassForCausalLM (model CohereCompassTextConfig)
- Kelas konfigurasi CohereConfig: CohereForCausalLM (model CohereConfig)
- Kelas konfigurasi CpmAntConfig: CpmAntForCausalLM (model CpmAntConfig)
- Kelas konfigurasi CwmConfig: CwmForCausalLM (model CwmConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForCausalLM (model Data2VecTextConfig)
- Kelas konfigurasi DbrxConfig: DbrxForCausalLM (model DbrxConfig)
- Kelas konfigurasi DeepseekV2Config: DeepseekV2ForCausalLM (model DeepseekV2Config)
- Kelas konfigurasi DeepseekV32Config: DeepseekV32ForCausalLM (model DeepseekV32Config)
- Kelas konfigurasi DeepseekV3Config: DeepseekV3ForCausalLM (model DeepseekV3Config)
- Kelas konfigurasi DeepseekV4Config: DeepseekV4ForCausalLM (model DeepseekV4Config)
- Kelas konfigurasi DiffLlamaConfig: DiffLlamaForCausalLM (model DiffLlamaConfig)
- Kelas konfigurasi DogeConfig: DogeForCausalLM (model DogeConfig)
- Kelas konfigurasi Dots1Config: Dots1ForCausalLM (model Dots1Config)
- Kelas konfigurasi ElectraConfig: ElectraForCausalLM (model ElectraConfig)
- Kelas konfigurasi Emu3Config: Emu3ForCausalLM (model Emu3Config)
- Kelas konfigurasi Ernie4_5Config: Ernie4_5ForCausalLM (model Ernie4_5Config)
- Kelas konfigurasi Ernie4_5_MoeConfig: Ernie4_5_MoeForCausalLM (model Ernie4_5_MoeConfig)
- Kelas konfigurasi ErnieConfig: ErnieForCausalLM (model ErnieConfig)
- Kelas konfigurasi Exaone4Config: Exaone4ForCausalLM (model Exaone4Config)
- Kelas konfigurasi ExaoneMoeConfig: ExaoneMoeForCausalLM (model ExaoneMoeConfig)
- Kelas konfigurasi FalconConfig: FalconForCausalLM (model FalconConfig)
- Kelas konfigurasi FalconH1Config: FalconH1ForCausalLM (model FalconH1Config)
- Kelas konfigurasi FalconMambaConfig: FalconMambaForCausalLM (model FalconMambaConfig)
- Kelas konfigurasi FlexOlmoConfig: FlexOlmoForCausalLM (model FlexOlmoConfig)
- Kelas konfigurasi FlintConfig: FlintForCausalLM (model FlintConfig)
- Kelas konfigurasi FuyuConfig: FuyuForCausalLM (model FuyuConfig)
- Kelas konfigurasi GPT2Config: GPT2LMHeadModel (model GPT2Config)
- Kelas konfigurasi GPTBigCodeConfig: GPTBigCodeForCausalLM (model GPTBigCodeConfig)
- Kelas konfigurasi GPTJConfig: GPTJForCausalLM (model GPTJConfig)
- Kelas konfigurasi GPTNeoConfig: GPTNeoForCausalLM (model GPTNeoConfig)
- Kelas konfigurasi GPTNeoXConfig: GPTNeoXForCausalLM (model GPTNeoXConfig)
- Kelas konfigurasi GPTNeoXJapaneseConfig: GPTNeoXJapaneseForCausalLM (model GPTNeoXJapaneseConfig)
- Kelas konfigurasi Gemma2Config: Gemma2ForCausalLM (model Gemma2Config)
- Kelas konfigurasi Gemma3Config: Gemma3ForConditionalGeneration (model Gemma3Config)
- Kelas konfigurasi Gemma3TextConfig: Gemma3ForCausalLM (model Gemma3TextConfig)
- Kelas konfigurasi Gemma3nConfig: Gemma3nForConditionalGeneration (model Gemma3nConfig)
- Kelas konfigurasi Gemma3nTextConfig: Gemma3nForCausalLM (model Gemma3nTextConfig)
- Kelas konfigurasi Gemma4AssistantConfig: Gemma4AssistantForCausalLM (model Gemma4AssistantConfig)
- Kelas konfigurasi Gemma4Config: Gemma4ForConditionalGeneration (model Gemma4Config)
- Kelas konfigurasi Gemma4TextConfig: Gemma4ForCausalLM (model Gemma4TextConfig)
- Kelas konfigurasi Gemma4UnifiedAssistantConfig: Gemma4UnifiedAssistantForCausalLM (model Gemma4UnifiedAssistantConfig)
- Kelas konfigurasi Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- Kelas konfigurasi Gemma4UnifiedTextConfig: Gemma4UnifiedForCausalLM (model Gemma4UnifiedTextConfig)
- Kelas konfigurasi GemmaConfig: GemmaForCausalLM (model GemmaConfig)
- Kelas konfigurasi GitConfig: GitForCausalLM (model GitConfig)
- Kelas konfigurasi Glm4Config: Glm4ForCausalLM (model Glm4Config)
- Kelas konfigurasi Glm4MoeConfig: Glm4MoeForCausalLM (model Glm4MoeConfig)
- Kelas konfigurasi Glm4MoeLiteConfig: Glm4MoeLiteForCausalLM (model Glm4MoeLiteConfig)
- Kelas konfigurasi GlmConfig: GlmForCausalLM (model GlmConfig)
- Kelas konfigurasi GlmMoeDsaConfig: GlmMoeDsaForCausalLM (model GlmMoeDsaConfig)
- Kelas konfigurasi GotOcr2Config: GotOcr2ForConditionalGeneration (model GotOcr2Config)
- Kelas konfigurasi GptOssConfig: GptOssForCausalLM (model GptOssConfig)
- Kelas konfigurasi GraniteConfig: GraniteForCausalLM (model GraniteConfig)
- Kelas konfigurasi GraniteMoeConfig: GraniteMoeForCausalLM (model GraniteMoeConfig)
- Kelas konfigurasi GraniteMoeHybridConfig: GraniteMoeHybridForCausalLM (model GraniteMoeHybridConfig)
- Kelas konfigurasi GraniteMoeSWAConfig: GraniteMoeSWAForCausalLM (model GraniteMoeSWAConfig)
- Kelas konfigurasi GraniteMoeSharedConfig: GraniteMoeSharedForCausalLM (model GraniteMoeSharedConfig)
- Kelas konfigurasi GraniteSWAConfig: GraniteSWAForCausalLM (model GraniteSWAConfig)
- Kelas konfigurasi HYV3Config: HYV3ForCausalLM (model HYV3Config)
- Kelas konfigurasi HYV4Config: HYV4ForCausalLM (model HYV4Config)
- Kelas konfigurasi HeliumConfig: HeliumForCausalLM (model HeliumConfig)
- Kelas konfigurasi HrmTextConfig: HrmTextForCausalLM (model HrmTextConfig)
- Kelas konfigurasi HunYuanDenseV1Config: HunYuanDenseV1ForCausalLM (model HunYuanDenseV1Config)
- Kelas konfigurasi HunYuanMoEV1Config: HunYuanMoEV1ForCausalLM (model HunYuanMoEV1Config)
- Kelas konfigurasi HyperCLOVAXConfig: HyperCLOVAXForCausalLM (model HyperCLOVAXConfig)
- Kelas konfigurasi InklingTextConfig: InklingForCausalLM (model InklingTextConfig)
- Kelas konfigurasi Jais2Config: Jais2ForCausalLM (model Jais2Config)
- Kelas konfigurasi JambaConfig: JambaForCausalLM (model JambaConfig)
- Kelas konfigurasi JetMoeConfig: JetMoeForCausalLM (model JetMoeConfig)
- Kelas konfigurasi KimiLinearConfig: KimiLinearForCausalLM (model KimiLinearConfig)
- Kelas konfigurasi Kolibri1Config: Kolibri1ForCausalLM (model Kolibri1Config)
- Kelas konfigurasi LagunaConfig: LagunaForCausalLM (model LagunaConfig)
- Kelas konfigurasi Lfm2Config: Lfm2ForCausalLM (model Lfm2Config)
- Kelas konfigurasi Lfm2MoeConfig: Lfm2MoeForCausalLM (model Lfm2MoeConfig)
- Kelas konfigurasi Llama4Config: Llama4ForCausalLM (model Llama4Config)
- Kelas konfigurasi Llama4TextConfig: Llama4ForCausalLM (model Llama4TextConfig)
- Kelas konfigurasi LlamaConfig: LlamaForCausalLM (model LlamaConfig)
- Kelas konfigurasi LongcatFlashConfig: LongcatFlashForCausalLM (model LongcatFlashConfig)
- Kelas konfigurasi MBartConfig: MBartForCausalLM (model MBartConfig)
- Kelas konfigurasi Mamba2Config: Mamba2ForCausalLM (model Mamba2Config)
- Kelas konfigurasi MambaConfig: MambaForCausalLM (model MambaConfig)
- Kelas konfigurasi MarianConfig: MarianForCausalLM (model MarianConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForCausalLM (model MegatronBertConfig)
- Kelas konfigurasi MellumConfig: MellumForCausalLM (model MellumConfig)
- Kelas konfigurasi MiMoV2FlashConfig: MiMoV2FlashForCausalLM (model MiMoV2FlashConfig)
- Kelas konfigurasi MiniCPM3Config: MiniCPM3ForCausalLM (model MiniCPM3Config)
- Kelas konfigurasi MiniMaxConfig: MiniMaxForCausalLM (model MiniMaxConfig)
- Kelas konfigurasi MiniMaxM2Config: MiniMaxM2ForCausalLM (model MiniMaxM2Config)
- Kelas konfigurasi MiniMaxM3VLTextConfig: MiniMaxM3VLForCausalLM (model MiniMaxM3VLTextConfig)
- Kelas konfigurasi Ministral3Config: Ministral3ForCausalLM (model Ministral3Config)
- Kelas konfigurasi MinistralConfig: MinistralForCausalLM (model MinistralConfig)
- Kelas konfigurasi MistralConfig: MistralForCausalLM (model MistralConfig)
- Kelas konfigurasi MixtralConfig: MixtralForCausalLM (model MixtralConfig)
- Kelas konfigurasi MllamaConfig: MllamaForCausalLM (model MllamaConfig)
- Kelas konfigurasi ModernBertDecoderConfig: ModernBertDecoderForCausalLM (model ModernBertDecoderConfig)
- Kelas konfigurasi MoshiConfig: MoshiForCausalLM (model MoshiConfig)
- Kelas konfigurasi MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- Kelas konfigurasi MptConfig: MptForCausalLM (model MptConfig)
- Kelas konfigurasi MusicgenConfig: MusicgenForCausalLM (model MusicgenConfig)
- Kelas konfigurasi MusicgenMelodyConfig: MusicgenMelodyForCausalLM (model MusicgenMelodyConfig)
- Kelas konfigurasi MvpConfig: MvpForCausalLM (model MvpConfig)
- Kelas konfigurasi NanoChatConfig: NanoChatForCausalLM (model NanoChatConfig)
- Kelas konfigurasi NemotronConfig: NemotronForCausalLM (model NemotronConfig)
- Kelas konfigurasi NemotronHConfig: NemotronHForCausalLM (model NemotronHConfig)
- Kelas konfigurasi OPTConfig: OPTForCausalLM (model OPTConfig)
- Kelas konfigurasi Olmo2Config: Olmo2ForCausalLM (model Olmo2Config)
- Kelas konfigurasi Olmo3Config: Olmo3ForCausalLM (model Olmo3Config)
- Kelas konfigurasi OlmoConfig: OlmoForCausalLM (model OlmoConfig)
- Kelas konfigurasi OlmoHybridConfig: OlmoHybridForCausalLM (model OlmoHybridConfig)
- Kelas konfigurasi OlmoeConfig: OlmoeForCausalLM (model OlmoeConfig)
- Kelas konfigurasi OpenAIGPTConfig: OpenAIGPTLMHeadModel (model OpenAIGPTConfig)
- Kelas konfigurasi PLBartConfig: PLBartForCausalLM (model PLBartConfig)
- Kelas konfigurasi PegasusConfig: PegasusForCausalLM (model PegasusConfig)
- Kelas konfigurasi PersimmonConfig: PersimmonForCausalLM (model PersimmonConfig)
- Kelas konfigurasi Phi3Config: Phi3ForCausalLM (model Phi3Config)
- Kelas konfigurasi Phi4MultimodalConfig: Phi4MultimodalForCausalLM (model Phi4MultimodalConfig)
- Kelas konfigurasi PhiConfig: PhiForCausalLM (model PhiConfig)
- Kelas konfigurasi PhimoeConfig: PhimoeForCausalLM (model PhimoeConfig)
- Kelas konfigurasi ProphetNetConfig: ProphetNetForCausalLM (model ProphetNetConfig)
- Kelas konfigurasi Qwen2Config: Qwen2ForCausalLM (model Qwen2Config)
- Kelas konfigurasi Qwen2MoeConfig: Qwen2MoeForCausalLM (model Qwen2MoeConfig)
- Kelas konfigurasi Qwen3Config: Qwen3ForCausalLM (model Qwen3Config)
- Kelas konfigurasi Qwen3MoeConfig: Qwen3MoeForCausalLM (model Qwen3MoeConfig)
- Kelas konfigurasi Qwen3NextConfig: Qwen3NextForCausalLM (model Qwen3NextConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5ForCausalLM (model Qwen3_5Config)
- Kelas konfigurasi Qwen3_5MoeConfig: Qwen3_5MoeForCausalLM (model Qwen3_5MoeConfig)
- Kelas konfigurasi Qwen3_5MoeTextConfig: Qwen3_5MoeForCausalLM (model Qwen3_5MoeTextConfig)
- Kelas konfigurasi Qwen3_5TextConfig: Qwen3_5ForCausalLM (model Qwen3_5TextConfig)
- Kelas konfigurasi Qwen4ExpConfig: Qwen4ExpForCausalLM (model Qwen4ExpConfig)
- Kelas konfigurasi Qwen4ExpTextConfig: Qwen4ExpForCausalLM (model Qwen4ExpTextConfig)
- Kelas konfigurasi RecurrentGemmaConfig: RecurrentGemmaForCausalLM (model RecurrentGemmaConfig)
- Kelas konfigurasi ReformerConfig: ReformerModelWithLMHead (model ReformerConfig)
- Kelas konfigurasi RemBertConfig: RemBertForCausalLM (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForCausalLM (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForCausalLM (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForCausalLM (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForCausalLM (model RobertaPreLayerNormConfig)
- Kelas konfigurasi RwkvConfig: RwkvForCausalLM (model RwkvConfig)
- Kelas konfigurasi SeedOssConfig: SeedOssForCausalLM (model SeedOssConfig)
- Kelas konfigurasi SmolLM3Config: SmolLM3ForCausalLM (model SmolLM3Config)
- Kelas konfigurasi SolarOpenConfig: SolarOpenForCausalLM (model SolarOpenConfig)
- Kelas konfigurasi StableLmConfig: StableLmForCausalLM (model StableLmConfig)
- Kelas konfigurasi Starcoder2Config: Starcoder2ForCausalLM (model Starcoder2Config)
- Kelas konfigurasi TrOCRConfig: TrOCRForCausalLM (model TrOCRConfig)
- Kelas konfigurasi VaultGemmaConfig: VaultGemmaForCausalLM (model VaultGemmaConfig)
- Kelas konfigurasi WhisperConfig: WhisperForCausalLM (model WhisperConfig)
- Kelas konfigurasi XGLMConfig: XGLMForCausalLM (model XGLMConfig)
- Kelas konfigurasi XLMConfig: XLMWithLMHeadModel (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForCausalLM (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForCausalLM (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetLMHeadModel (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForCausalLM (model XmodConfig)
- Kelas konfigurasi YoutuConfig: YoutuForCausalLM (model YoutuConfig)
- Kelas konfigurasi Zamba2Config: Zamba2ForCausalLM (model Zamba2Config)
- Kelas konfigurasi ZambaConfig: ZambaForCausalLM (model ZambaConfig)
- Kelas konfigurasi ZayaConfig: ZayaForCausalLM (model ZayaConfig)
- Kelas konfigurasi xLSTMConfig: xLSTMForCausalLM (model xLSTMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- afmoe — AfmoeForCausalLM (model AfmoeConfig)
- apertus — ApertusForCausalLM (model ApertusConfig)
- arcee — ArceeForCausalLM (model ArceeConfig)
- aria_text — AriaTextForCausalLM (model AriaTextConfig)
- axk1 — AXK1ForCausalLM (model AXK1Config)
- axk2 — AXK2ForCausalLM (model AXK2Config)
- bailing_hybrid — BailingHybridForCausalLM (model BailingHybridConfig)
- bamba — BambaForCausalLM (model BambaConfig)
- bart — BartForCausalLM (model BartConfig)
- beam — BeamForCausalLM (model BeamConfig)
- bert — BertLMHeadModel (model BertConfig)
- bert-generation — BertGenerationDecoder (model BertGenerationConfig)
- big_bird — BigBirdForCausalLM (model BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForCausalLM (model BigBirdPegasusConfig)
- biogpt — BioGptForCausalLM (model BioGptConfig)
- bitnet — BitNetForCausalLM (model BitNetConfig)
- blenderbot — BlenderbotForCausalLM (model BlenderbotConfig)
- blenderbot-small — BlenderbotSmallForCausalLM (model BlenderbotSmallConfig)
- bloom — BloomForCausalLM (model BloomConfig)
- blt — BltForCausalLM (model BltConfig)
- camembert — CamembertForCausalLM (model CamembertConfig)
- codegen — CodeGenForCausalLM (model CodeGenConfig)
- cohere — CohereForCausalLM (model CohereConfig)
- cohere2 — Cohere2ForCausalLM (model Cohere2Config)
- cohere2_moe — Cohere2MoeForCausalLM (model Cohere2MoeConfig)
- cohere_compass_text — CohereCompassForCausalLM (model CohereCompassTextConfig)
- cpmant — CpmAntForCausalLM (model CpmAntConfig)
- ctrl — CTRLLMHeadModel (model CTRLConfig)
- cwm — CwmForCausalLM (model CwmConfig)
- data2vec-text — Data2VecTextForCausalLM (model Data2VecTextConfig)
- dbrx — DbrxForCausalLM (model DbrxConfig)
- deepseek_v2 — DeepseekV2ForCausalLM (model DeepseekV2Config)
- deepseek_v3 — DeepseekV3ForCausalLM (model DeepseekV3Config)
- deepseek_v32 — DeepseekV32ForCausalLM (model DeepseekV32Config)
- deepseek_v4 — DeepseekV4ForCausalLM (model DeepseekV4Config)
- diffllama — DiffLlamaForCausalLM (model DiffLlamaConfig)
- doge — DogeForCausalLM (model DogeConfig)
- dots1 — Dots1ForCausalLM (model Dots1Config)
- electra — ElectraForCausalLM (model ElectraConfig)
- emu3 — Emu3ForCausalLM (model Emu3Config)
- ernie — ErnieForCausalLM (model ErnieConfig)
- ernie4_5 — Ernie4_5ForCausalLM (model Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeForCausalLM (model Ernie4_5_MoeConfig)
- exaone4 — Exaone4ForCausalLM (model Exaone4Config)
- exaone_moe — ExaoneMoeForCausalLM (model ExaoneMoeConfig)
- falcon — FalconForCausalLM (model FalconConfig)
- falcon_h1 — FalconH1ForCausalLM (model FalconH1Config)
- falcon_mamba — FalconMambaForCausalLM (model FalconMambaConfig)
- flex_olmo — FlexOlmoForCausalLM (model FlexOlmoConfig)
- flint — FlintForCausalLM (model FlintConfig)
- fuyu — FuyuForCausalLM (model FuyuConfig)
- gemma — GemmaForCausalLM (model GemmaConfig)
- gemma2 — Gemma2ForCausalLM (model Gemma2Config)
- gemma3 — Gemma3ForConditionalGeneration (model Gemma3Config)
- gemma3_text — Gemma3ForCausalLM (model Gemma3TextConfig)
- gemma3n — Gemma3nForConditionalGeneration (model Gemma3nConfig)
- gemma3n_text — Gemma3nForCausalLM (model Gemma3nTextConfig)
- gemma4 — Gemma4ForConditionalGeneration (model Gemma4Config)
- gemma4_assistant — Gemma4AssistantForCausalLM (model Gemma4AssistantConfig)
- gemma4_text — Gemma4ForCausalLM (model Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- gemma4_unified_assistant — Gemma4UnifiedAssistantForCausalLM (model Gemma4UnifiedAssistantConfig)
- gemma4_unified_text — Gemma4UnifiedForCausalLM (model Gemma4UnifiedTextConfig)
- git — GitForCausalLM (model GitConfig)
- glm — GlmForCausalLM (model GlmConfig)
- glm4 — Glm4ForCausalLM (model Glm4Config)
- glm4_moe — Glm4MoeForCausalLM (model Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteForCausalLM (model Glm4MoeLiteConfig)
- glm_moe_dsa — GlmMoeDsaForCausalLM (model GlmMoeDsaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (model GotOcr2Config)
- gpt-sw3 — GPT2LMHeadModel (model GPT2Config)
- gpt2 — GPT2LMHeadModel (model GPT2Config)
- gpt_bigcode — GPTBigCodeForCausalLM (model GPTBigCodeConfig)
- gpt_neo — GPTNeoForCausalLM (model GPTNeoConfig)
- gpt_neox — GPTNeoXForCausalLM (model GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseForCausalLM (model GPTNeoXJapaneseConfig)
- gpt_oss — GptOssForCausalLM (model GptOssConfig)
- gptj — GPTJForCausalLM (model GPTJConfig)
- granite — GraniteForCausalLM (model GraniteConfig)
- granite_swa — GraniteSWAForCausalLM (model GraniteSWAConfig)
- granitemoe — GraniteMoeForCausalLM (model GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAForCausalLM (model GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridForCausalLM (model GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedForCausalLM (model GraniteMoeSharedConfig)
- helium — HeliumForCausalLM (model HeliumConfig)
- hrm_text — HrmTextForCausalLM (model HrmTextConfig)
- hunyuan_v1_dense — HunYuanDenseV1ForCausalLM (model HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1ForCausalLM (model HunYuanMoEV1Config)
- hy_v3 — HYV3ForCausalLM (model HYV3Config)
- hy_v4 — HYV4ForCausalLM (model HYV4Config)
- hyperclovax — HyperCLOVAXForCausalLM (model HyperCLOVAXConfig)
- inkling_text — InklingForCausalLM (model InklingTextConfig)
- jais2 — Jais2ForCausalLM (model Jais2Config)
- jamba — JambaForCausalLM (model JambaConfig)
- jetmoe — JetMoeForCausalLM (model JetMoeConfig)
- kimi_linear — KimiLinearForCausalLM (model KimiLinearConfig)
- kolibri1 — Kolibri1ForCausalLM (model Kolibri1Config)
- laguna — LagunaForCausalLM (model LagunaConfig)
- lfm2 — Lfm2ForCausalLM (model Lfm2Config)
- lfm2_moe — Lfm2MoeForCausalLM (model Lfm2MoeConfig)
- llama — LlamaForCausalLM (model LlamaConfig)
- llama4 — Llama4ForCausalLM (model Llama4Config)
- llama4_text — Llama4ForCausalLM (model Llama4TextConfig)
- longcat_flash — LongcatFlashForCausalLM (model LongcatFlashConfig)
- mamba — MambaForCausalLM (model MambaConfig)
- mamba2 — Mamba2ForCausalLM (model Mamba2Config)
- marian — MarianForCausalLM (model MarianConfig)
- mbart — MBartForCausalLM (model MBartConfig)
- megatron-bert — MegatronBertForCausalLM (model MegatronBertConfig)
- mellum — MellumForCausalLM (model MellumConfig)
- mimo_v2_flash — MiMoV2FlashForCausalLM (model MiMoV2FlashConfig)
- minicpm3 — MiniCPM3ForCausalLM (model MiniCPM3Config)
- minimax — MiniMaxForCausalLM (model MiniMaxConfig)
- minimax_m2 — MiniMaxM2ForCausalLM (model MiniMaxM2Config)
- minimax_m3_vl_text — MiniMaxM3VLForCausalLM (model MiniMaxM3VLTextConfig)
- ministral — MinistralForCausalLM (model MinistralConfig)
- ministral3 — Ministral3ForCausalLM (model Ministral3Config)
- mistral — MistralForCausalLM (model MistralConfig)
- mixtral — MixtralForCausalLM (model MixtralConfig)
- mllama — MllamaForCausalLM (model MllamaConfig)
- modernbert-decoder — ModernBertDecoderForCausalLM (model ModernBertDecoderConfig)
- moshi — MoshiForCausalLM (model MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- mpt — MptForCausalLM (model MptConfig)
- musicgen — MusicgenForCausalLM (model MusicgenConfig)
- musicgen_melody — MusicgenMelodyForCausalLM (model MusicgenMelodyConfig)
- mvp — MvpForCausalLM (model MvpConfig)
- nanochat — NanoChatForCausalLM (model NanoChatConfig)
- nemotron — NemotronForCausalLM (model NemotronConfig)
- nemotron_h — NemotronHForCausalLM (model NemotronHConfig)
- olmo — OlmoForCausalLM (model OlmoConfig)
- olmo2 — Olmo2ForCausalLM (model Olmo2Config)
- olmo3 — Olmo3ForCausalLM (model Olmo3Config)
- olmo_hybrid — OlmoHybridForCausalLM (model OlmoHybridConfig)
- olmoe — OlmoeForCausalLM (model OlmoeConfig)
- openai-gpt — OpenAIGPTLMHeadModel (model OpenAIGPTConfig)
- opt — OPTForCausalLM (model OPTConfig)
- pegasus — PegasusForCausalLM (model PegasusConfig)
- persimmon — PersimmonForCausalLM (model PersimmonConfig)
- phi — PhiForCausalLM (model PhiConfig)
- phi3 — Phi3ForCausalLM (model Phi3Config)
- phi4_multimodal — Phi4MultimodalForCausalLM (model Phi4MultimodalConfig)
- phimoe — PhimoeForCausalLM (model PhimoeConfig)
- plbart — PLBartForCausalLM (model PLBartConfig)
- prophetnet — ProphetNetForCausalLM (model ProphetNetConfig)
- qwen2 — Qwen2ForCausalLM (model Qwen2Config)
- qwen2_moe — Qwen2MoeForCausalLM (model Qwen2MoeConfig)
- qwen3 — Qwen3ForCausalLM (model Qwen3Config)
- qwen3_5 — Qwen3_5ForCausalLM (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForCausalLM (model Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeForCausalLM (model Qwen3_5MoeTextConfig)
- qwen3_5_text — Qwen3_5ForCausalLM (model Qwen3_5TextConfig)
- qwen3_moe — Qwen3MoeForCausalLM (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextForCausalLM (model Qwen3NextConfig)
- qwen4_exp — Qwen4ExpForCausalLM (model Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpForCausalLM (model Qwen4ExpTextConfig)
- recurrent_gemma — RecurrentGemmaForCausalLM (model RecurrentGemmaConfig)
- reformer — ReformerModelWithLMHead (model ReformerConfig)
- rembert — RemBertForCausalLM (model RemBertConfig)
- roberta — RobertaForCausalLM (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForCausalLM (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForCausalLM (model RoCBertConfig)
- roformer — RoFormerForCausalLM (model RoFormerConfig)
- rwkv — RwkvForCausalLM (model RwkvConfig)
- seed_oss — SeedOssForCausalLM (model SeedOssConfig)
- smollm3 — SmolLM3ForCausalLM (model SmolLM3Config)
- solar_open — SolarOpenForCausalLM (model SolarOpenConfig)
- stablelm — StableLmForCausalLM (model StableLmConfig)
- starcoder2 — Starcoder2ForCausalLM (model Starcoder2Config)
- trocr — TrOCRForCausalLM (model TrOCRConfig)
- vaultgemma — VaultGemmaForCausalLM (model VaultGemmaConfig)
- whisper — WhisperForCausalLM (model WhisperConfig)
- xglm — XGLMForCausalLM (model XGLMConfig)
- xlm — XLMWithLMHeadModel (model XLMConfig)
- xlm-roberta — XLMRobertaForCausalLM (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForCausalLM (model XLMRobertaXLConfig)
- xlnet — XLNetLMHeadModel (model XLNetConfig)
- xlstm — xLSTMForCausalLM (model xLSTMConfig)
- xmod — XmodForCausalLM (model XmodConfig)
- youtu — YoutuForCausalLM (model YoutuConfig)
- zamba — ZambaForCausalLM (model ZambaConfig)
- zamba2 — Zamba2ForCausalLM (model Zamba2Config)
- zaya — ZayaForCausalLM (model ZayaConfig)
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
TrueAutoModelForMaskedLM
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AlbertConfig: AlbertForMaskedLM (model AlbertConfig)
- Kelas konfigurasi BartConfig: BartForConditionalGeneration (model BartConfig)
- Kelas konfigurasi BertConfig: BertForMaskedLM (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForMaskedLM (model BigBirdConfig)
- Kelas konfigurasi CamembertConfig: CamembertForMaskedLM (model CamembertConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertForMaskedLM (model ConvBertConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForMaskedLM (model Data2VecTextConfig)
- Kelas konfigurasi DebertaConfig: DebertaForMaskedLM (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForMaskedLM (model DebertaV2Config)
- Kelas konfigurasi DistilBertConfig: DistilBertForMaskedLM (model DistilBertConfig)
- Kelas konfigurasi ElectraConfig: ElectraForMaskedLM (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForMaskedLM (model ErnieConfig)
- Kelas konfigurasi EsmConfig: EsmForMaskedLM (model EsmConfig)
- Kelas konfigurasi EsmcConfig: EsmcForMaskedLM (model EsmcConfig)
- Kelas konfigurasi EuroBertConfig: EuroBertForMaskedLM (model EuroBertConfig)
- Kelas konfigurasi FNetConfig: FNetForMaskedLM (model FNetConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertWithLMHeadModel (model FlaubertConfig)
- Kelas konfigurasi FunnelConfig: FunnelForMaskedLM (model FunnelConfig)
- Kelas konfigurasi GteConfig: GteForMaskedLM (model GteConfig)
- Kelas konfigurasi IBertConfig: IBertForMaskedLM (model IBertConfig)
- Kelas konfigurasi JinaEmbeddingsV3Config: JinaEmbeddingsV3ForMaskedLM (model JinaEmbeddingsV3Config)
- Kelas konfigurasi LayoutLMConfig: LayoutLMForMaskedLM (model LayoutLMConfig)
- Kelas konfigurasi LongformerConfig: LongformerForMaskedLM (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForMaskedLM (model LukeConfig)
- Kelas konfigurasi MBartConfig: MBartForConditionalGeneration (model MBartConfig)
- Kelas konfigurasi MPNetConfig: MPNetForMaskedLM (model MPNetConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForMaskedLM (model MegatronBertConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForMaskedLM (model MobileBertConfig)
- Kelas konfigurasi ModernBertConfig: ModernBertForMaskedLM (model ModernBertConfig)
- Kelas konfigurasi ModernVBertConfig: ModernVBertForMaskedLM (model ModernVBertConfig)
- Kelas konfigurasi MraConfig: MraForMaskedLM (model MraConfig)
- Kelas konfigurasi MvpConfig: MvpForConditionalGeneration (model MvpConfig)
- Kelas konfigurasi NeoMMEConfig: NeoMMEForMaskedLM (model NeoMMEConfig)
- Kelas konfigurasi NomicBertConfig: NomicBertForMaskedLM (model NomicBertConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerForMaskedLM (model NystromformerConfig)
- Kelas konfigurasi PerceiverConfig: PerceiverForMaskedLM (model PerceiverConfig)
- Kelas konfigurasi ReformerConfig: ReformerForMaskedLM (model ReformerConfig)
- Kelas konfigurasi RemBertConfig: RemBertForMaskedLM (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForMaskedLM (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForMaskedLM (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForMaskedLM (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForMaskedLM (model RobertaPreLayerNormConfig)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForMaskedLM (model SqueezeBertConfig)
- Kelas konfigurasi TapasConfig: TapasForMaskedLM (model TapasConfig)
- Kelas konfigurasi UltraVBertConfig: UltraVBertForMaskedLM (model UltraVBertConfig)
- Kelas konfigurasi UltrabertConfig: UltrabertForMaskedLM (model UltrabertConfig)
- Kelas konfigurasi XLMConfig: XLMWithLMHeadModel (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForMaskedLM (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForMaskedLM (model XLMRobertaXLConfig)
- Kelas konfigurasi XmodConfig: XmodForMaskedLM (model XmodConfig)
- Kelas konfigurasi YosoConfig: YosoForMaskedLM (model YosoConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForMaskedLM (model AlbertConfig)
- bart — BartForConditionalGeneration (model BartConfig)
- bert — BertForMaskedLM (model BertConfig)
- big_bird — BigBirdForMaskedLM (model BigBirdConfig)
- camembert — CamembertForMaskedLM (model CamembertConfig)
- convbert — ConvBertForMaskedLM (model ConvBertConfig)
- data2vec-text — Data2VecTextForMaskedLM (model Data2VecTextConfig)
- deberta — DebertaForMaskedLM (model DebertaConfig)
- deberta-v2 — DebertaV2ForMaskedLM (model DebertaV2Config)
- distilbert — DistilBertForMaskedLM (model DistilBertConfig)
- electra — ElectraForMaskedLM (model ElectraConfig)
- ernie — ErnieForMaskedLM (model ErnieConfig)
- esm — EsmForMaskedLM (model EsmConfig)
- esmc — EsmcForMaskedLM (model EsmcConfig)
- eurobert — EuroBertForMaskedLM (model EuroBertConfig)
- flaubert — FlaubertWithLMHeadModel (model FlaubertConfig)
- fnet — FNetForMaskedLM (model FNetConfig)
- funnel — FunnelForMaskedLM (model FunnelConfig)
- gte — GteForMaskedLM (model GteConfig)
- ibert — IBertForMaskedLM (model IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForMaskedLM (model JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForMaskedLM (model LayoutLMConfig)
- longformer — LongformerForMaskedLM (model LongformerConfig)
- luke — LukeForMaskedLM (model LukeConfig)
- mbart — MBartForConditionalGeneration (model MBartConfig)
- megatron-bert — MegatronBertForMaskedLM (model MegatronBertConfig)
- mobilebert — MobileBertForMaskedLM (model MobileBertConfig)
- modernbert — ModernBertForMaskedLM (model ModernBertConfig)
- modernvbert — ModernVBertForMaskedLM (model ModernVBertConfig)
- mpnet — MPNetForMaskedLM (model MPNetConfig)
- mra — MraForMaskedLM (model MraConfig)
- mvp — MvpForConditionalGeneration (model MvpConfig)
- neomme — NeoMMEForMaskedLM (model NeoMMEConfig)
- nomic_bert — NomicBertForMaskedLM (model NomicBertConfig)
- nystromformer — NystromformerForMaskedLM (model NystromformerConfig)
- perceiver — PerceiverForMaskedLM (model PerceiverConfig)
- reformer — ReformerForMaskedLM (model ReformerConfig)
- rembert — RemBertForMaskedLM (model RemBertConfig)
- roberta — RobertaForMaskedLM (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMaskedLM (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForMaskedLM (model RoCBertConfig)
- roformer — RoFormerForMaskedLM (model RoFormerConfig)
- squeezebert — SqueezeBertForMaskedLM (model SqueezeBertConfig)
- tapas — TapasForMaskedLM (model TapasConfig)
- ultrabert — UltrabertForMaskedLM (model UltrabertConfig)
- ultravbert — UltraVBertForMaskedLM (model UltraVBertConfig)
- xlm — XLMWithLMHeadModel (model XLMConfig)
- xlm-roberta — XLMRobertaForMaskedLM (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMaskedLM (model XLMRobertaXLConfig)
- xmod — XmodForMaskedLM (model XmodConfig)
- yoso — YosoForMaskedLM (model YosoConfig)
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
TrueAutoModelForMaskGeneration
AutoModelForSeq2SeqLM
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AudioFlamingo3Config: AudioFlamingo3ForConditionalGeneration (model AudioFlamingo3Config)
- Kelas konfigurasi BartConfig: BartForConditionalGeneration (model BartConfig)
- Kelas konfigurasi BigBirdPegasusConfig: BigBirdPegasusForConditionalGeneration (model BigBirdPegasusConfig)
- Kelas konfigurasi BlenderbotConfig: BlenderbotForConditionalGeneration (model BlenderbotConfig)
- Kelas konfigurasi BlenderbotSmallConfig: BlenderbotSmallForConditionalGeneration (model BlenderbotSmallConfig)
- Kelas konfigurasi EncoderDecoderConfig: EncoderDecoderModel (model EncoderDecoderConfig)
- Kelas konfigurasi FSMTConfig: FSMTForConditionalGeneration (model FSMTConfig)
- Kelas konfigurasi GlmAsrConfig: GlmAsrForConditionalGeneration (model GlmAsrConfig)
- Kelas konfigurasi GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- Kelas konfigurasi GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- Kelas konfigurasi LEDConfig: LEDForConditionalGeneration (model LEDConfig)
- Kelas konfigurasi LongT5Config: LongT5ForConditionalGeneration (model LongT5Config)
- Kelas konfigurasi M2M100Config: M2M100ForConditionalGeneration (model M2M100Config)
- Kelas konfigurasi MBartConfig: MBartForConditionalGeneration (model MBartConfig)
- Kelas konfigurasi MT5Config: MT5ForConditionalGeneration (model MT5Config)
- Kelas konfigurasi MarianConfig: MarianMTModel (model MarianConfig)
- Kelas konfigurasi MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- Kelas konfigurasi MusicFlamingoConfig: MusicFlamingoForConditionalGeneration (model MusicFlamingoConfig)
- Kelas konfigurasi MvpConfig: MvpForConditionalGeneration (model MvpConfig)
- Kelas konfigurasi Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- Kelas konfigurasi NllbMoeConfig: NllbMoeForConditionalGeneration (model NllbMoeConfig)
- Kelas konfigurasi PLBartConfig: PLBartForConditionalGeneration (model PLBartConfig)
- Kelas konfigurasi PegasusConfig: PegasusForConditionalGeneration (model PegasusConfig)
- Kelas konfigurasi PegasusXConfig: PegasusXForConditionalGeneration (model PegasusXConfig)
- Kelas konfigurasi ProphetNetConfig: ProphetNetForConditionalGeneration (model ProphetNetConfig)
- Kelas konfigurasi Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- Kelas konfigurasi SeamlessM4TConfig: SeamlessM4TForTextToText (model SeamlessM4TConfig)
- Kelas konfigurasi SeamlessM4Tv2Config: SeamlessM4Tv2ForTextToText (model SeamlessM4Tv2Config)
- Kelas konfigurasi SwitchTransformersConfig: SwitchTransformersForConditionalGeneration (model SwitchTransformersConfig)
- Kelas konfigurasi T5Config: T5ForConditionalGeneration (model T5Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- Kelas konfigurasi T5GemmaConfig: T5GemmaForConditionalGeneration (model T5GemmaConfig)
- Kelas konfigurasi UMT5Config: UMT5ForConditionalGeneration (model UMT5Config)
- Kelas konfigurasi VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- Kelas konfigurasi VoxtralConfig: VoxtralForConditionalGeneration (model VoxtralConfig)
- Kelas konfigurasi VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- audioflamingo3 — AudioFlamingo3ForConditionalGeneration (model AudioFlamingo3Config)
- bart — BartForConditionalGeneration (model BartConfig)
- bigbird_pegasus — BigBirdPegasusForConditionalGeneration (model BigBirdPegasusConfig)
- blenderbot — BlenderbotForConditionalGeneration (model BlenderbotConfig)
- blenderbot-small — BlenderbotSmallForConditionalGeneration (model BlenderbotSmallConfig)
- encoder-decoder — EncoderDecoderModel (model EncoderDecoderConfig)
- fsmt — FSMTForConditionalGeneration (model FSMTConfig)
- glmasr — GlmAsrForConditionalGeneration (model GlmAsrConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- led — LEDForConditionalGeneration (model LEDConfig)
- longt5 — LongT5ForConditionalGeneration (model LongT5Config)
- m2m_100 — M2M100ForConditionalGeneration (model M2M100Config)
- marian — MarianMTModel (model MarianConfig)
- mbart — MBartForConditionalGeneration (model MBartConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- mt5 — MT5ForConditionalGeneration (model MT5Config)
- musicflamingo — MusicFlamingoForConditionalGeneration (model MusicFlamingoConfig)
- mvp — MvpForConditionalGeneration (model MvpConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- nllb-moe — NllbMoeForConditionalGeneration (model NllbMoeConfig)
- pegasus — PegasusForConditionalGeneration (model PegasusConfig)
- pegasus_x — PegasusXForConditionalGeneration (model PegasusXConfig)
- plbart — PLBartForConditionalGeneration (model PLBartConfig)
- prophetnet — ProphetNetForConditionalGeneration (model ProphetNetConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- seamless_m4t — SeamlessM4TForTextToText (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2ForTextToText (model SeamlessM4Tv2Config)
- switch_transformers — SwitchTransformersForConditionalGeneration (model SwitchTransformersConfig)
- t5 — T5ForConditionalGeneration (model T5Config)
- t5gemma — T5GemmaForConditionalGeneration (model T5GemmaConfig)
- t5gemma2 — T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- umt5 — UMT5ForConditionalGeneration (model UMT5Config)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- voxtral — VoxtralForConditionalGeneration (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
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
TrueAutoModelForSequenceClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AXK1Config: AXK1ForSequenceClassification (model AXK1Config)
- Kelas konfigurasi AXK2Config: AXK2ForSequenceClassification (model AXK2Config)
- Kelas konfigurasi AlbertConfig: AlbertForSequenceClassification (model AlbertConfig)
- Kelas konfigurasi ArceeConfig: ArceeForSequenceClassification (model ArceeConfig)
- Kelas konfigurasi BartConfig: BartForSequenceClassification (model BartConfig)
- Kelas konfigurasi BertConfig: BertForSequenceClassification (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForSequenceClassification (model BigBirdConfig)
- Kelas konfigurasi BigBirdPegasusConfig: BigBirdPegasusForSequenceClassification (model BigBirdPegasusConfig)
- Kelas konfigurasi BioGptConfig: BioGptForSequenceClassification (model BioGptConfig)
- Kelas konfigurasi BloomConfig: BloomForSequenceClassification (model BloomConfig)
- Kelas konfigurasi CTRLConfig: CTRLForSequenceClassification (model CTRLConfig)
- Kelas konfigurasi CamembertConfig: CamembertForSequenceClassification (model CamembertConfig)
- Kelas konfigurasi CanineConfig: CanineForSequenceClassification (model CanineConfig)
- Kelas konfigurasi CohereCompassTextConfig: CohereCompassTextForSequenceClassification (model CohereCompassTextConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertForSequenceClassification (model ConvBertConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForSequenceClassification (model Data2VecTextConfig)
- Kelas konfigurasi DebertaConfig: DebertaForSequenceClassification (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForSequenceClassification (model DebertaV2Config)
- Kelas konfigurasi DeepseekV2Config: DeepseekV2ForSequenceClassification (model DeepseekV2Config)
- Kelas konfigurasi DeepseekV3Config: DeepseekV3ForSequenceClassification (model DeepseekV3Config)
- Kelas konfigurasi DiffLlamaConfig: DiffLlamaForSequenceClassification (model DiffLlamaConfig)
- Kelas konfigurasi DistilBertConfig: DistilBertForSequenceClassification (model DistilBertConfig)
- Kelas konfigurasi DogeConfig: DogeForSequenceClassification (model DogeConfig)
- Kelas konfigurasi ElectraConfig: ElectraForSequenceClassification (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForSequenceClassification (model ErnieConfig)
- Kelas konfigurasi EsmConfig: EsmForSequenceClassification (model EsmConfig)
- Kelas konfigurasi EsmcConfig: EsmcForSequenceClassification (model EsmcConfig)
- Kelas konfigurasi EuroBertConfig: EuroBertForSequenceClassification (model EuroBertConfig)
- Kelas konfigurasi Exaone4Config: Exaone4ForSequenceClassification (model Exaone4Config)
- Kelas konfigurasi FNetConfig: FNetForSequenceClassification (model FNetConfig)
- Kelas konfigurasi FalconConfig: FalconForSequenceClassification (model FalconConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertForSequenceClassification (model FlaubertConfig)
- Kelas konfigurasi FunnelConfig: FunnelForSequenceClassification (model FunnelConfig)
- Kelas konfigurasi GPT2Config: GPT2ForSequenceClassification (model GPT2Config)
- Kelas konfigurasi GPTBigCodeConfig: GPTBigCodeForSequenceClassification (model GPTBigCodeConfig)
- Kelas konfigurasi GPTJConfig: GPTJForSequenceClassification (model GPTJConfig)
- Kelas konfigurasi GPTNeoConfig: GPTNeoForSequenceClassification (model GPTNeoConfig)
- Kelas konfigurasi GPTNeoXConfig: GPTNeoXForSequenceClassification (model GPTNeoXConfig)
- Kelas konfigurasi Gemma2Config: Gemma2ForSequenceClassification (model Gemma2Config)
- Kelas konfigurasi Gemma3Config: Gemma3ForSequenceClassification (model Gemma3Config)
- Kelas konfigurasi Gemma3TextConfig: Gemma3TextForSequenceClassification (model Gemma3TextConfig)
- Kelas konfigurasi GemmaConfig: GemmaForSequenceClassification (model GemmaConfig)
- Kelas konfigurasi Glm4Config: Glm4ForSequenceClassification (model Glm4Config)
- Kelas konfigurasi GlmConfig: GlmForSequenceClassification (model GlmConfig)
- Kelas konfigurasi GptOssConfig: GptOssForSequenceClassification (model GptOssConfig)
- Kelas konfigurasi GteConfig: GteForSequenceClassification (model GteConfig)
- Kelas konfigurasi HeliumConfig: HeliumForSequenceClassification (model HeliumConfig)
- Kelas konfigurasi HunYuanDenseV1Config: HunYuanDenseV1ForSequenceClassification (model HunYuanDenseV1Config)
- Kelas konfigurasi HunYuanMoEV1Config: HunYuanMoEV1ForSequenceClassification (model HunYuanMoEV1Config)
- Kelas konfigurasi IBertConfig: IBertForSequenceClassification (model IBertConfig)
- Kelas konfigurasi JambaConfig: JambaForSequenceClassification (model JambaConfig)
- Kelas konfigurasi JetMoeConfig: JetMoeForSequenceClassification (model JetMoeConfig)
- Kelas konfigurasi JinaEmbeddingsV3Config: JinaEmbeddingsV3ForSequenceClassification (model JinaEmbeddingsV3Config)
- Kelas konfigurasi LayoutLMConfig: LayoutLMForSequenceClassification (model LayoutLMConfig)
- Kelas konfigurasi LayoutLMv2Config: LayoutLMv2ForSequenceClassification (model LayoutLMv2Config)
- Kelas konfigurasi LayoutLMv3Config: LayoutLMv3ForSequenceClassification (model LayoutLMv3Config)
- Kelas konfigurasi LiltConfig: LiltForSequenceClassification (model LiltConfig)
- Kelas konfigurasi LlamaConfig: LlamaForSequenceClassification (model LlamaConfig)
- Kelas konfigurasi LongformerConfig: LongformerForSequenceClassification (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForSequenceClassification (model LukeConfig)
- Kelas konfigurasi MBartConfig: MBartForSequenceClassification (model MBartConfig)
- Kelas konfigurasi MPNetConfig: MPNetForSequenceClassification (model MPNetConfig)
- Kelas konfigurasi MT5Config: MT5ForSequenceClassification (model MT5Config)
- Kelas konfigurasi MarkupLMConfig: MarkupLMForSequenceClassification (model MarkupLMConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForSequenceClassification (model MegatronBertConfig)
- Kelas konfigurasi MiniCPM3Config: MiniCPM3ForSequenceClassification (model MiniCPM3Config)
- Kelas konfigurasi MiniMaxConfig: MiniMaxForSequenceClassification (model MiniMaxConfig)
- Kelas konfigurasi Ministral3Config: Ministral3ForSequenceClassification (model Ministral3Config)
- Kelas konfigurasi MinistralConfig: MinistralForSequenceClassification (model MinistralConfig)
- Kelas konfigurasi Mistral4Config: Mistral4ForSequenceClassification (model Mistral4Config)
- Kelas konfigurasi MistralConfig: MistralForSequenceClassification (model MistralConfig)
- Kelas konfigurasi MixtralConfig: MixtralForSequenceClassification (model MixtralConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForSequenceClassification (model MobileBertConfig)
- Kelas konfigurasi ModernBertConfig: ModernBertForSequenceClassification (model ModernBertConfig)
- Kelas konfigurasi ModernBertDecoderConfig: ModernBertDecoderForSequenceClassification (model ModernBertDecoderConfig)
- Kelas konfigurasi ModernVBertConfig: ModernVBertForSequenceClassification (model ModernVBertConfig)
- Kelas konfigurasi MptConfig: MptForSequenceClassification (model MptConfig)
- Kelas konfigurasi MraConfig: MraForSequenceClassification (model MraConfig)
- Kelas konfigurasi MvpConfig: MvpForSequenceClassification (model MvpConfig)
- Kelas konfigurasi NemotronConfig: NemotronForSequenceClassification (model NemotronConfig)
- Kelas konfigurasi NomicBertConfig: NomicBertForSequenceClassification (model NomicBertConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerForSequenceClassification (model NystromformerConfig)
- Kelas konfigurasi OPTConfig: OPTForSequenceClassification (model OPTConfig)
- Kelas konfigurasi Olmo2Config: Olmo2ForSequenceClassification (model Olmo2Config)
- Kelas konfigurasi Olmo3Config: Olmo3ForSequenceClassification (model Olmo3Config)
- Kelas konfigurasi OlmoConfig: OlmoForSequenceClassification (model OlmoConfig)
- Kelas konfigurasi OpenAIGPTConfig: OpenAIGPTForSequenceClassification (model OpenAIGPTConfig)
- Kelas konfigurasi PLBartConfig: PLBartForSequenceClassification (model PLBartConfig)
- Kelas konfigurasi PerceiverConfig: PerceiverForSequenceClassification (model PerceiverConfig)
- Kelas konfigurasi PersimmonConfig: PersimmonForSequenceClassification (model PersimmonConfig)
- Kelas konfigurasi Phi3Config: Phi3ForSequenceClassification (model Phi3Config)
- Kelas konfigurasi PhiConfig: PhiForSequenceClassification (model PhiConfig)
- Kelas konfigurasi PhimoeConfig: PhimoeForSequenceClassification (model PhimoeConfig)
- Kelas konfigurasi Qwen2Config: Qwen2ForSequenceClassification (model Qwen2Config)
- Kelas konfigurasi Qwen2MoeConfig: Qwen2MoeForSequenceClassification (model Qwen2MoeConfig)
- Kelas konfigurasi Qwen3Config: Qwen3ForSequenceClassification (model Qwen3Config)
- Kelas konfigurasi Qwen3MoeConfig: Qwen3MoeForSequenceClassification (model Qwen3MoeConfig)
- Kelas konfigurasi Qwen3NextConfig: Qwen3NextForSequenceClassification (model Qwen3NextConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5ForSequenceClassification (model Qwen3_5Config)
- Kelas konfigurasi Qwen3_5TextConfig: Qwen3_5TextForSequenceClassification (model Qwen3_5TextConfig)
- Kelas konfigurasi ReformerConfig: ReformerForSequenceClassification (model ReformerConfig)
- Kelas konfigurasi RemBertConfig: RemBertForSequenceClassification (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForSequenceClassification (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForSequenceClassification (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForSequenceClassification (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForSequenceClassification (model RobertaPreLayerNormConfig)
- Kelas konfigurasi SeedOssConfig: SeedOssForSequenceClassification (model SeedOssConfig)
- Kelas konfigurasi SmolLM3Config: SmolLM3ForSequenceClassification (model SmolLM3Config)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForSequenceClassification (model SqueezeBertConfig)
- Kelas konfigurasi StableLmConfig: StableLmForSequenceClassification (model StableLmConfig)
- Kelas konfigurasi Starcoder2Config: Starcoder2ForSequenceClassification (model Starcoder2Config)
- Kelas konfigurasi T5Config: T5ForSequenceClassification (model T5Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForSequenceClassification (model T5Gemma2Config)
- Kelas konfigurasi T5GemmaConfig: T5GemmaForSequenceClassification (model T5GemmaConfig)
- Kelas konfigurasi TapasConfig: TapasForSequenceClassification (model TapasConfig)
- Kelas konfigurasi UMT5Config: UMT5ForSequenceClassification (model UMT5Config)
- Kelas konfigurasi UltraVBertConfig: UltraVBertForSequenceClassification (model UltraVBertConfig)
- Kelas konfigurasi UltrabertConfig: UltrabertForSequenceClassification (model UltrabertConfig)
- Kelas konfigurasi XLMConfig: XLMForSequenceClassification (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForSequenceClassification (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForSequenceClassification (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetForSequenceClassification (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForSequenceClassification (model XmodConfig)
- Kelas konfigurasi YosoConfig: YosoForSequenceClassification (model YosoConfig)
- Kelas konfigurasi Zamba2Config: Zamba2ForSequenceClassification (model Zamba2Config)
- Kelas konfigurasi ZambaConfig: ZambaForSequenceClassification (model ZambaConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForSequenceClassification (model AlbertConfig)
- arcee — ArceeForSequenceClassification (model ArceeConfig)
- axk1 — AXK1ForSequenceClassification (model AXK1Config)
- axk2 — AXK2ForSequenceClassification (model AXK2Config)
- bart — BartForSequenceClassification (model BartConfig)
- bert — BertForSequenceClassification (model BertConfig)
- big_bird — BigBirdForSequenceClassification (model BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForSequenceClassification (model BigBirdPegasusConfig)
- biogpt — BioGptForSequenceClassification (model BioGptConfig)
- bloom — BloomForSequenceClassification (model BloomConfig)
- camembert — CamembertForSequenceClassification (model CamembertConfig)
- canine — CanineForSequenceClassification (model CanineConfig)
- cohere_compass_text — CohereCompassTextForSequenceClassification (model CohereCompassTextConfig)
- convbert — ConvBertForSequenceClassification (model ConvBertConfig)
- ctrl — CTRLForSequenceClassification (model CTRLConfig)
- data2vec-text — Data2VecTextForSequenceClassification (model Data2VecTextConfig)
- deberta — DebertaForSequenceClassification (model DebertaConfig)
- deberta-v2 — DebertaV2ForSequenceClassification (model DebertaV2Config)
- deepseek_v2 — DeepseekV2ForSequenceClassification (model DeepseekV2Config)
- deepseek_v3 — DeepseekV3ForSequenceClassification (model DeepseekV3Config)
- diffllama — DiffLlamaForSequenceClassification (model DiffLlamaConfig)
- distilbert — DistilBertForSequenceClassification (model DistilBertConfig)
- doge — DogeForSequenceClassification (model DogeConfig)
- electra — ElectraForSequenceClassification (model ElectraConfig)
- ernie — ErnieForSequenceClassification (model ErnieConfig)
- esm — EsmForSequenceClassification (model EsmConfig)
- esmc — EsmcForSequenceClassification (model EsmcConfig)
- eurobert — EuroBertForSequenceClassification (model EuroBertConfig)
- exaone4 — Exaone4ForSequenceClassification (model Exaone4Config)
- falcon — FalconForSequenceClassification (model FalconConfig)
- flaubert — FlaubertForSequenceClassification (model FlaubertConfig)
- fnet — FNetForSequenceClassification (model FNetConfig)
- funnel — FunnelForSequenceClassification (model FunnelConfig)
- gemma — GemmaForSequenceClassification (model GemmaConfig)
- gemma2 — Gemma2ForSequenceClassification (model Gemma2Config)
- gemma3 — Gemma3ForSequenceClassification (model Gemma3Config)
- gemma3_text — Gemma3TextForSequenceClassification (model Gemma3TextConfig)
- glm — GlmForSequenceClassification (model G
- glm4 — Glm4ForSequenceClassification (model Glm4Config)
- gpt-sw3 — GPT2ForSequenceClassification (model GPT2Config)
- gpt2 — GPT2ForSequenceClassification (model GPT2Config)
- gpt_bigcode — GPTBigCodeForSequenceClassification (model GPTBigCodeConfig)
- gpt_neo — GPTNeoForSequenceClassification (model GPTNeoConfig)
- gpt_neox — GPTNeoXForSequenceClassification (model GPTNeoXConfig)
- gpt_oss — GptOssForSequenceClassification (model GptOssConfig)
- gptj — GPTJForSequenceClassification (model GPTJConfig)
- gte — GteForSequenceClassification (model GteConfig)
- helium — HeliumForSequenceClassification (model HeliumConfig)
- hunyuan_v1_dense — HunYuanDenseV1ForSequenceClassification (model HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1ForSequenceClassification (model HunYuanMoEV1Config)
- ibert — IBertForSequenceClassification (model IBertConfig)
- jamba — JambaForSequenceClassification (model JambaConfig)
- jetmoe — JetMoeForSequenceClassification (model JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForSequenceClassification (model JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForSequenceClassification (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForSequenceClassification (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForSequenceClassification (model LayoutLMv3Config)
- lilt — LiltForSequenceClassification (model LiltConfig)
- llama — LlamaForSequenceClassification (model LlamaConfig)
- longformer — LongformerForSequenceClassification (model LongformerConfig)
- luke — LukeForSequenceClassification (model LukeConfig)
- markuplm — MarkupLMForSequenceClassification (model MarkupLMConfig)
- mbart — MBartForSequenceClassification (model MBartConfig)
- megatron-bert — MegatronBertForSequenceClassification (model MegatronBertConfig)
- minicpm3 — MiniCPM3ForSequenceClassification (model MiniCPM3Config)
- minimax — MiniMaxForSequenceClassification (model MiniMaxConfig)
- ministral — MinistralForSequenceClassification (model MinistralConfig)
- ministral3 — Ministral3ForSequenceClassification (model Ministral3Config)
- mistral — MistralForSequenceClassification (model MistralConfig)
- mistral4 — Mistral4ForSequenceClassification (model Mistral4Config)
- mixtral — MixtralForSequenceClassification (model MixtralConfig)
- mobilebert — MobileBertForSequenceClassification (model MobileBertConfig)
- modernbert — ModernBertForSequenceClassification (model ModernBertConfig)
- modernbert-decoder — ModernBertDecoderForSequenceClassification (model ModernBertDecoderConfig)
- modernvbert — ModernVBertForSequenceClassification (model ModernVBertConfig)
- mpnet — MPNetForSequenceClassification (model MPNetConfig)
- mpt — MptForSequenceClassification (model MptConfig)
- mra — MraForSequenceClassification (model MraConfig)
- mt5 — MT5ForSequenceClassification (model MT5Config)
- mvp — MvpForSequenceClassification (model MvpConfig)
- nemotron — NemotronForSequenceClassification (model NemotronConfig)
- nomic_bert — NomicBertForSequenceClassification (model NomicBertConfig)
- nystromformer — NystromformerForSequenceClassification (model NystromformerConfig)
- olmo — OlmoForSequenceClassification (model OlmoConfig)
- olmo2 — Olmo2ForSequenceClassification (model Olmo2Config)
- olmo3 — Olmo3ForSequenceClassification (model Olmo3Config)
- openai-gpt — OpenAIGPTForSequenceClassification (model OpenAIGPTConfig)
- opt — OPTForSequenceClassification (model OPTConfig)
- perceiver — PerceiverForSequenceClassification (model PerceiverConfig)
- persimmon — PersimmonForSequenceClassification (model PersimmonConfig)
- phi — PhiForSequenceClassification (model PhiConfig)
- phi3 — Phi3ForSequenceClassification (model Phi3Config)
- phimoe — PhimoeForSequenceClassification (model PhimoeConfig)
- plbart — PLBartForSequenceClassification (model PLBartConfig)
- qwen2 — Qwen2ForSequenceClassification (model Qwen2Config)
- qwen2_moe — Qwen2MoeForSequenceClassification (model Qwen2MoeConfig)
- qwen3 — Qwen3ForSequenceClassification (model Qwen3Config)
- qwen3_5 — Qwen3_5ForSequenceClassification (model Qwen3_5Config)
- qwen3_5_text — Qwen3_5TextForSequenceClassification (model Qwen3_5TextConfig)
- qwen3_moe — Qwen3MoeForSequenceClassification (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextForSequenceClassification (model Qwen3NextConfig)
- reformer — ReformerForSequenceClassification (model ReformerConfig)
- rembert — RemBertForSequenceClassification (model RemBertConfig)
- roberta — RobertaForSequenceClassification (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForSequenceClassification (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForSequenceClassification (model RoCBertConfig)
- roformer — RoFormerForSequenceClassification (model RoFormerConfig)
- seed_oss — SeedOssForSequenceClassification (model SeedOssConfig)
- smollm3 — SmolLM3ForSequenceClassification (model SmolLM3Config)
- squeezebert — SqueezeBertForSequenceClassification (model SqueezeBertConfig)
- stablelm — StableLmForSequenceClassification (model StableLmConfig)
- starcoder2 — Starcoder2ForSequenceClassification (model Starcoder2Config)
- t5 — T5ForSequenceClassification (model T5Config)
- t5gemma — T5GemmaForSequenceClassification (model T5GemmaConfig)
- t5gemma2 — T5Gemma2ForSequenceClassification (model T5Gemma2Config)
- tapas — TapasForSequenceClassification (model TapasConfig)
- ultrabert — UltrabertForSequenceClassification (model UltrabertConfig)
- ultravbert — UltraVBertForSequenceClassification (model UltraVBertConfig)
- umt5 — UMT5ForSequenceClassification (model UMT5Config)
- xlm — XLMForSequenceClassification (model XLMConfig)
- xlm-roberta — XLMRobertaForSequenceClassification (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForSequenceClassification (model XLMRobertaXLConfig)
- xlnet — XLNetForSequenceClassification (model XLNetConfig)
- xmod — XmodForSequenceClassification (model XmodConfig)
- yoso — YosoForSequenceClassification (model YosoConfig)
- zamba — ZambaForSequenceClassification (model ZambaConfig)
- zamba2 — Zamba2ForSequenceClassification (model Zamba2Config)
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
TrueAutoModelForMultipleChoice
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AlbertConfig: AlbertForMultipleChoice (model AlbertConfig)
- Kelas konfigurasi BertConfig: BertForMultipleChoice (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForMultipleChoice (model BigBirdConfig)
- Kelas konfigurasi CamembertConfig: CamembertForMultipleChoice (model CamembertConfig)
- Kelas konfigurasi CanineConfig: CanineForMultipleChoice (model CanineConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertForMultipleChoice (model ConvBertConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForMultipleChoice (model Data2VecTextConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForMultipleChoice (model DebertaV2Config)
- Kelas konfigurasi DistilBertConfig: DistilBertForMultipleChoice (model DistilBertConfig)
- Kelas konfigurasi ElectraConfig: ElectraForMultipleChoice (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForMultipleChoice (model ErnieConfig)
- Kelas konfigurasi FNetConfig: FNetForMultipleChoice (model FNetConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertForMultipleChoice (model FlaubertConfig)
- Kelas konfigurasi FunnelConfig: FunnelForMultipleChoice (model FunnelConfig)
- Kelas konfigurasi IBertConfig: IBertForMultipleChoice (model IBertConfig)
- Kelas konfigurasi LongformerConfig: LongformerForMultipleChoice (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForMultipleChoice (model LukeConfig)
- Kelas konfigurasi MPNetConfig: MPNetForMultipleChoice (model MPNetConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForMultipleChoice (model MegatronBertConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForMultipleChoice (model MobileBertConfig)
- Kelas konfigurasi ModernBertConfig: ModernBertForMultipleChoice (model ModernBertConfig)
- Kelas konfigurasi MraConfig: MraForMultipleChoice (model MraConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerForMultipleChoice (model NystromformerConfig)
- Kelas konfigurasi RemBertConfig: RemBertForMultipleChoice (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForMultipleChoice (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForMultipleChoice (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForMultipleChoice (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForMultipleChoice (model RobertaPreLayerNormConfig)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForMultipleChoice (model SqueezeBertConfig)
- Kelas konfigurasi XLMConfig: XLMForMultipleChoice (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForMultipleChoice (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForMultipleChoice (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetForMultipleChoice (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForMultipleChoice (model XmodConfig)
- Kelas konfigurasi YosoConfig: YosoForMultipleChoice (model YosoConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForMultipleChoice (model AlbertConfig)
- bert — BertForMultipleChoice (model BertConfig)
- big_bird — BigBirdForMultipleChoice (model BigBirdConfig)
- camembert — CamembertForMultipleChoice (model CamembertConfig)
- canine — CanineForMultipleChoice (model CanineConfig)
- convbert — ConvBertForMultipleChoice (model ConvBertConfig)
- data2vec-text — Data2VecTextForMultipleChoice (model Data2VecTextConfig)
- deberta-v2 — DebertaV2ForMultipleChoice (model DebertaV2Config)
- distilbert — DistilBertForMultipleChoice (model DistilBertConfig)
- electra — ElectraForMultipleChoice (model ElectraConfig)
- ernie — ErnieForMultipleChoice (model ErnieConfig)
- flaubert — FlaubertForMultipleChoice (model FlaubertConfig)
- fnet — FNetForMultipleChoice (model FNetConfig)
- funnel — FunnelForMultipleChoice (model FunnelConfig)
- ibert — IBertForMultipleChoice (model IBertConfig)
- longformer — LongformerForMultipleChoice (model LongformerConfig)
- luke — LukeForMultipleChoice (model LukeConfig)
- megatron-bert — MegatronBertForMultipleChoice (model MegatronBertConfig)
- mobilebert — MobileBertForMultipleChoice (model MobileBertConfig)
- modernbert — ModernBertForMultipleChoice (model ModernBertConfig)
- mpnet — MPNetForMultipleChoice (model MPNetConfig)
- mra — MraForMultipleChoice (model MraConfig)
- nystromformer — NystromformerForMultipleChoice (model NystromformerConfig)
- rembert — RemBertForMultipleChoice (model RemBertConfig)
- roberta — RobertaForMultipleChoice (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMultipleChoice (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForMultipleChoice (model RoCBertConfig)
- roformer — RoFormerForMultipleChoice (model RoFormerConfig)
- squeezebert — SqueezeBertForMultipleChoice (model SqueezeBertConfig)
- xlm — XLMForMultipleChoice (model XLMConfig)
- xlm-roberta — XLMRobertaForMultipleChoice (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMultipleChoice (model XLMRobertaXLConfig)
- xlnet — XLNetForMultipleChoice (model XLNetConfig)
- xmod — XmodForMultipleChoice (model XmodConfig)
- yoso — YosoForMultipleChoice (model YosoConfig)
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
TrueAutoModelForNextSentencePrediction
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi BertConfig: BertForNextSentencePrediction (model BertConfig)
- Kelas konfigurasi ErnieConfig: ErnieForNextSentencePrediction (model ErnieConfig)
- Kelas konfigurasi FNetConfig: FNetForNextSentencePrediction (model FNetConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForNextSentencePrediction (model MegatronBertConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForNextSentencePrediction (model MobileBertConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- bert — BertForNextSentencePrediction (model BertConfig)
- ernie — ErnieForNextSentencePrediction (model ErnieConfig)
- fnet — FNetForNextSentencePrediction (model FNetConfig)
- megatron-bert — MegatronBertForNextSentencePrediction (model MegatronBertConfig)
- mobilebert — MobileBertForNextSentencePrediction (model MobileBertConfig)
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
TrueAutoModelForTokenClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AXK1Config: AXK1ForTokenClassification (model AXK1Config)
- Kelas konfigurasi AXK2Config: AXK2ForTokenClassification (model AXK2Config)
- Kelas konfigurasi AlbertConfig: AlbertForTokenClassification (model AlbertConfig)
- Kelas konfigurasi ApertusConfig: ApertusForTokenClassification (model ApertusConfig)
- Kelas konfigurasi ArceeConfig: ArceeForTokenClassification (model ArceeConfig)
- Kelas konfigurasi BertConfig: BertForTokenClassification (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForTokenClassification (model BigBirdConfig)
- Kelas konfigurasi BioGptConfig: BioGptForTokenClassification (model BioGptConfig)
- Kelas konfigurasi BloomConfig: BloomForTokenClassification (model BloomConfig)
- Kelas konfigurasi BrosConfig: BrosForTokenClassification (model BrosConfig)
- Kelas konfigurasi CamembertConfig: CamembertForTokenClassification (model CamembertConfig)
- Kelas konfigurasi CanineConfig: CanineForTokenClassification (model CanineConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertForTokenClassification (model ConvBertConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForTokenClassification (model Data2VecTextConfig)
- Kelas konfigurasi DebertaConfig: DebertaForTokenClassification (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForTokenClassification (model DebertaV2Config)
- Kelas konfigurasi DeepseekV3Config: DeepseekV3ForTokenClassification (model DeepseekV3Config)
- Kelas konfigurasi DiffLlamaConfig: DiffLlamaForTokenClassification (model DiffLlamaConfig)
- Kelas konfigurasi DistilBertConfig: DistilBertForTokenClassification (model DistilBertConfig)
- Kelas konfigurasi ElectraConfig: ElectraForTokenClassification (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForTokenClassification (model ErnieConfig)
- Kelas konfigurasi EsmConfig: EsmForTokenClassification (model EsmConfig)
- Kelas konfigurasi EsmcConfig: EsmcForTokenClassification (model EsmcConfig)
- Kelas konfigurasi EuroBertConfig: EuroBertForTokenClassification (model EuroBertConfig)
- Kelas konfigurasi Exaone4Config: Exaone4ForTokenClassification (model Exaone4Config)
- Kelas konfigurasi FNetConfig: FNetForTokenClassification (model FNetConfig)
- Kelas konfigurasi FalconConfig: FalconForTokenClassification (model FalconConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertForTokenClassification (model FlaubertConfig)
- Kelas konfigurasi FunnelConfig: FunnelForTokenClassification (model FunnelConfig)
- Kelas konfigurasi GPT2Config: GPT2ForTokenClassification (model GPT2Config)
- Kelas konfigurasi GPTBigCodeConfig: GPTBigCodeForTokenClassification (model GPTBigCodeConfig)
- Kelas konfigurasi GPTNeoConfig: GPTNeoForTokenClassification (model GPTNeoConfig)
- Kelas konfigurasi GPTNeoXConfig: GPTNeoXForTokenClassification (model GPTNeoXConfig)
- Kelas konfigurasi Gemma2Config: Gemma2ForTokenClassification (model Gemma2Config)
- Kelas konfigurasi GemmaConfig: GemmaForTokenClassification (model GemmaConfig)
- Kelas konfigurasi Glm4Config: Glm4ForTokenClassification (model Glm4Config)
- Kelas konfigurasi GlmConfig: GlmForTokenClassification (model GlmConfig)
- Kelas konfigurasi GptOssConfig: GptOssForTokenClassification (model GptOssConfig)
- Kelas konfigurasi GteConfig: GteForTokenClassification (model GteConfig)
- Kelas konfigurasi HeliumConfig: HeliumForTokenClassification (model HeliumConfig)
- Kelas konfigurasi IBertConfig: IBertForTokenClassification (model IBertConfig)
- Kelas konfigurasi JinaEmbeddingsV3Config: JinaEmbeddingsV3ForTokenClassification (model JinaEmbeddingsV3Config)
- Kelas konfigurasi LayoutLMConfig: LayoutLMForTokenClassification (model LayoutLMConfig)
- Kelas konfigurasi LayoutLMv2Config: LayoutLMv2ForTokenClassification (model LayoutLMv2Config)
- Kelas konfigurasi LayoutLMv3Config: LayoutLMv3ForTokenClassification (model LayoutLMv3Config)
- Kelas konfigurasi LiltConfig: LiltForTokenClassification (model LiltConfig)
- Kelas konfigurasi LlamaConfig: LlamaForTokenClassification (model LlamaConfig)
- Kelas konfigurasi LongformerConfig: LongformerForTokenClassification (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForTokenClassification (model LukeConfig)
- Kelas konfigurasi MPNetConfig: MPNetForTokenClassification (model MPNetConfig)
- Kelas konfigurasi MT5Config: MT5ForTokenClassification (model MT5Config)
- Kelas konfigurasi MarkupLMConfig: MarkupLMForTokenClassification (model MarkupLMConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForTokenClassification (model MegatronBertConfig)
- Kelas konfigurasi MiniMaxConfig: MiniMaxForTokenClassification (model MiniMaxConfig)
- Kelas konfigurasi Ministral3Config: Ministral3ForTokenClassification (model Ministral3Config)
- Kelas konfigurasi MinistralConfig: MinistralForTokenClassification (model MinistralConfig)
- Kelas konfigurasi Mistral4Config: Mistral4ForTokenClassification (model Mistral4Config)
- Kelas konfigurasi MistralConfig: MistralForTokenClassification (model MistralConfig)
- Kelas konfigurasi MixtralConfig: MixtralForTokenClassification (model MixtralConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForTokenClassification (model MobileBertConfig)
- Kelas konfigurasi ModernBertConfig: ModernBertForTokenClassification (model ModernBertConfig)
- Kelas konfigurasi ModernVBertConfig: ModernVBertForTokenClassification (model ModernVBertConfig)
- Kelas konfigurasi MptConfig: MptForTokenClassification (model MptConfig)
- Kelas konfigurasi MraConfig: MraForTokenClassification (model MraConfig)
- Kelas konfigurasi NemotronConfig: NemotronForTokenClassification (model NemotronConfig)
- Kelas konfigurasi NomicBertConfig: NomicBertForTokenClassification (model NomicBertConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerForTokenClassification (model NystromformerConfig)
- Kelas konfigurasi OpenAIPrivacyFilterConfig: OpenAIPrivacyFilterForTokenClassification (model OpenAIPrivacyFilterConfig)
- Kelas konfigurasi PersimmonConfig: PersimmonForTokenClassification (model PersimmonConfig)
- Kelas konfigurasi Phi3Config: Phi3ForTokenClassification (model Phi3Config)
- Kelas konfigurasi PhiConfig: PhiForTokenClassification (model PhiConfig)
- Kelas konfigurasi Qwen2Config: Qwen2ForTokenClassification (model Qwen2Config)
- Kelas konfigurasi Qwen2MoeConfig: Qwen2MoeForTokenClassification (model Qwen2MoeConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRForTokenClassification (model Qwen3ASRConfig)
- Kelas konfigurasi Qwen3Config: Qwen3ForTokenClassification (model Qwen3Config)
- Kelas konfigurasi Qwen3MoeConfig: Qwen3MoeForTokenClassification (model Qwen3MoeConfig)
- Kelas konfigurasi Qwen3NextConfig: Qwen3NextForTokenClassification (model Qwen3NextConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5ForTokenClassification (model Qwen3_5Config)
- Kelas konfigurasi RemBertConfig: RemBertForTokenClassification (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForTokenClassification (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForTokenClassification (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForTokenClassification (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForTokenClassification (model RobertaPreLayerNormConfig)
- Kelas konfigurasi SeedOssConfig: SeedOssForTokenClassification (model SeedOssConfig)
- Kelas konfigurasi SmolLM3Config: SmolLM3ForTokenClassification (model SmolLM3Config)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForTokenClassification (model SqueezeBertConfig)
- Kelas konfigurasi StableLmConfig: StableLmForTokenClassification (model StableLmConfig)
- Kelas konfigurasi Starcoder2Config: Starcoder2ForTokenClassification (model Starcoder2Config)
- Kelas konfigurasi T5Config: T5ForTokenClassification (model T5Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForTokenClassification (model T5Gemma2Config)
- Kelas konfigurasi T5GemmaConfig: T5GemmaForTokenClassification (model T5GemmaConfig)
- Kelas konfigurasi UMT5Config: UMT5ForTokenClassification (model UMT5Config)
- Kelas konfigurasi UltraVBertConfig: UltraVBertForTokenClassification (model UltraVBertConfig)
- Kelas konfigurasi UltrabertConfig: UltrabertForTokenClassification (model UltrabertConfig)
- Kelas konfigurasi XLMConfig: XLMForTokenClassification (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForTokenClassification (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForTokenClassification (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetForTokenClassification (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForTokenClassification (model XmodConfig)
- Kelas konfigurasi YosoConfig: YosoForTokenClassification (model YosoConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForTokenClassification (model AlbertConfig)
- apertus — ApertusForTokenClassification (model ApertusConfig)
- arcee — ArceeForTokenClassification (model ArceeConfig)
- axk1 — AXK1ForTokenClassification (model AXK1Config)
- axk2 — AXK2ForTokenClassification (model AXK2Config)
- bert — BertForTokenClassification (model BertConfig)
- big_bird — BigBirdForTokenClassification (model BigBirdConfig)
- biogpt — BioGptForTokenClassification (model BioGptConfig)
- bloom — BloomForTokenClassification (model BloomConfig)
- bros — BrosForTokenClassification (model BrosConfig)
- camembert — CamembertForTokenClassification (model CamembertConfig)
- canine — CanineForTokenClassification (model CanineConfig)
- convbert — ConvBertForTokenClassification (model ConvBertConfig)
- data2vec-text — Data2VecTextForTokenClassification (model Data2VecTextConfig)
- deberta — DebertaForTokenClassification (model DebertaConfig)
- deberta-v2 — DebertaV2ForTokenClassification (model DebertaV2Config)
- deepseek_v3 — DeepseekV3ForTokenClassification (model DeepseekV3Config)
- diffllama — DiffLlamaForTokenClassification (model DiffLlamaConfig)
- distilbert — DistilBertForTokenClassification (model DistilBertConfig)
- electra — ElectraForTokenClassification (model ElectraConfig)
- ernie — ErnieForTokenClassification (model ErnieConfig)
- esm — EsmForTokenClassification (model EsmConfig)
- esmc — EsmcForTokenClassification (model EsmcConfig)
- eurobert — EuroBertForTokenClassification (model EuroBertConfig)
- exaone4 — Exaone4ForTokenClassification (model Exaone4Config)
- falcon — FalconForTokenClassification (model FalconConfig)
- flaubert — FlaubertForTokenClassification (model FlaubertConfig)
- fnet — FNetForTokenClassification (model FNetConfig)
- funnel — FunnelForTokenClassification (model FunnelConfig)
- gemma — GemmaForTokenClassification (model GemmaConfig)
- gemma2 — Gemma2ForTokenClassification (model Gemma2Config)
- glm — GlmForTokenClassification (model GlmConfig)
- glm4 — Glm4ForTokenClassification (model Glm4Config)
- gpt-sw3 — GPT2ForTokenClassification (model GPT2Config)
- gpt2 — GPT2ForTokenClassification (model GPT2Config)
- gpt_bigcode — GPTBigCodeForTokenClassification (model GPTBigCodeConfig)
- gpt_neo — GPTNeoForTokenClassification (model GPTNeoConfig)
- gpt_neox — GPTNeoXForTokenClassification (model GPTNeoXConfig)
- gpt_oss — GptOssForTokenClassification (model GptOssConfig)
- gte — GteForTokenClassification (model GteConfig)
- helium — HeliumForTokenClassification (model HeliumConfig)
- ibert — IBertForTokenClassification (model IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForTokenClassification (model JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForTokenClassification (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForTokenClassification (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForTokenClassification (model LayoutLMv3Config)
- lilt — LiltForTokenClassification (model LiltConfig)
- llama — LlamaForTokenClassification (model LlamaConfig)
- longformer — LongformerForTokenClassification (model LongformerConfig)
- luke — LukeForTokenClassification (model LukeConfig)
- markuplm — MarkupLMForTokenClassification (model MarkupLMConfig)
- megatron-bert — MegatronBertForTokenClassification (model MegatronBertConfig)
- minimax — MiniMaxForTokenClassification (model MiniMaxConfig)
- ministral — MinistralForTokenClassification (model MinistralConfig)
- ministral3 — Ministral3ForTokenClassification (model Ministral3Config)
- mistral — MistralForTokenClassification (model MistralConfig)
- mistral4 — Mistral4ForTokenClassification (model Mistral4Config)
- mixtral — MixtralForTokenClassification (model MixtralConfig)
- mobilebert — MobileBertForTokenClassification (model MobileBertConfig)
- modernbert — ModernBertForTokenClassification (model ModernBertConfig)
- modernvbert — ModernVBertForTokenClassification (model ModernVBertConfig)
- mpnet — MPNetForTokenClassification (model MPNetConfig)
- mpt — MptForTokenClassification (model MptConfig)
- mra — MraForTokenClassification (model MraConfig)
- mt5 — MT5ForTokenClassification (model MT5Config)
- nemotron — NemotronForTokenClassification (model NemotronConfig)
- nomic_bert — NomicBertForTokenClassification (model NomicBertConfig)
- nystromformer — NystromformerForTokenClassification (model NystromformerConfig)
- openai_privacy_filter — OpenAIPrivacyFilterForTokenClassification (model OpenAIPrivacyFilterConfig)
- persimmon — PersimmonForTokenClassification (model PersimmonConfig)
- phi — PhiForTokenClassification (model PhiConfig)
- phi3 — Phi3ForTokenClassification (model Phi3Config)
- qwen2 — Qwen2ForTokenClassification (model Qwen2Config)
- qwen2_moe — Qwen2MoeForTokenClassification (model Qwen2MoeConfig)
- qwen3 — Qwen3ForTokenClassification (model Qwen3Config)
- qwen3_5 — Qwen3_5ForTokenClassification (model Qwen3_5Config)
- qwen3_asr — Qwen3ASRForTokenClassification (model Qwen3ASRConfig)
- qwen3_moe — Qwen3MoeForTokenClassification (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextForTokenClassification (model Qwen3NextConfig)
- rembert — RemBertForTokenClassification (model RemBertConfig)
- roberta — RobertaForTokenClassification (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForTokenClassification (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForTokenClassification (model RoCBertConfig)
- roformer — RoFormerForTokenClassification (model RoFormerConfig)
- seed_oss — SeedOssForTokenClassification (model SeedOssConfig)
- smollm3 — SmolLM3ForTokenClassification (model SmolLM3Config)
- squeezebert — SqueezeBertForTokenClassification (model SqueezeBertConfig)
- stablelm — StableLmForTokenClassification (model StableLmConfig)
- starcoder2 — Starcoder2ForTokenClassification (model Starcoder2Config)
- t5 — T5ForTokenClassification (model T5Config)
- t5gemma — T5GemmaForTokenClassification (model T5GemmaConfig)
- t5gemma2 — T5Gemma2ForTokenClassification (model T5Gemma2Config)
- ultrabert — UltrabertForTokenClassification (model UltrabertConfig)
- ultravbert — UltraVBertForTokenClassification (model UltraVBertConfig)
- umt5 — UMT5ForTokenClassification (model UMT5Config)
- xlm — XLMForTokenClassification (model XLMConfig)
- xlm-roberta — XLMRobertaForTokenClassification (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForTokenClassification (model XLMRobertaXLConfig)
- xlnet — XLNetForTokenClassification (model XLNetConfig)
- xmod — XmodForTokenClassification (model XmodConfig)
- yoso — YosoForTokenClassification (model YosoConfig)
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
TrueAutoModelForQuestionAnswering
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AlbertConfig: AlbertForQuestionAnswering (model AlbertConfig)
- Kelas konfigurasi ArceeConfig: ArceeForQuestionAnswering (model ArceeConfig)
- Kelas konfigurasi BartConfig: BartForQuestionAnswering (model BartConfig)
- Kelas konfigurasi BertConfig: BertForQuestionAnswering (model BertConfig)
- Kelas konfigurasi BigBirdConfig: BigBirdForQuestionAnswering (model BigBirdConfig)
- Kelas konfigurasi BigBirdPegasusConfig: BigBirdPegasusForQuestionAnswering (model BigBirdPegasusConfig)
- Kelas konfigurasi BloomConfig: BloomForQuestionAnswering (model BloomConfig)
- Kelas konfigurasi CamembertConfig: CamembertForQuestionAnswering (model CamembertConfig)
- Kelas konfigurasi CanineConfig: CanineForQuestionAnswering (model CanineConfig)
- Kelas konfigurasi ConvBertConfig: ConvBertForQuestionAnswering (model ConvBertConfig)
- Kelas konfigurasi Data2VecTextConfig: Data2VecTextForQuestionAnswering (model Data2VecTextConfig)
- Kelas konfigurasi DebertaConfig: DebertaForQuestionAnswering (model DebertaConfig)
- Kelas konfigurasi DebertaV2Config: DebertaV2ForQuestionAnswering (model DebertaV2Config)
- Kelas konfigurasi DiffLlamaConfig: DiffLlamaForQuestionAnswering (model DiffLlamaConfig)
- Kelas konfigurasi DistilBertConfig: DistilBertForQuestionAnswering (model DistilBertConfig)
- Kelas konfigurasi ElectraConfig: ElectraForQuestionAnswering (model ElectraConfig)
- Kelas konfigurasi ErnieConfig: ErnieForQuestionAnswering (model ErnieConfig)
- Kelas konfigurasi Exaone4Config: Exaone4ForQuestionAnswering (model Exaone4Config)
- Kelas konfigurasi FNetConfig: FNetForQuestionAnswering (model FNetConfig)
- Kelas konfigurasi FalconConfig: FalconForQuestionAnswering (model FalconConfig)
- Kelas konfigurasi FlaubertConfig: FlaubertForQuestionAnsweringSimple (model FlaubertConfig)
- Kelas konfigurasi FunnelConfig: FunnelForQuestionAnswering (model FunnelConfig)
- Kelas konfigurasi GPT2Config: GPT2ForQuestionAnswering (model GPT2Config)
- Kelas konfigurasi GPTJConfig: GPTJForQuestionAnswering (model GPTJConfig)
- Kelas konfigurasi GPTNeoConfig: GPTNeoForQuestionAnswering (model GPTNeoConfig)
- Kelas konfigurasi GPTNeoXConfig: GPTNeoXForQuestionAnswering (model GPTNeoXConfig)
- Kelas konfigurasi IBertConfig: IBertForQuestionAnswering (model IBertConfig)
- Kelas konfigurasi JinaEmbeddingsV3Config: JinaEmbeddingsV3ForQuestionAnswering (model JinaEmbeddingsV3Config)
- Kelas konfigurasi LEDConfig: LEDForQuestionAnswering (model LEDConfig)
- Kelas konfigurasi LayoutLMv2Config: LayoutLMv2ForQuestionAnswering (model LayoutLMv2Config)
- Kelas konfigurasi LayoutLMv3Config: LayoutLMv3ForQuestionAnswering (model LayoutLMv3Config)
- Kelas konfigurasi LiltConfig: LiltForQuestionAnswering (model LiltConfig)
- Kelas konfigurasi LlamaConfig: LlamaForQuestionAnswering (model LlamaConfig)
- Kelas konfigurasi LongformerConfig: LongformerForQuestionAnswering (model LongformerConfig)
- Kelas konfigurasi LukeConfig: LukeForQuestionAnswering (model LukeConfig)
- Kelas konfigurasi LxmertConfig: LxmertForQuestionAnswering (model LxmertConfig)
- Kelas konfigurasi MBartConfig: MBartForQuestionAnswering (model MBartConfig)
- Kelas konfigurasi MPNetConfig: MPNetForQuestionAnswering (model MPNetConfig)
- Kelas konfigurasi MT5Config: MT5ForQuestionAnswering (model MT5Config)
- Kelas konfigurasi MarkupLMConfig: MarkupLMForQuestionAnswering (model MarkupLMConfig)
- Kelas konfigurasi MegatronBertConfig: MegatronBertForQuestionAnswering (model MegatronBertConfig)
- Kelas konfigurasi MiniMaxConfig: MiniMaxForQuestionAnswering (model MiniMaxConfig)
- Kelas konfigurasi Ministral3Config: Ministral3ForQuestionAnswering (model Ministral3Config)
- Kelas konfigurasi MinistralConfig: MinistralForQuestionAnswering (model MinistralConfig)
- Kelas konfigurasi MistralConfig: MistralForQuestionAnswering (model MistralConfig)
- Kelas konfigurasi MixtralConfig: MixtralForQuestionAnswering (model MixtralConfig)
- Kelas konfigurasi MobileBertConfig: MobileBertForQuestionAnswering (model MobileBertConfig)
- Kelas konfigurasi ModernBertConfig: ModernBertForQuestionAnswering (model ModernBertConfig)
- Kelas konfigurasi MptConfig: MptForQuestionAnswering (model MptConfig)
- Kelas konfigurasi MraConfig: MraForQuestionAnswering (model MraConfig)
- Kelas konfigurasi MvpConfig: MvpForQuestionAnswering (model MvpConfig)
- Kelas konfigurasi NemotronConfig: NemotronForQuestionAnswering (model NemotronConfig)
- Kelas konfigurasi NystromformerConfig: NystromformerForQuestionAnswering (model NystromformerConfig)
- Kelas konfigurasi OPTConfig: OPTForQuestionAnswering (model OPTConfig)
- Kelas konfigurasi Qwen2Config: Qwen2ForQuestionAnswering (model Qwen2Config)
- Kelas konfigurasi Qwen2MoeConfig: Qwen2MoeForQuestionAnswering (model Qwen2MoeConfig)
- Kelas konfigurasi Qwen3Config: Qwen3ForQuestionAnswering (model Qwen3Config)
- Kelas konfigurasi Qwen3MoeConfig: Qwen3MoeForQuestionAnswering (model Qwen3MoeConfig)
- Kelas konfigurasi Qwen3NextConfig: Qwen3NextForQuestionAnswering (model Qwen3NextConfig)
- Kelas konfigurasi ReformerConfig: ReformerForQuestionAnswering (model ReformerConfig)
- Kelas konfigurasi RemBertConfig: RemBertForQuestionAnswering (model RemBertConfig)
- Kelas konfigurasi RoCBertConfig: RoCBertForQuestionAnswering (model RoCBertConfig)
- Kelas konfigurasi RoFormerConfig: RoFormerForQuestionAnswering (model RoFormerConfig)
- Kelas konfigurasi RobertaConfig: RobertaForQuestionAnswering (model RobertaConfig)
- Kelas konfigurasi RobertaPreLayerNormConfig: RobertaPreLayerNormForQuestionAnswering (model RobertaPreLayerNormConfig)
- Kelas konfigurasi SeedOssConfig: SeedOssForQuestionAnswering (model SeedOssConfig)
- Kelas konfigurasi SmolLM3Config: SmolLM3ForQuestionAnswering (model SmolLM3Config)
- Kelas konfigurasi SplinterConfig: SplinterForQuestionAnswering (model SplinterConfig)
- Kelas konfigurasi SqueezeBertConfig: SqueezeBertForQuestionAnswering (model SqueezeBertConfig)
- Kelas konfigurasi T5Config: T5ForQuestionAnswering (model T5Config)
- Kelas konfigurasi UMT5Config: UMT5ForQuestionAnswering (model UMT5Config)
- Kelas konfigurasi UltrabertConfig: UltrabertForQuestionAnswering (model UltrabertConfig)
- Kelas konfigurasi XLMConfig: XLMForQuestionAnsweringSimple (model XLMConfig)
- Kelas konfigurasi XLMRobertaConfig: XLMRobertaForQuestionAnswering (model XLMRobertaConfig)
- Kelas konfigurasi XLMRobertaXLConfig: XLMRobertaXLForQuestionAnswering (model XLMRobertaXLConfig)
- Kelas konfigurasi XLNetConfig: XLNetForQuestionAnsweringSimple (model XLNetConfig)
- Kelas konfigurasi XmodConfig: XmodForQuestionAnswering (model XmodConfig)
- Kelas konfigurasi YosoConfig: YosoForQuestionAnswering (model YosoConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- albert — AlbertForQuestionAnswering (model AlbertConfig)
- arcee — ArceeForQuestionAnswering (model ArceeConfig)
- bart — BartForQuestionAnswering (model BartConfig)
- bert — BertForQuestionAnswering (model BertConfig)
- big_bird — BigBirdForQuestionAnswering (model BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForQuestionAnswering (model BigBirdPegasusConfig)
- bloom — BloomForQuestionAnswering (model BloomConfig)
- camembert — CamembertForQuestionAnswering (model CamembertConfig)
- canine — CanineForQuestionAnswering (model CanineConfig)
- convbert — ConvBertForQuestionAnswering (model ConvBertConfig)
- data2vec-text — Data2VecTextForQuestionAnswering (model Data2VecTextConfig)
- deberta — DebertaForQuestionAnswering (model DebertaConfig)
- deberta-v2 — DebertaV2ForQuestionAnswering (model DebertaV2Config)
- diffllama — DiffLlamaForQuestionAnswering (model DiffLlamaConfig)
- distilbert — DistilBertForQuestionAnswering (model DistilBertConfig)
- electra — ElectraForQuestionAnswering (model ElectraConfig)
- ernie — ErnieForQuestionAnswering (model ErnieConfig)
- exaone4 — Exaone4ForQuestionAnswering (model Exaone4Config)
- falcon — FalconForQuestionAnswering (model FalconConfig)
- flaubert — FlaubertForQuestionAnsweringSimple (model FlaubertConfig)
- fnet — FNetForQuestionAnswering (model FNetConfig)
- funnel — FunnelForQuestionAnswering (model FunnelConfig)
- gpt2 — GPT2ForQuestionAnswering (model GPT2Config)
- gpt_neo — GPTNeoForQuestionAnswering (model GPTNeoConfig)
- gpt_neox — GPTNeoXForQuestionAnswering (model GPTNeoXConfig)
- gptj — GPTJForQuestionAnswering (model GPTJConfig)
- ibert — IBertForQuestionAnswering (model IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForQuestionAnswering (model JinaEmbeddingsV3Config)
- layoutlmv2 — LayoutLMv2ForQuestionAnswering (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForQuestionAnswering (model LayoutLMv3Config)
- led — LEDForQuestionAnswering (model LEDConfig)
- lilt — LiltForQuestionAnswering (model LiltConfig)
- llama — LlamaForQuestionAnswering (model LlamaConfig)
- longformer — LongformerForQuestionAnswering (model LongformerConfig)
- luke — LukeForQuestionAnswering (model LukeConfig)
- lxmert — LxmertForQuestionAnswering (model LxmertConfig)
- markuplm — MarkupLMForQuestionAnswering (model MarkupLMConfig)
- mbart — MBartForQuestionAnswering (model MBartConfig)
- megatron-bert — MegatronBertForQuestionAnswering (model MegatronBertConfig)
- minimax — MiniMaxForQuestionAnswering (model MiniMaxConfig)
- ministral — MinistralForQuestionAnswering (model MinistralConfig)
- ministral3 — Ministral3ForQuestionAnswering (model Ministral3Config)
- mistral — MistralForQuestionAnswering (model MistralConfig)
- mixtral — MixtralForQuestionAnswering (model MixtralConfig)
- mobilebert — MobileBertForQuestionAnswering (model MobileBertConfig)
- modernbert — ModernBertForQuestionAnswering (model ModernBertConfig)
- mpnet — MPNetForQuestionAnswering (model MPNetConfig)
- mpt — MptForQuestionAnswering (model MptConfig)
- mra — MraForQuestionAnswering (model MraConfig)
- mt5 — MT5ForQuestionAnswering (model MT5Config)
- mvp — MvpForQuestionAnswering (model MvpConfig)
- nemotron — NemotronForQuestionAnswering (model NemotronConfig)
- nystromformer — NystromformerForQuestionAnswering (model NystromformerConfig)
- opt — OPTForQuestionAnswering (model OPTConfig)
- qwen2 — Qwen2ForQuestionAnswering (model Qwen2Config)
- qwen2_moe — Qwen2MoeForQuestionAnswering (model Qwen2MoeConfig)
- qwen3 — Qwen3ForQuestionAnswering (model Qwen3Config)
- qwen3_moe — Qwen3MoeForQuestionAnswering (model Qwen3MoeConfig)
- qwen3_next — Qwen3NextForQuestionAnswering (model Qwen3NextConfig)
- reformer — ReformerForQuestionAnswering (model ReformerConfig)
- rembert — RemBertForQuestionAnswering (model RemBertConfig)
- roberta — RobertaForQuestionAnswering (model RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForQuestionAnswering (model RobertaPreLayerNormConfig)
- roc_bert — RoCBertForQuestionAnswering (model RoCBertConfig)
- roformer — RoFormerForQuestionAnswering (model RoFormerConfig)
- seed_oss — SeedOssForQuestionAnswering (model SeedOssConfig)
- smollm3 — SmolLM3ForQuestionAnswering (model SmolLM3Config)
- splinter — SplinterForQuestionAnswering (model SplinterConfig)
- squeezebert — SqueezeBertForQuestionAnswering (model SqueezeBertConfig)
- t5 — T5ForQuestionAnswering (model T5Config)
- ultrabert — UltrabertForQuestionAnswering (model UltrabertConfig)
- umt5 — UMT5ForQuestionAnswering (model UMT5Config)
- xlm — XLMForQuestionAnsweringSimple (model XLMConfig)
- xlm-roberta — XLMRobertaForQuestionAnswering (model XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForQuestionAnswering (model XLMRobertaXLConfig)
- xlnet — XLNetForQuestionAnsweringSimple (model XLNetConfig)
- xmod — XmodForQuestionAnswering (model XmodConfig)
- yoso — YosoForQuestionAnswering (model YosoConfig)
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
TrueAutoModelForTextEncoding
Visi komputer
Kelas auto berikut tersedia untuk tugas-tugas computer vision berikut.
AutoModelForDepthEstimation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi CHMv2Config: CHMv2ForDepthEstimation (model CHMv2Config)
- Kelas konfigurasi DPTConfig: DPTForDepthEstimation (model DPTConfig)
- Kelas konfigurasi DepthAnythingConfig: DepthAnythingForDepthEstimation (model DepthAnythingConfig)
- Kelas konfigurasi DepthProConfig: DepthProForDepthEstimation (model DepthProConfig)
- Kelas konfigurasi GLPNConfig: GLPNForDepthEstimation (model GLPNConfig)
- Kelas konfigurasi PromptDepthAnythingConfig: PromptDepthAnythingForDepthEstimation (model PromptDepthAnythingConfig)
- Kelas konfigurasi Tipsv2DptConfig: Tipsv2DptForDepthEstimation (model Tipsv2DptConfig)
- Kelas konfigurasi ZoeDepthConfig: ZoeDepthForDepthEstimation (model ZoeDepthConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- chmv2 — CHMv2ForDepthEstimation (model CHMv2Config)
- depth_anything — DepthAnythingForDepthEstimation (model DepthAnythingConfig)
- depth_pro — DepthProForDepthEstimation (model DepthProConfig)
- dpt — DPTForDepthEstimation (model DPTConfig)
- glpn — GLPNForDepthEstimation (model GLPNConfig)
- prompt_depth_anything — PromptDepthAnythingForDepthEstimation (model PromptDepthAnythingConfig)
- tipsv2_dpt — Tipsv2DptForDepthEstimation (model Tipsv2DptConfig)
- zoedepth — ZoeDepthForDepthEstimation (model ZoeDepthConfig)
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
TrueAutoModelForNormalEstimation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Sapiens2Config: Sapiens2ForNormalEstimation (model Sapiens2Config)
- Kelas konfigurasi Tipsv2DptConfig: Tipsv2DptForNormalEstimation (model Tipsv2DptConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- sapiens2 — Sapiens2ForNormalEstimation (model Sapiens2Config)
- tipsv2_dpt — Tipsv2DptForNormalEstimation (model Tipsv2DptConfig)
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
TrueAutoModelForPointmapEstimation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Sapiens2Config: Sapiens2ForPointmapEstimation (model Sapiens2Config)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- sapiens2 — Sapiens2ForPointmapEstimation (model Sapiens2Config)
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
TrueAutoModelForImageMatting
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Sapiens2Config: Sapiens2ForImageMatting (model Sapiens2Config)
- Kelas konfigurasi VitMatteConfig: VitMatteForImageMatting (model VitMatteConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- sapiens2 — Sapiens2ForImageMatting (model Sapiens2Config)
- vitmatte — VitMatteForImageMatting (model VitMatteConfig)
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
TrueAutoModelForTextRecognition
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi PPOCRV5MobileRecConfig: PPOCRV5MobileRecForTextRecognition (model PPOCRV5MobileRecConfig)
- Kelas konfigurasi PPOCRV5ServerRecConfig: PPOCRV5ServerRecForTextRecognition (model PPOCRV5ServerRecConfig)
- Kelas konfigurasi PPOCRV6SmallRecConfig: PPOCRV6SmallRecForTextRecognition (model PPOCRV6SmallRecConfig)
- Kelas konfigurasi PPOCRV6TinyRecConfig: PPOCRV6TinyRecForTextRecognition (model PPOCRV6TinyRecConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecForTextRecognition (model PPOCRV5MobileRecConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecForTextRecognition (model PPOCRV5ServerRecConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecForTextRecognition (model PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecForTextRecognition (model PPOCRV6TinyRecConfig)
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
TrueAutoModelForTableRecognition
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi SLANeXtConfig: SLANeXtForTableRecognition (model SLANeXtConfig)
- Kelas konfigurasi SLANetConfig: SLANetForTableRecognition (model SLANetConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- slanet — SLANetForTableRecognition (model SLANetConfig)
- slanext — SLANeXtForTableRecognition (model SLANeXtConfig)
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
TrueAutoModelForImageClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi BeitConfig: BeitForImageClassification (model BeitConfig)
- Kelas konfigurasi BitConfig: BitForImageClassification (model BitConfig)
- Kelas konfigurasi CLIPConfig: CLIPForImageClassification (model CLIPConfig)
- Kelas konfigurasi ConvNextConfig: ConvNextForImageClassification (model ConvNextConfig)
- Kelas konfigurasi ConvNextV2Config: ConvNextV2ForImageClassification (model ConvNextV2Config)
- Kelas konfigurasi CvtConfig: CvtForImageClassification (model CvtConfig)
- Kelas konfigurasi Data2VecVisionConfig: Data2VecVisionForImageClassification (model Data2VecVisionConfig)
- Kelas konfigurasi DeiTConfig: DeiTForImageClassification atau DeiTForImageClassificationWithTeacher (model DeiTConfig)
- Kelas konfigurasi DinatConfig: DinatForImageClassification (model DinatConfig)
- Kelas konfigurasi Dinov2Config: Dinov2ForImageClassification (model Dinov2Config)
- Kelas konfigurasi Dinov2WithRegistersConfig: Dinov2WithRegistersForImageClassification (model Dinov2WithRegistersConfig)
- Kelas konfigurasi DonutSwinConfig: DonutSwinForImageClassification (model DonutSwinConfig)
- Kelas konfigurasi EfficientNetConfig: EfficientNetForImageClassification (model EfficientNetConfig)
- Kelas konfigurasi FocalNetConfig: FocalNetForImageClassification (model FocalNetConfig)
- Kelas konfigurasi HGNetV2Config: HGNetV2ForImageClassification (model HGNetV2Config)
- Kelas konfigurasi HieraConfig: HieraForImageClassification (model HieraConfig)
- Kelas konfigurasi IJepaConfig: IJepaForImageClassification (model IJepaConfig)
- Kelas konfigurasi ImageGPTConfig: ImageGPTForImageClassification (model ImageGPTConfig)
- Kelas konfigurasi LevitConfig: LevitForImageClassification atau LevitForImageClassificationWithTeacher (model LevitConfig)
- Kelas konfigurasi MetaClip2Config: MetaClip2ForImageClassification (model MetaClip2Config)
- Kelas konfigurasi MobileNetV1Config: MobileNetV1ForImageClassification (model MobileNetV1Config)
- Kelas konfigurasi MobileNetV2Config: MobileNetV2ForImageClassification (model MobileNetV2Config)
- Kelas konfigurasi MobileViTConfig: MobileViTForImageClassification (model MobileViTConfig)
- Kelas konfigurasi MobileViTV2Config: MobileViTV2ForImageClassification (model MobileViTV2Config)
- Kelas konfigurasi PPLCNetConfig: PPLCNetForImageClassification (model PPLCNetConfig)
- Kelas konfigurasi PerceiverConfig: PerceiverForImageClassificationLearned atau PerceiverForImageClassificationFourier atau PerceiverForImageClassificationConvProcessing (model PerceiverConfig)
- Kelas konfigurasi PoolFormerConfig: PoolFormerForImageClassification (model PoolFormerConfig)
- Kelas konfigurasi PvtConfig: PvtForImageClassification (model PvtConfig)
- Kelas konfigurasi PvtV2Config: PvtV2ForImageClassification (model PvtV2Config)
- Kelas konfigurasi RegNetConfig: RegNetForImageClassification (model RegNetConfig)
- Kelas konfigurasi ResNetConfig: ResNetForImageClassification (model ResNetConfig)
- Kelas konfigurasi SegformerConfig: SegformerForImageClassification (model SegformerConfig)
- Kelas konfigurasi ShieldGemma2Config: ShieldGemma2ForImageClassification (model ShieldGemma2Config)
- Kelas konfigurasi Siglip2Config: Siglip2ForImageClassification (model Siglip2Config)
- Kelas konfigurasi SiglipConfig: SiglipForImageClassification (model SiglipConfig)
- Kelas konfigurasi SwiftFormerConfig: SwiftFormerForImageClassification (model SwiftFormerConfig)
- Kelas konfigurasi SwinConfig: SwinForImageClassification (model SwinConfig)
- Kelas konfigurasi Swinv2Config: Swinv2ForImageClassification (model Swinv2Config)
- Kelas konfigurasi TextNetConfig: TextNetForImageClassification (model TextNetConfig)
- Kelas konfigurasi TimmWrapperConfig: TimmWrapperForImageClassification (model TimmWrapperConfig)
- Kelas konfigurasi ViTConfig: ViTForImageClassification (model ViTConfig)
- Kelas konfigurasi ViTMSNConfig: ViTMSNForImageClassification (model ViTMSNConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- beit — BeitForImageClassification (model BeitConfig)
- bit — BitForImageClassification (model BitConfig)
- clip — CLIPForImageClassification (model CLIPConfig)
- convnext — ConvNextForImageClassification (model ConvNextConfig)
- convnextv2 — ConvNextV2ForImageClassification (model ConvNextV2Config)
- cvt — CvtForImageClassification (model CvtConfig)
- data2vec-vision — Data2VecVisionForImageClassification (model Data2VecVisionConfig)
- deit — DeiTForImageClassification atau DeiTForImageClassificationWithTeacher (model DeiTConfig)
- dinat — DinatForImageClassification (model DinatConfig)
- dinov2 — Dinov2ForImageClassification (model Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersForImageClassification (model Dinov2WithRegistersConfig)
- donut-swin — DonutSwinForImageClassification (model DonutSwinConfig)
- efficientnet — EfficientNetForImageClassification (model EfficientNetConfig)
- focalnet — FocalNetForImageClassification (model FocalNetConfig)
- hgnet_v2 — HGNetV2ForImageClassification (model HGNetV2Config)
- hiera — HieraForImageClassification (model HieraConfig)
- ijepa — IJepaForImageClassification (model IJepaConfig)
- imagegpt — ImageGPTForImageClassification (model ImageGPTConfig)
- levit — LevitForImageClassification atau LevitForImageClassificationWithTeacher (model LevitConfig)
- metaclip_2 — MetaClip2ForImageClassification (model MetaClip2Config)
- mobilenet_v1 — MobileNetV1ForImageClassification (model MobileNetV1Config)
- mobilenet_v2 — MobileNetV2ForImageClassification (model MobileNetV2Config)
- mobilevit — MobileViTForImageClassification (model MobileViTConfig)
- mobilevitv2 — MobileViTV2ForImageClassification (model MobileViTV2Config)
- perceiver — PerceiverForImageClassificationLearned atau PerceiverForImageClassificationFourier atau PerceiverForImageClassificationConvProcessing (model PerceiverConfig)
- poolformer — PoolFormerForImageClassification (model PoolFormerConfig)
- pp_lcnet — PPLCNetForImageClassification (model PPLCNetConfig)
- pvt — PvtForImageClassification (model PvtConfig)
- pvt_v2 — PvtV2ForImageClassification (model PvtV2Config)
- regnet — RegNetForImageClassification (model RegNetConfig)
- resnet — ResNetForImageClassification (model ResNetConfig)
- segformer — SegformerForImageClassification (model SegformerConfig)
- shieldgemma2 — ShieldGemma2ForImageClassification (model ShieldGemma2Config)
- siglip — SiglipForImageClassification (model SiglipConfig)
- siglip2 — Siglip2ForImageClassification (model Siglip2Config)
- swiftformer — SwiftFormerForImageClassification (model SwiftFormerConfig)
- swin — SwinForImageClassification (model SwinConfig)
- swinv2 — Swinv2ForImageClassification (model Swinv2Config)
- textnet — TextNetForImageClassification (model TextNetConfig)
- timm_wrapper — TimmWrapperForImageClassification (model TimmWrapperConfig)
- vit — ViTForImageClassification (model ViTConfig)
- vit_msn — ViTMSNForImageClassification (model ViTMSNConfig)
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
TrueAutoModelForVideoClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi TimesformerConfig: TimesformerForVideoClassification (model TimesformerConfig)
- Kelas konfigurasi VJEPA2Config: VJEPA2ForVideoClassification (model VJEPA2Config)
- Kelas konfigurasi VideoMAEConfig: VideoMAEForVideoClassification (model VideoMAEConfig)
- Kelas konfigurasi VideoPrismVisionConfig: VideoPrismForVideoClassification (model VideoPrismVisionConfig)
- Kelas konfigurasi VivitConfig: VivitForVideoClassification (model VivitConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- timesformer — TimesformerForVideoClassification (model TimesformerConfig)
- videomae — VideoMAEForVideoClassification (model VideoMAEConfig)
- videoprism_vision_model — VideoPrismForVideoClassification (model VideoPrismVisionConfig)
- vivit — VivitForVideoClassification (model VivitConfig)
- vjepa2 — VJEPA2ForVideoClassification (model VJEPA2Config)
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
TrueAutoModelForPoseEstimation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Sapiens2Config: Sapiens2ForPoseEstimation (model Sapiens2Config)
- Kelas konfigurasi VitPoseConfig: VitPoseForPoseEstimation (model VitPoseConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- sapiens2 — Sapiens2ForPoseEstimation (model Sapiens2Config)
- vitpose — VitPoseForPoseEstimation (model VitPoseConfig)
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
TrueAutoModelForKeypointDetection
AutoModelForKeypointMatching
AutoModelForMaskedImageModeling
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi DeiTConfig: DeiTForMaskedImageModeling (model DeiTConfig)
- Kelas konfigurasi FocalNetConfig: FocalNetForMaskedImageModeling (model FocalNetConfig)
- Kelas konfigurasi SwinConfig: SwinForMaskedImageModeling (model SwinConfig)
- Kelas konfigurasi Swinv2Config: Swinv2ForMaskedImageModeling (model Swinv2Config)
- Kelas konfigurasi ViTConfig: ViTForMaskedImageModeling (model ViTConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- deit — DeiTForMaskedImageModeling (model DeiTConfig)
- focalnet — FocalNetForMaskedImageModeling (model FocalNetConfig)
- swin — SwinForMaskedImageModeling (model SwinConfig)
- swinv2 — Swinv2ForMaskedImageModeling (model Swinv2Config)
- vit — ViTForMaskedImageModeling (model ViTConfig)
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
TrueAutoModelForObjectDetection
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi ConditionalDetrConfig: ConditionalDetrForObjectDetection (model ConditionalDetrConfig)
- Kelas konfigurasi DFineConfig: DFineForObjectDetection (model DFineConfig)
- Kelas konfigurasi DabDetrConfig: DabDetrForObjectDetection (model DabDetrConfig)
- Kelas konfigurasi DeformableDetrConfig: DeformableDetrForObjectDetection (model DeformableDetrConfig)
- Kelas konfigurasi Deimv2Config: Deimv2ForObjectDetection (model Deimv2Config)
- Kelas konfigurasi DetrConfig: DetrForObjectDetection (model DetrConfig)
- Kelas konfigurasi LwDetrConfig: LwDetrForObjectDetection (model LwDetrConfig)
- Kelas konfigurasi PPDocLayoutV2Config: PPDocLayoutV2ForObjectDetection (model PPDocLayoutV2Config)
- Kelas konfigurasi PPDocLayoutV3Config: PPDocLayoutV3ForObjectDetection (model PPDocLayoutV3Config)
- Kelas konfigurasi PPDocLayoutV4Config: PPDocLayoutV4ForObjectDetection (model PPDocLayoutV4Config)
- Kelas konfigurasi PPOCRV5MobileDetConfig: PPOCRV5MobileDetForObjectDetection (model PPOCRV5MobileDetConfig)
- Kelas konfigurasi PPOCRV5ServerDetConfig: PPOCRV5ServerDetForObjectDetection (model PPOCRV5ServerDetConfig)
- Kelas konfigurasi PPOCRV6MediumDetConfig: PPOCRV6MediumDetForObjectDetection (model PPOCRV6MediumDetConfig)
- Kelas konfigurasi PPOCRV6SmallDetConfig: PPOCRV6SmallDetForObjectDetection (model PPOCRV6SmallDetConfig)
- Kelas konfigurasi RTDetrConfig: RTDetrForObjectDetection (model RTDetrConfig)
- Kelas konfigurasi RTDetrV2Config: RTDetrV2ForObjectDetection (model RTDetrV2Config)
- Kelas konfigurasi RfDetrConfig: RfDetrForObjectDetection (model RfDetrConfig)
- Kelas konfigurasi TableTransformerConfig: TableTransformerForObjectDetection (model TableTransformerConfig)
- Kelas konfigurasi YolosConfig: YolosForObjectDetection (model YolosConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- conditional_detr — ConditionalDetrForObjectDetection (model ConditionalDetrConfig)
- d_fine — DFineForObjectDetection (model DFineConfig)
- dab-detr — DabDetrForObjectDetection (model DabDetrConfig)
- deformable_detr — DeformableDetrForObjectDetection (model DeformableDetrConfig)
- deimv2 — Deimv2ForObjectDetection (model Deimv2Config)
- detr — DetrForObjectDetection (model DetrConfig)
- lw_detr — LwDetrForObjectDetection (model LwDetrConfig)
- pp_doclayout_v2 — PPDocLayoutV2ForObjectDetection (model PPDocLayoutV2Config)
- pp_doclayout_v3 — PPDocLayoutV3ForObjectDetection (model PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4ForObjectDetection (model PPDocLayoutV4Config)
- pp_ocrv5_mobile_det — PPOCRV5MobileDetForObjectDetection (model PPOCRV5MobileDetConfig)
- pp_ocrv5_server_det — PPOCRV5ServerDetForObjectDetection (model PPOCRV5ServerDetConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetForObjectDetection (model PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetForObjectDetection (model PPOCRV6SmallDetConfig)
- rf_detr — RfDetrForObjectDetection (model RfDetrConfig)
- rt_detr — RTDetrForObjectDetection (model RTDetrConfig)
- rt_detr_v2 — RTDetrV2ForObjectDetection (model RTDetrV2Config)
- table-transformer — TableTransformerForObjectDetection (model TableTransformerConfig)
- yolos — YolosForObjectDetection (model YolosConfig)
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
TrueAutoModelForImageSegmentation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi DetrConfig: DetrForSegmentation (model DetrConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- detr — DetrForSegmentation (model DetrConfig)
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
TrueAutoModelForImageToImage
AutoModelForSemanticSegmentation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi BeitConfig: BeitForSemanticSegmentation (model BeitConfig)
- Kelas konfigurasi DPTConfig: DPTForSemanticSegmentation (model DPTConfig)
- Kelas konfigurasi Data2VecVisionConfig: Data2VecVisionForSemanticSegmentation (model Data2VecVisionConfig)
- Kelas konfigurasi MobileNetV2Config: MobileNetV2ForSemanticSegmentation (model MobileNetV2Config)
- Kelas konfigurasi MobileViTConfig: MobileViTForSemanticSegmentation (model MobileViTConfig)
- Kelas konfigurasi MobileViTV2Config: MobileViTV2ForSemanticSegmentation (model MobileViTV2Config)
- Kelas konfigurasi Sapiens2Config: Sapiens2ForSemanticSegmentation (model Sapiens2Config)
- Kelas konfigurasi SegformerConfig: SegformerForSemanticSegmentation (model SegformerConfig)
- Kelas konfigurasi Tipsv2DptConfig: Tipsv2DptForSemanticSegmentation (model Tipsv2DptConfig)
- Kelas konfigurasi UperNetConfig: UperNetForSemanticSegmentation (model UperNetConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- beit — BeitForSemanticSegmentation (model BeitConfig)
- data2vec-vision — Data2VecVisionForSemanticSegmentation (model Data2VecVisionConfig)
- dpt — DPTForSemanticSegmentation (model DPTConfig)
- mobilenet_v2 — MobileNetV2ForSemanticSegmentation (model MobileNetV2Config)
- mobilevit — MobileViTForSemanticSegmentation (model MobileViTConfig)
- mobilevitv2 — MobileViTV2ForSemanticSegmentation (model MobileViTV2Config)
- sapiens2 — Sapiens2ForSemanticSegmentation (model Sapiens2Config)
- segformer — SegformerForSemanticSegmentation (model SegformerConfig)
- tipsv2_dpt — Tipsv2DptForSemanticSegmentation (model Tipsv2DptConfig)
- upernet — UperNetForSemanticSegmentation (model UperNetConfig)
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
TrueAutoModelForInstanceSegmentation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi MaskFormerConfig: MaskFormerForInstanceSegmentation (model MaskFormerConfig)
- Kelas konfigurasi RfDetrConfig: RfDetrForInstanceSegmentation (model RfDetrConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- maskformer — MaskFormerForInstanceSegmentation (model MaskFormerConfig)
- rf_detr — RfDetrForInstanceSegmentation (model RfDetrConfig)
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
TrueAutoModelForUniversalSegmentation
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi DetrConfig: DetrForSegmentation (model DetrConfig)
- Kelas konfigurasi EomtConfig: EomtForUniversalSegmentation (model EomtConfig)
- Kelas konfigurasi EomtDinov3Config: EomtDinov3ForUniversalSegmentation (model EomtDinov3Config)
- Kelas konfigurasi Mask2FormerConfig: Mask2FormerForUniversalSegmentation (model Mask2FormerConfig)
- Kelas konfigurasi MaskFormerConfig: MaskFormerForInstanceSegmentation (model MaskFormerConfig)
- Kelas konfigurasi OneFormerConfig: OneFormerForUniversalSegmentation (model OneFormerConfig)
- Kelas konfigurasi VideomtConfig: VideomtForUniversalSegmentation (model VideomtConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- detr — DetrForSegmentation (model DetrConfig)
- eomt — EomtForUniversalSegmentation (model EomtConfig)
- eomt_dinov3 — EomtDinov3ForUniversalSegmentation (model EomtDinov3Config)
- mask2former — Mask2FormerForUniversalSegmentation (model Mask2FormerConfig)
- maskformer — MaskFormerForInstanceSegmentation (model MaskFormerConfig)
- oneformer — OneFormerForUniversalSegmentation (model OneFormerConfig)
- videomt — VideomtForUniversalSegmentation (model VideomtConfig)
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
TrueAutoModelForZeroShotImageClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AlignConfig: AlignModel (model AlignConfig)
- Kelas konfigurasi AltCLIPConfig: AltCLIPModel (model AltCLIPConfig)
- Kelas konfigurasi Blip2Config: Blip2ForImageTextRetrieval (model Blip2Config)
- Kelas konfigurasi BlipConfig: BlipModel (model BlipConfig)
- Kelas konfigurasi CLIPConfig: CLIPModel (model CLIPConfig)
- Kelas konfigurasi CLIPSegConfig: CLIPSegModel (model CLIPSegConfig)
- Kelas konfigurasi ChineseCLIPConfig: ChineseCLIPModel (model ChineseCLIPConfig)
- Kelas konfigurasi MetaClip2Config: MetaClip2Model (model MetaClip2Config)
- Kelas konfigurasi Siglip2Config: Siglip2Model (model Siglip2Config)
- Kelas konfigurasi SiglipConfig: SiglipModel (model SiglipConfig)
- Kelas konfigurasi Tipsv2Config: Tipsv2Model (model Tipsv2Config)
- Kelas konfigurasi VideoPrismConfig: VideoPrismClipModel (model VideoPrismConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- align — AlignModel (model AlignConfig)
- altclip — AltCLIPModel (model AltCLIPConfig)
- blip — BlipModel (model BlipConfig)
- blip-2 — Blip2ForImageTextRetrieval (model Blip2Config)
- chinese_clip — ChineseCLIPModel (model ChineseCLIPConfig)
- clip — CLIPModel (model CLIPConfig)
- clipseg — CLIPSegModel (model CLIPSegConfig)
- metaclip_2 — MetaClip2Model (model MetaClip2Config)
- siglip — SiglipModel (model SiglipConfig)
- siglip2 — Siglip2Model (model Siglip2Config)
- tipsv2 — Tipsv2Model (model Tipsv2Config)
- videoprism — VideoPrismClipModel (model VideoPrismConfig)
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
TrueAutoModelForZeroShotObjectDetection
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi GroundingDinoConfig: GroundingDinoForObjectDetection (model GroundingDinoConfig)
- Kelas konfigurasi MMGroundingDinoConfig: MMGroundingDinoForObjectDetection (model MMGroundingDinoConfig)
- Kelas konfigurasi OmDetTurboConfig: OmDetTurboForObjectDetection (model OmDetTurboConfig)
- Kelas konfigurasi OwlViTConfig: OwlViTForObjectDetection (model OwlViTConfig)
- Kelas konfigurasi Owlv2Config: Owlv2ForObjectDetection (model Owlv2Config)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- grounding-dino — GroundingDinoForObjectDetection (model GroundingDinoConfig)
- mm-grounding-dino — MMGroundingDinoForObjectDetection (model MMGroundingDinoConfig)
- omdet-turbo — OmDetTurboForObjectDetection (model OmDetTurboConfig)
- owlv2 — Owlv2ForObjectDetection (model Owlv2Config)
- owlvit — OwlViTForObjectDetection (model OwlViTConfig)
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
TrueAudio
Kelas auto berikut tersedia untuk tugas audio berikut.
AutoModelForAudioClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi ASTConfig: ASTForAudioClassification (model ASTConfig)
- Kelas konfigurasi Data2VecAudioConfig: Data2VecAudioForSequenceClassification (model Data2VecAudioConfig)
- Kelas konfigurasi HubertConfig: HubertForSequenceClassification (model HubertConfig)
- Kelas konfigurasi SEWConfig: SEWForSequenceClassification (model SEWConfig)
- Kelas konfigurasi SEWDConfig: SEWDForSequenceClassification (model SEWDConfig)
- Kelas konfigurasi UniSpeechConfig: UniSpeechForSequenceClassification (model UniSpeechConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatForSequenceClassification (model UniSpeechSatConfig)
- Kelas konfigurasi Wav2Vec2BertConfig: Wav2Vec2BertForSequenceClassification (model Wav2Vec2BertConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2ForSequenceClassification (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerForSequenceClassification (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi WavLMConfig: WavLMForSequenceClassification (model WavLMConfig)
- Kelas konfigurasi WhisperConfig: WhisperForAudioClassification (model WhisperConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- audio-spectrogram-transformer — ASTForAudioClassification (model ASTConfig)
- data2vec-audio — Data2VecAudioForSequenceClassification (model Data2VecAudioConfig)
- hubert — HubertForSequenceClassification (model HubertConfig)
- sew — SEWForSequenceClassification (model SEWConfig)
- sew-d — SEWDForSequenceClassification (model SEWDConfig)
- unispeech — UniSpeechForSequenceClassification (model UniSpeechConfig)
- unispeech-sat — UniSpeechSatForSequenceClassification (model UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForSequenceClassification (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForSequenceClassification (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForSequenceClassification (model Wav2Vec2ConformerConfig)
- wavlm — WavLMForSequenceClassification (model WavLMConfig)
- whisper — WhisperForAudioClassification (model WhisperConfig)
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
TrueAutoModelForAudioFrameClassification
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Data2VecAudioConfig: Data2VecAudioForAudioFrameClassification (model Data2VecAudioConfig)
- Kelas konfigurasi Nemotron3DiarizationConfig: Nemotron3DiarizationForAudioFrameClassification (model Nemotron3DiarizationConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatForAudioFrameClassification (model UniSpeechSatConfig)
- Kelas konfigurasi Wav2Vec2BertConfig: Wav2Vec2BertForAudioFrameClassification (model Wav2Vec2BertConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2ForAudioFrameClassification (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerForAudioFrameClassification (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi WavLMConfig: WavLMForAudioFrameClassification (model WavLMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- data2vec-audio — Data2VecAudioForAudioFrameClassification (model Data2VecAudioConfig)
- nemotron3_diarization — Nemotron3DiarizationForAudioFrameClassification (model Nemotron3DiarizationConfig)
- unispeech-sat — UniSpeechSatForAudioFrameClassification (model UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForAudioFrameClassification (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForAudioFrameClassification (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForAudioFrameClassification (model Wav2Vec2ConformerConfig)
- wavlm — WavLMForAudioFrameClassification (model WavLMConfig)
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
TrueAutoModelForCTC
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Data2VecAudioConfig: Data2VecAudioForCTC (model Data2VecAudioConfig)
- Kelas konfigurasi GraniteSpeech5CTCConfig: GraniteSpeech5ForCTC (model GraniteSpeech5CTCConfig)
- Kelas konfigurasi HubertConfig: HubertForCTC (model HubertConfig)
- Kelas konfigurasi LasrCTCConfig: LasrForCTC (model LasrCTCConfig)
- Kelas konfigurasi ParakeetCTCConfig: ParakeetForCTC (model ParakeetCTCConfig)
- Kelas konfigurasi SEWConfig: SEWForCTC (model SEWConfig)
- Kelas konfigurasi SEWDConfig: SEWDForCTC (model SEWDConfig)
- Kelas konfigurasi UniSpeechConfig: UniSpeechForCTC (model UniSpeechConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatForCTC (model UniSpeechSatConfig)
- Kelas konfigurasi Wav2Vec2BertConfig: Wav2Vec2BertForCTC (model Wav2Vec2BertConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2ForCTC (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerForCTC (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi WavLMConfig: WavLMForCTC (model WavLMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- data2vec-audio — Data2VecAudioForCTC (model Data2VecAudioConfig)
- granite_speech5_ctc — GraniteSpeech5ForCTC (model GraniteSpeech5CTCConfig)
- hubert — HubertForCTC (model HubertConfig)
- lasr_ctc — LasrForCTC (model LasrCTCConfig)
- parakeet_ctc — ParakeetForCTC (model ParakeetCTCConfig)
- sew — SEWForCTC (model SEWConfig)
- sew-d — SEWDForCTC (model SEWDConfig)
- unispeech — UniSpeechForCTC (model UniSpeechConfig)
- unispeech-sat — UniSpeechSatForCTC (model UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForCTC (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForCTC (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForCTC (model Wav2Vec2ConformerConfig)
- wavlm — WavLMForCTC (model WavLMConfig)
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
TrueAutoModelForTDT
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi ParakeetTDTConfig: ParakeetForTDT (model ParakeetTDTConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- parakeet_tdt — ParakeetForTDT (model ParakeetTDTConfig)
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
TrueAutoModelForRNNT
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Nemotron3_5AsrConfig: Nemotron3_5AsrForRNNT (model Nemotron3_5AsrConfig)
- Kelas konfigurasi NemotronAsrStreamingConfig: NemotronAsrStreamingForRNNT (model NemotronAsrStreamingConfig)
- Kelas konfigurasi ParakeetRNNTConfig: ParakeetForRNNT (model ParakeetRNNTConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- nemotron3_5_asr — Nemotron3_5AsrForRNNT (model Nemotron3_5AsrConfig)
- nemotron_asr_streaming — NemotronAsrStreamingForRNNT (model NemotronAsrStreamingConfig)
- parakeet_rnnt — ParakeetForRNNT (model ParakeetRNNTConfig)
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
TrueAutoModelForSpeechSeq2Seq
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi CanaryConfig: CanaryForConditionalGeneration (model CanaryConfig)
- Kelas konfigurasi CohereAsrConfig: CohereAsrForConditionalGeneration (model CohereAsrConfig)
- Kelas konfigurasi DiaConfig: DiaForConditionalGeneration (model DiaConfig)
- Kelas konfigurasi FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- Kelas konfigurasi GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- Kelas konfigurasi GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- Kelas konfigurasi KyutaiSpeechToTextConfig: KyutaiSpeechToTextForConditionalGeneration (model KyutaiSpeechToTextConfig)
- Kelas konfigurasi MoonshineConfig: MoonshineForConditionalGeneration (model MoonshineConfig)
- Kelas konfigurasi MoonshineStreamingConfig: MoonshineStreamingForConditionalGeneration (model MoonshineStreamingConfig)
- Kelas konfigurasi Pop2PianoConfig: Pop2PianoForConditionalGeneration (model Pop2PianoConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- Kelas konfigurasi SeamlessM4TConfig: SeamlessM4TForSpeechToText (model SeamlessM4TConfig)
- Kelas konfigurasi SeamlessM4Tv2Config: SeamlessM4Tv2ForSpeechToText (model SeamlessM4Tv2Config)
- Kelas konfigurasi Speech2TextConfig: Speech2TextForConditionalGeneration (model Speech2TextConfig)
- Kelas konfigurasi SpeechEncoderDecoderConfig: SpeechEncoderDecoderModel (model SpeechEncoderDecoderConfig)
- Kelas konfigurasi SpeechT5Config: SpeechT5ForSpeechToText (model SpeechT5Config)
- Kelas konfigurasi VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- Kelas konfigurasi VibeVoiceConfig: VibeVoiceForConditionalGeneration (model VibeVoiceConfig)
- Kelas konfigurasi VoxtralConfig: VoxtralForConditionalGeneration (model VoxtralConfig)
- Kelas konfigurasi VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- Kelas konfigurasi WhisperConfig: WhisperForConditionalGeneration (model WhisperConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- canary — CanaryForConditionalGeneration (model CanaryConfig)
- cohere_asr — CohereAsrForConditionalGeneration (model CohereAsrConfig)
- dia — DiaForConditionalGeneration (model DiaConfig)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextForConditionalGeneration (model KyutaiSpeechToTextConfig)
- moonshine — MoonshineForConditionalGeneration (model MoonshineConfig)
- moonshine_streaming — MoonshineStreamingForConditionalGeneration (model MoonshineStreamingConfig)
- pop2piano — Pop2PianoForConditionalGeneration (model Pop2PianoConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- seamless_m4t — SeamlessM4TForSpeechToText (model SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2ForSpeechToText (model SeamlessM4Tv2Config)
- speech-encoder-decoder — SpeechEncoderDecoderModel (model SpeechEncoderDecoderConfig)
- speech_to_text — Speech2TextForConditionalGeneration (model Speech2TextConfig)
- speecht5 — SpeechT5ForSpeechToText (model SpeechT5Config)
- vibevoice — VibeVoiceForConditionalGeneration (model VibeVoiceConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- voxtral — VoxtralForConditionalGeneration (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- whisper — WhisperForConditionalGeneration (model WhisperConfig)
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
TrueAutoModelForAudioXVector
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Data2VecAudioConfig: Data2VecAudioForXVector (model Data2VecAudioConfig)
- Kelas konfigurasi UniSpeechSatConfig: UniSpeechSatForXVector (model UniSpeechSatConfig)
- Kelas konfigurasi Wav2Vec2BertConfig: Wav2Vec2BertForXVector (model Wav2Vec2BertConfig)
- Kelas konfigurasi Wav2Vec2Config: Wav2Vec2ForXVector (model Wav2Vec2Config)
- Kelas konfigurasi Wav2Vec2ConformerConfig: Wav2Vec2ConformerForXVector (model Wav2Vec2ConformerConfig)
- Kelas konfigurasi WavLMConfig: WavLMForXVector (model WavLMConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- data2vec-audio — Data2VecAudioForXVector (model Data2VecAudioConfig)
- unispeech-sat — UniSpeechSatForXVector (model UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForXVector (model Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForXVector (model Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForXVector (model Wav2Vec2ConformerConfig)
- wavlm — WavLMForXVector (model WavLMConfig)
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
TrueAutoModelForTextToSpectrogram
AutoModelForTextToWaveform
AutoModelForAudioTokenization
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi DacConfig: DacModel (model DacConfig)
- Kelas konfigurasi HiggsAudioV2TokenizerConfig: HiggsAudioV2TokenizerModel (model HiggsAudioV2TokenizerConfig)
- Kelas konfigurasi NeuCodecConfig: NeuCodecModel (model NeuCodecConfig)
- Kelas konfigurasi PocketTTSAudioTokenizerConfig: PocketTTSAudioTokenizerModel (model PocketTTSAudioTokenizerConfig)
- Kelas konfigurasi VibeVoiceAcousticTokenizerConfig: VibeVoiceAcousticTokenizerModel (model VibeVoiceAcousticTokenizerConfig)
- Kelas konfigurasi Xcodec2Config: Xcodec2Model (model Xcodec2Config)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- dac — DacModel (model DacConfig)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerModel (model HiggsAudioV2TokenizerConfig)
- neucodec — NeuCodecModel (model NeuCodecConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerModel (model PocketTTSAudioTokenizerConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerModel (model VibeVoiceAcousticTokenizerConfig)
- xcodec2 — Xcodec2Model (model Xcodec2Config)
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
TrueMultimodal
Kelas auto berikut tersedia untuk tugas multimodal berikut.
AutoModelForMultimodalLM
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AriaConfig: AriaForConditionalGeneration (model AriaConfig)
- Kelas konfigurasi AyaVisionConfig: AyaVisionForConditionalGeneration (model AyaVisionConfig)
- Kelas konfigurasi Blip2Config: Blip2ForConditionalGeneration (model Blip2Config)
- Kelas konfigurasi BlipConfig: BlipForConditionalGeneration (model BlipConfig)
- Kelas konfigurasi ChameleonConfig: ChameleonForConditionalGeneration (model ChameleonConfig)
- Kelas konfigurasi Cohere2VisionConfig: Cohere2VisionForConditionalGeneration (model Cohere2VisionConfig)
- Kelas konfigurasi CohereCompassConfig: CohereCompassForConditionalGeneration (model CohereCompassConfig)
- Kelas konfigurasi Cosmos3EdgeConfig: Cosmos3EdgeForConditionalGeneration (model Cosmos3EdgeConfig)
- Kelas konfigurasi Cosmos3OmniConfig: Cosmos3OmniForConditionalGeneration (model Cosmos3OmniConfig)
- Kelas konfigurasi DeepseekOcr2Config: DeepseekOcr2ForConditionalGeneration (model DeepseekOcr2Config)
- Kelas konfigurasi DeepseekVLConfig: DeepseekVLForConditionalGeneration (model DeepseekVLConfig)
- Kelas konfigurasi DeepseekVLHybridConfig: DeepseekVLHybridForConditionalGeneration (model DeepseekVLHybridConfig)
- Kelas konfigurasi DiffusionGemmaConfig: DiffusionGemmaForBlockDiffusion (model DiffusionGemmaConfig)
- Kelas konfigurasi Emu3Config: Emu3ForConditionalGeneration (model Emu3Config)
- Kelas konfigurasi Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeForConditionalGeneration (model Ernie4_5_VLMoeConfig)
- Kelas konfigurasi EvollaConfig: EvollaForProteinText2Text (model EvollaConfig)
- Kelas konfigurasi Exaone4_5_Config: Exaone4_5_ForConditionalGeneration (model Exaone4_5_Config)
- Kelas konfigurasi FastVlmConfig: FastVlmForConditionalGeneration (model FastVlmConfig)
- Kelas konfigurasi Florence2Config: Florence2ForConditionalGeneration (model Florence2Config)
- Kelas konfigurasi FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- Kelas konfigurasi FuyuConfig: FuyuForCausalLM (model FuyuConfig)
- Kelas konfigurasi Gemma3Config: Gemma3ForConditionalGeneration (model Gemma3Config)
- Kelas konfigurasi Gemma3nConfig: Gemma3nForConditionalGeneration (model Gemma3nConfig)
- Kelas konfigurasi Gemma4Config: Gemma4ForConditionalGeneration (model Gemma4Config)
- Kelas konfigurasi Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- Kelas konfigurasi GitConfig: GitForCausalLM (model GitConfig)
- Kelas konfigurasi Glm46VConfig: Glm46VForConditionalGeneration (model Glm46VConfig)
- Kelas konfigurasi Glm4vConfig: Glm4vForConditionalGeneration (model Glm4vConfig)
- Kelas konfigurasi Glm4vMoeConfig: Glm4vMoeForConditionalGeneration (model Glm4vMoeConfig)
- Kelas konfigurasi Glm5NextConfig: Glm5NextForConditionalGeneration (model Glm5NextConfig)
- Kelas konfigurasi GlmAsrConfig: GlmAsrForConditionalGeneration (model GlmAsrConfig)
- Kelas konfigurasi GlmOcrConfig: GlmOcrForConditionalGeneration (model GlmOcrConfig)
- Kelas konfigurasi GlmgaConfig: Glm46VForConditionalGeneration (model GlmgaConfig)
- Kelas konfigurasi GotOcr2Config: GotOcr2ForConditionalGeneration (model GotOcr2Config)
- Kelas konfigurasi Granite4VisionConfig: Granite4VisionForConditionalGeneration (model Granite4VisionConfig)
- Kelas konfigurasi GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- Kelas konfigurasi GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- Kelas konfigurasi HunYuanVLConfig: HunYuanVLForConditionalGeneration (model HunYuanVLConfig)
- Kelas konfigurasi HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2ForConditionalGeneration (model HyperCLOVAXVisionV2Config)
- Kelas konfigurasi Idefics2Config: Idefics2ForConditionalGeneration (model Idefics2Config)
- Kelas konfigurasi Idefics3Config: Idefics3ForConditionalGeneration (model Idefics3Config)
- Kelas konfigurasi IdeficsConfig: IdeficsForVisionText2Text (model IdeficsConfig)
- Kelas konfigurasi InklingConfig: InklingForConditionalGeneration (model InklingConfig)
- Kelas konfigurasi InstructBlipConfig: InstructBlipForConditionalGeneration (model InstructBlipConfig)
- Kelas konfigurasi InstructBlipVideoConfig: InstructBlipVideoForConditionalGeneration (model InstructBlipVideoConfig)
- Kelas konfigurasi InternVLConfig: InternVLForConditionalGeneration (model InternVLConfig)
- Kelas konfigurasi JanusConfig: JanusForConditionalGeneration (model JanusConfig)
- Kelas konfigurasi Kimi_K25Config: Kimi_K25ForConditionalGeneration (model Kimi_K25Config)
- Kelas konfigurasi Kosmos2Config: Kosmos2ForConditionalGeneration (model Kosmos2Config)
- Kelas konfigurasi Kosmos2_5Config: Kosmos2_5ForConditionalGeneration (model Kosmos2_5Config)
- Kelas konfigurasi KyutaiSpeechToTextConfig: KyutaiSpeechToTextForConditionalGeneration (model KyutaiSpeechToTextConfig)
- Kelas konfigurasi Lfm2VlConfig: Lfm2VlForConditionalGeneration (model Lfm2VlConfig)
- Kelas konfigurasi LightOnOcrConfig: LightOnOcrForConditionalGeneration (model LightOnOcrConfig)
- Kelas konfigurasi Llama4Config: Llama4ForConditionalGeneration (model Llama4Config)
- Kelas konfigurasi LlavaConfig: LlavaForConditionalGeneration (model LlavaConfig)
- Kelas konfigurasi LlavaNextConfig: LlavaNextForConditionalGeneration (model LlavaNextConfig)
- Kelas konfigurasi LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- Kelas konfigurasi LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- Kelas konfigurasi MiniCPMOcrConfig: MiniCPMOcrForConditionalGeneration (model MiniCPMOcrConfig)
- Kelas konfigurasi MiniCPMV4_6Config: MiniCPMV4_6ForConditionalGeneration (model MiniCPMV4_6Config)
- Kelas konfigurasi MiniCPMV4_7Config: MiniCPMV4_7ForConditionalGeneration (model MiniCPMV4_7Config)
- Kelas konfigurasi MiniMaxM3VLConfig: MiniMaxM3SparseForConditionalGeneration (model MiniMaxM3VLConfig)
- Kelas konfigurasi Mistral3Config: Mistral3ForConditionalGeneration (model Mistral3Config)
- Kelas konfigurasi Mistral4Config: Mistral4ForCausalLM (model Mistral4Config)
- Kelas konfigurasi MistralLarge4Config: MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- Kelas konfigurasi MllamaConfig: MllamaForConditionalGeneration (model MllamaConfig)
- Kelas konfigurasi Molmo2Config: Molmo2ForConditionalGeneration (model Molmo2Config)
- Kelas konfigurasi MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- Kelas konfigurasi MuseGlimmerConfig: MuseGlimmerForConditionalGeneration (model MuseGlimmerConfig)
- Kelas konfigurasi MuseSparkConfig: MuseSparkForConditionalGeneration (model MuseSparkConfig)
- Kelas konfigurasi Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- Kelas konfigurasi NemotronH_Omni_Reasoning_V3_Config: NemotronH_Omni_Reasoning_V3 (model NemotronH_Omni_Reasoning_V3_Config)
- Kelas konfigurasi Ovis2Config: Ovis2ForConditionalGeneration (model Ovis2Config)
- Kelas konfigurasi PI0Config: PI0ForConditionalGeneration (model PI0Config)
- Kelas konfigurasi PPChart2TableConfig: GotOcr2ForConditionalGeneration (model PPChart2TableConfig)
- Kelas konfigurasi PPFormulaNetConfig: PPFormulaNetForConditionalGeneration (model PPFormulaNetConfig)
- Kelas konfigurasi PaddleOCRVLConfig: PaddleOCRVLForConditionalGeneration (model PaddleOCRVLConfig)
- Kelas konfigurasi PaliGemmaConfig: PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- Kelas konfigurasi PerceptionLMConfig: PerceptionLMForConditionalGeneration (model PerceptionLMConfig)
- Kelas konfigurasi Phi4MultimodalConfig: Phi4MultimodalForCausalLM (model Phi4MultimodalConfig)
- Kelas konfigurasi Pix2StructConfig: Pix2StructForConditionalGeneration (model Pix2StructConfig)
- Kelas konfigurasi QianfanOCRConfig: QianfanOCRForConditionalGeneration (model QianfanOCRConfig)
- Kelas konfigurasi Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- Kelas konfigurasi Qwen2VLConfig: Qwen2VLForConditionalGeneration (model Qwen2VLConfig)
- Kelas konfigurasi Qwen2_5OmniConfig: Qwen2_5OmniForConditionalGeneration (model Qwen2_5OmniConfig)
- Kelas konfigurasi Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerForConditionalGeneration (model Qwen2_5OmniThinkerConfig)
- Kelas konfigurasi Qwen2_5_VLConfig: Qwen2_5_VLForConditionalGeneration (model Qwen2_5_VLConfig)
- Kelas konfigurasi Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- Kelas konfigurasi Qwen3OmniMoeConfig: Qwen3OmniMoeForConditionalGeneration (model Qwen3OmniMoeConfig)
- Kelas konfigurasi Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerForConditionalGeneration (model Qwen3OmniMoeThinkerConfig)
- Kelas konfigurasi Qwen3VLConfig: Qwen3VLForConditionalGeneration (model Qwen3VLConfig)
- Kelas konfigurasi Qwen3VLMoeConfig: Qwen3VLMoeForConditionalGeneration (model Qwen3VLMoeConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5ForConditionalGeneration (model Qwen3_5Config)
- Kelas konfigurasi Qwen3_5MoeConfig: Qwen3_5MoeForConditionalGeneration (model Qwen3_5MoeConfig)
- Kelas konfigurasi Qwen4ExpConfig: Qwen4ExpForConditionalGeneration (model Qwen4ExpConfig)
- Kelas konfigurasi ShieldGemma2Config: Gemma3ForConditionalGeneration (model ShieldGemma2Config)
- Kelas konfigurasi SmolVLMConfig: SmolVLMForConditionalGeneration (model SmolVLMConfig)
- Kelas konfigurasi Step3p7Config: Step3p7ForConditionalGeneration (model Step3p7Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- Kelas konfigurasi UdopConfig: UdopForConditionalGeneration (model UdopConfig)
- Kelas konfigurasi UnlimitedOcrConfig: UnlimitedOcrForConditionalGeneration (model UnlimitedOcrConfig)
- Kelas konfigurasi VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- Kelas konfigurasi VideoLlama3Config: VideoLlama3ForConditionalGeneration (model VideoLlama3Config)
- Kelas konfigurasi VideoLlavaConfig: VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- Kelas konfigurasi VipLlavaConfig: VipLlavaForConditionalGeneration (model VipLlavaConfig)
- Kelas konfigurasi VisionEncoderDecoderConfig: VisionEncoderDecoderModel (model VisionEncoderDecoderConfig)
- Kelas konfigurasi VoxtralConfig: VoxtralForConditionalGeneration (model VoxtralConfig)
- Kelas konfigurasi VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- aria — AriaForConditionalGeneration (model AriaConfig)
- aya_vision — AyaVisionForConditionalGeneration (model AyaVisionConfig)
- blip — BlipForConditionalGeneration (model BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (model Blip2Config)
- chameleon — ChameleonForConditionalGeneration (model ChameleonConfig)
- cohere2_vision — Cohere2VisionForConditionalGeneration (model Cohere2VisionConfig)
- cohere_compass — CohereCompassForConditionalGeneration (model CohereCompassConfig)
- cosmos3_edge — Cosmos3EdgeForConditionalGeneration (model Cosmos3EdgeConfig)
- cosmos3_omni — Cosmos3OmniForConditionalGeneration (model Cosmos3OmniConfig)
- deepseek_ocr2 — DeepseekOcr2ForConditionalGeneration (model DeepseekOcr2Config)
- deepseek_vl — DeepseekVLForConditionalGeneration (model DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridForConditionalGeneration (model DeepseekVLHybridConfig)
- diffusion_gemma — DiffusionGemmaForBlockDiffusion (model DiffusionGemmaConfig)
- emu3 — Emu3ForConditionalGeneration (model Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeForConditionalGeneration (model Ernie4_5_VLMoeConfig)
- evolla — EvollaForProteinText2Text (model EvollaConfig)
- exaone4_5 — Exaone4_5_ForConditionalGeneration (model Exaone4_5_Config)
- fast_vlm — FastVlmForConditionalGeneration (model FastVlmConfig)
- florence2 — Florence2ForConditionalGeneration (model Florence2Config)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (model FunAsrNanoConfig)
- fuyu — FuyuForCausalLM (model FuyuConfig)
- gemma3 — Gemma3ForConditionalGeneration (model Gemma3Config)
- gemma3n — Gemma3nForConditionalGeneration (model Gemma3nConfig)
- gemma4 — Gemma4ForConditionalGeneration (model Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- git — GitForCausalLM (model GitConfig)
- glm46v — Glm46VForConditionalGeneration (model Glm46VConfig)
- glm4v — Glm4vForConditionalGeneration (model Glm4vConfig)
- glm4v_moe — Glm4vMoeForConditionalGeneration (model Glm4vMoeConfig)
- glm5_next — Glm5NextForConditionalGeneration (model Glm5NextConfig)
- glm_ocr — GlmOcrForConditionalGeneration (model GlmOcrConfig)
- glmasr — GlmAsrForConditionalGeneration (model GlmAsrConfig)
- glmga — Glm46VForConditionalGeneration (model GlmgaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (model GotOcr2Config)
- granite4_vision — Granite4VisionForConditionalGeneration (model Granite4VisionConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (model GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (model GraniteSpeechPlusConfig)
- hunyuan_vl — HunYuanVLForConditionalGeneration (model HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2ForConditionalGeneration (model HyperCLOVAXVisionV2Config)
- idefics — IdeficsForVisionText2Text (model IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (model Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (model Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (model InklingConfig)
- instructblip — InstructBlipForConditionalGeneration (model InstructBlipConfig)
- instructblipvideo — InstructBlipVideoForConditionalGeneration (model InstructBlipVideoConfig)
- internvl — InternVLForConditionalGeneration (model InternVLConfig)
- janus — JanusForConditionalGeneration (model JanusConfig)
- kimi_k25 — Kimi_K25ForConditionalGeneration (model Kimi_K25Config)
- kosmos-2 — Kosmos2ForConditionalGeneration (model Kosmos2Config)
- kosmos-2.5 — Kosmos2_5ForConditionalGeneration (model Kosmos2_5Config)
- kyutai_speech_to_text — KyutaiSpeechToTextForConditionalGeneration (model KyutaiSpeechToTextConfig)
- lfm2_vl — Lfm2VlForConditionalGeneration (model Lfm2VlConfig)
- lighton_ocr — LightOnOcrForConditionalGeneration (model LightOnOcrConfig)
- llama4 — Llama4ForConditionalGeneration (model Llama4Config)
- llava — LlavaForConditionalGeneration (model LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- minicpm_ocr — MiniCPMOcrForConditionalGeneration (model MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6ForConditionalGeneration (model MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7ForConditionalGeneration (model MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3SparseForConditionalGeneration (model MiniMaxM3VLConfig)
- mistral3 — Mistral3ForConditionalGeneration (model Mistral3Config)
- mistral4 — Mistral4ForCausalLM (model Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (model MllamaConfig)
- molmo2 — Molmo2ForConditionalGeneration (model Molmo2Config)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (model MossTranscribeDiarizeConfig)
- muse_glimmer — MuseGlimmerForConditionalGeneration (model MuseGlimmerConfig)
- muse_spark — MuseSparkForConditionalGeneration (model MuseSparkConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (model Nemotron3_5TranscribeConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3 (model NemotronH_Omni_Reasoning_V3_Config)
- ovis2 — Ovis2ForConditionalGeneration (model Ovis2Config)
- paddleocr_vl — PaddleOCRVLForConditionalGeneration (model PaddleOCRVLConfig)
- paligemma — PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- perception_lm — PerceptionLMForConditionalGeneration (model PerceptionLMConfig)
- phi4_multimodal — Phi4MultimodalForCausalLM (model Phi4MultimodalConfig)
- pi0 — PI0ForConditionalGeneration (model PI0Config)
- pix2struct — Pix2StructForConditionalGeneration (model Pix2StructConfig)
- pp_chart2table — GotOcr2ForConditionalGeneration (model PPChart2TableConfig)
- pp_formulanet — PPFormulaNetForConditionalGeneration (model PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRForConditionalGeneration (model QianfanOCRConfig)
- qwen2_5_omni — Qwen2_5OmniForConditionalGeneration (model Qwen2_5OmniConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerForConditionalGeneration (model Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLForConditionalGeneration (model Qwen2_5_VLConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (model Qwen2AudioConfig)
- qwen2_vl — Qwen2VLForConditionalGeneration (model Qwen2VLConfig)
- qwen3_5 — Qwen3_5ForConditionalGeneration (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForConditionalGeneration (model Qwen3_5MoeConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (model Qwen3ASRConfig)
- qwen3_omni_moe — Qwen3OmniMoeForConditionalGeneration (model Qwen3OmniMoeConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerForConditionalGeneration (model Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLForConditionalGeneration (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeForConditionalGeneration (model Qwen3VLMoeConfig)
- qwen4_exp — Qwen4ExpForConditionalGeneration (model Qwen4ExpConfig)
- shieldgemma2 — Gemma3ForConditionalGeneration (model ShieldGemma2Config)
- smolvlm — SmolVLMForConditionalGeneration (model SmolVLMConfig)
- step3p7 — Step3p7ForConditionalGeneration (model Step3p7Config)
- t5gemma2 — T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- udop — UdopForConditionalGeneration (model UdopConfig)
- unlimited_ocr — UnlimitedOcrForConditionalGeneration (model UnlimitedOcrConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (model VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3ForConditionalGeneration (model VideoLlama3Config)
- video_llava — VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- vipllava — VipLlavaForConditionalGeneration (model VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderModel (model VisionEncoderDecoderConfig)
- voxtral — VoxtralForConditionalGeneration (model VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (model VoxtralRealtimeConfig)
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
TrueAutoModelForTableQuestionAnswering
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi TapasConfig: TapasForQuestionAnswering (model TapasConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- tapas — TapasForQuestionAnswering (model TapasConfig)
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
TrueAutoModelForDocumentQuestionAnswering
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi LayoutLMConfig: LayoutLMForQuestionAnswering (model LayoutLMConfig)
- Kelas konfigurasi LayoutLMv2Config: LayoutLMv2ForQuestionAnswering (model LayoutLMv2Config)
- Kelas konfigurasi LayoutLMv3Config: LayoutLMv3ForQuestionAnswering (model LayoutLMv3Config)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- layoutlm — LayoutLMForQuestionAnswering (model LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForQuestionAnswering (model LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForQuestionAnswering (model LayoutLMv3Config)
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
TrueAutoModelForVisualQuestionAnswering
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi Blip2Config: Blip2ForConditionalGeneration (model Blip2Config)
- Kelas konfigurasi BlipConfig: BlipForQuestionAnswering (model BlipConfig)
- Kelas konfigurasi ViltConfig: ViltForQuestionAnswering (model ViltConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- blip — BlipForQuestionAnswering (model BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (model Blip2Config)
- vilt — ViltForQuestionAnswering (model ViltConfig)
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
TrueAutoModelForImageTextToText
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi AriaConfig: AriaForConditionalGeneration (model AriaConfig)
- Kelas konfigurasi AyaVisionConfig: AyaVisionForConditionalGeneration (model AyaVisionConfig)
- Kelas konfigurasi Blip2Config: Blip2ForConditionalGeneration (model Blip2Config)
- Kelas konfigurasi BlipConfig: BlipForConditionalGeneration (model BlipConfig)
- Kelas konfigurasi ChameleonConfig: ChameleonForConditionalGeneration (model ChameleonConfig)
- Kelas konfigurasi Cohere2VisionConfig: Cohere2VisionForConditionalGeneration (model Cohere2VisionConfig)
- Kelas konfigurasi CohereCompassConfig: CohereCompassForConditionalGeneration (model CohereCompassConfig)
- Kelas konfigurasi Cosmos3EdgeConfig: Cosmos3EdgeForConditionalGeneration (model Cosmos3EdgeConfig)
- Kelas konfigurasi Cosmos3OmniConfig: Cosmos3OmniForConditionalGeneration (model Cosmos3OmniConfig)
- Kelas konfigurasi DeepseekOcr2Config: DeepseekOcr2ForConditionalGeneration (model DeepseekOcr2Config)
- Kelas konfigurasi DeepseekVLConfig: DeepseekVLForConditionalGeneration (model DeepseekVLConfig)
- Kelas konfigurasi DeepseekVLHybridConfig: DeepseekVLHybridForConditionalGeneration (model DeepseekVLHybridConfig)
- Kelas konfigurasi DiffusionGemmaConfig: DiffusionGemmaForBlockDiffusion (model DiffusionGemmaConfig)
- Kelas konfigurasi Emu3Config: Emu3ForConditionalGeneration (model Emu3Config)
- Kelas konfigurasi Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeForConditionalGeneration (model Ernie4_5_VLMoeConfig)
- Kelas konfigurasi EvollaConfig: EvollaForProteinText2Text (model EvollaConfig)
- Kelas konfigurasi Exaone4_5_Config: Exaone4_5_ForConditionalGeneration (model Exaone4_5_Config)
- Kelas konfigurasi FastVlmConfig: FastVlmForConditionalGeneration (model FastVlmConfig)
- Kelas konfigurasi Florence2Config: Florence2ForConditionalGeneration (model Florence2Config)
- Kelas konfigurasi FuyuConfig: FuyuForCausalLM (model FuyuConfig)
- Kelas konfigurasi Gemma3Config: Gemma3ForConditionalGeneration (model Gemma3Config)
- Kelas konfigurasi Gemma3nConfig: Gemma3nForConditionalGeneration (model Gemma3nConfig)
- Kelas konfigurasi Gemma4Config: Gemma4ForConditionalGeneration (model Gemma4Config)
- Kelas konfigurasi Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- Kelas konfigurasi GitConfig: GitForCausalLM (model GitConfig)
- Kelas konfigurasi Glm46VConfig: Glm46VForConditionalGeneration (model Glm46VConfig)
- Kelas konfigurasi Glm4vConfig: Glm4vForConditionalGeneration (model Glm4vConfig)
- Kelas konfigurasi Glm4vMoeConfig: Glm4vMoeForConditionalGeneration (model Glm4vMoeConfig)
- Kelas konfigurasi Glm5NextConfig: Glm5NextForConditionalGeneration (model Glm5NextConfig)
- Kelas konfigurasi GlmOcrConfig: GlmOcrForConditionalGeneration (model GlmOcrConfig)
- Kelas konfigurasi GlmgaConfig: Glm46VForConditionalGeneration (model GlmgaConfig)
- Kelas konfigurasi GotOcr2Config: GotOcr2ForConditionalGeneration (model GotOcr2Config)
- Kelas konfigurasi Granite4VisionConfig: Granite4VisionForConditionalGeneration (model Granite4VisionConfig)
- Kelas konfigurasi HunYuanVLConfig: HunYuanVLForConditionalGeneration (model HunYuanVLConfig)
- Kelas konfigurasi HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2ForConditionalGeneration (model HyperCLOVAXVisionV2Config)
- Kelas konfigurasi Idefics2Config: Idefics2ForConditionalGeneration (model Idefics2Config)
- Kelas konfigurasi Idefics3Config: Idefics3ForConditionalGeneration (model Idefics3Config)
- Kelas konfigurasi IdeficsConfig: IdeficsForVisionText2Text (model IdeficsConfig)
- Kelas konfigurasi InklingConfig: InklingForConditionalGeneration (model InklingConfig)
- Kelas konfigurasi InstructBlipConfig: InstructBlipForConditionalGeneration (model InstructBlipConfig)
- Kelas konfigurasi InstructBlipVideoConfig: InstructBlipVideoForConditionalGeneration (model InstructBlipVideoConfig)
- Kelas konfigurasi InternVLConfig: InternVLForConditionalGeneration (model InternVLConfig)
- Kelas konfigurasi JanusConfig: JanusForConditionalGeneration (model JanusConfig)
- Kelas konfigurasi Kimi_K25Config: Kimi_K25ForConditionalGeneration (model Kimi_K25Config)
- Kelas konfigurasi Kosmos2Config: Kosmos2ForConditionalGeneration (model Kosmos2Config)
- Kelas konfigurasi Kosmos2_5Config: Kosmos2_5ForConditionalGeneration (model Kosmos2_5Config)
- Kelas konfigurasi Lfm2VlConfig: Lfm2VlForConditionalGeneration (model Lfm2VlConfig)
- Kelas konfigurasi LightOnOcrConfig: LightOnOcrForConditionalGeneration (model LightOnOcrConfig)
- Kelas konfigurasi Llama4Config: Llama4ForConditionalGeneration (model Llama4Config)
- Kelas konfigurasi LlavaConfig: LlavaForConditionalGeneration (model LlavaConfig)
- Kelas konfigurasi LlavaNextConfig: LlavaNextForConditionalGeneration (model LlavaNextConfig)
- Kelas konfigurasi LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- Kelas konfigurasi LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- Kelas konfigurasi MiniCPMOcrConfig: MiniCPMOcrForConditionalGeneration (model MiniCPMOcrConfig)
- Kelas konfigurasi MiniCPMV4_6Config: MiniCPMV4_6ForConditionalGeneration (model MiniCPMV4_6Config)
- Kelas konfigurasi MiniCPMV4_7Config: MiniCPMV4_7ForConditionalGeneration (model MiniCPMV4_7Config)
- Kelas konfigurasi MiniMaxM3VLConfig: MiniMaxM3SparseForConditionalGeneration (model MiniMaxM3VLConfig)
- Kelas konfigurasi Mistral3Config: Mistral3ForConditionalGeneration (model Mistral3Config)
- Kelas konfigurasi Mistral4Config: Mistral4ForCausalLM (model Mistral4Config)
- Kelas konfigurasi MistralLarge4Config: MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- Kelas konfigurasi MllamaConfig: MllamaForConditionalGeneration (model MllamaConfig)
- Kelas konfigurasi Molmo2Config: Molmo2ForConditionalGeneration (model Molmo2Config)
- Kelas konfigurasi MuseGlimmerConfig: MuseGlimmerForConditionalGeneration (model MuseGlimmerConfig)
- Kelas konfigurasi MuseSparkConfig: MuseSparkForConditionalGeneration (model MuseSparkConfig)
- Kelas konfigurasi NemotronH_Omni_Reasoning_V3_Config: NemotronH_Omni_Reasoning_V3 (model NemotronH_Omni_Reasoning_V3_Config)
- Kelas konfigurasi Ovis2Config: Ovis2ForConditionalGeneration (model Ovis2Config)
- Kelas konfigurasi PI0Config: PI0ForConditionalGeneration (model PI0Config)
- Kelas konfigurasi PPChart2TableConfig: GotOcr2ForConditionalGeneration (model PPChart2TableConfig)
- Kelas konfigurasi PPFormulaNetConfig: PPFormulaNetForConditionalGeneration (model PPFormulaNetConfig)
- Kelas konfigurasi PaddleOCRVLConfig: PaddleOCRVLForConditionalGeneration (model PaddleOCRVLConfig)
- Kelas konfigurasi PaliGemmaConfig: PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- Kelas konfigurasi PerceptionLMConfig: PerceptionLMForConditionalGeneration (model PerceptionLMConfig)
- Kelas konfigurasi Pix2StructConfig: Pix2StructForConditionalGeneration (model Pix2StructConfig)
- Kelas konfigurasi QianfanOCRConfig: QianfanOCRForConditionalGeneration (model QianfanOCRConfig)
- Kelas konfigurasi Qwen2VLConfig: Qwen2VLForConditionalGeneration (model Qwen2VLConfig)
- Kelas konfigurasi Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerForConditionalGeneration (model Qwen2_5OmniThinkerConfig)
- Kelas konfigurasi Qwen2_5_VLConfig: Qwen2_5_VLForConditionalGeneration (model Qwen2_5_VLConfig)
- Kelas konfigurasi Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerForConditionalGeneration (model Qwen3OmniMoeThinkerConfig)
- Kelas konfigurasi Qwen3VLConfig: Qwen3VLForConditionalGeneration (model Qwen3VLConfig)
- Kelas konfigurasi Qwen3VLMoeConfig: Qwen3VLMoeForConditionalGeneration (model Qwen3VLMoeConfig)
- Kelas konfigurasi Qwen3_5Config: Qwen3_5ForConditionalGeneration (model Qwen3_5Config)
- Kelas konfigurasi Qwen3_5MoeConfig: Qwen3_5MoeForConditionalGeneration (model Qwen3_5MoeConfig)
- Kelas konfigurasi Qwen4ExpConfig: Qwen4ExpForConditionalGeneration (model Qwen4ExpConfig)
- Kelas konfigurasi ShieldGemma2Config: Gemma3ForConditionalGeneration (model ShieldGemma2Config)
- Kelas konfigurasi SmolVLMConfig: SmolVLMForConditionalGeneration (model SmolVLMConfig)
- Kelas konfigurasi Step3p7Config: Step3p7ForConditionalGeneration (model Step3p7Config)
- Kelas konfigurasi T5Gemma2Config: T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- Kelas konfigurasi UdopConfig: UdopForConditionalGeneration (model UdopConfig)
- Kelas konfigurasi UnlimitedOcrConfig: UnlimitedOcrForConditionalGeneration (model UnlimitedOcrConfig)
- Kelas konfigurasi VideoLlama3Config: VideoLlama3ForConditionalGeneration (model VideoLlama3Config)
- Kelas konfigurasi VideoLlavaConfig: VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- Kelas konfigurasi VipLlavaConfig: VipLlavaForConditionalGeneration (model VipLlavaConfig)
- Kelas konfigurasi VisionEncoderDecoderConfig: VisionEncoderDecoderModel (model VisionEncoderDecoderConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- aria — AriaForConditionalGeneration (model AriaConfig)
- aya_vision — AyaVisionForConditionalGeneration (model AyaVisionConfig)
- blip — BlipForConditionalGeneration (model BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (model Blip2Config)
- chameleon — ChameleonForConditionalGeneration (model ChameleonConfig)
- cohere2_vision — Cohere2VisionForConditionalGeneration (model Cohere2VisionConfig)
- cohere_compass — CohereCompassForConditionalGeneration (model CohereCompassConfig)
- cosmos3_edge — Cosmos3EdgeForConditionalGeneration (model Cosmos3EdgeConfig)
- cosmos3_omni — Cosmos3OmniForConditionalGeneration (model Cosmos3OmniConfig)
- deepseek_ocr2 — DeepseekOcr2ForConditionalGeneration (model DeepseekOcr2Config)
- deepseek_vl — DeepseekVLForConditionalGeneration (model DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridForConditionalGeneration (model DeepseekVLHybridConfig)
- diffusion_gemma — DiffusionGemmaForBlockDiffusion (model DiffusionGemmaConfig)
- emu3 — Emu3ForConditionalGeneration (model Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeForConditionalGeneration (model Ernie4_5_VLMoeConfig)
- evolla — EvollaForProteinText2Text (model EvollaConfig)
- exaone4_5 — Exaone4_5_ForConditionalGeneration (model Exaone4_5_Config)
- fast_vlm — FastVlmForConditionalGeneration (model FastVlmConfig)
- florence2 — Florence2ForConditionalGeneration (model Florence2Config)
- fuyu — FuyuForCausalLM (model FuyuConfig)
- gemma3 — Gemma3ForConditionalGeneration (model Gemma3Config)
- gemma3n — Gemma3nForConditionalGeneration (model Gemma3nConfig)
- gemma4 — Gemma4ForConditionalGeneration (model Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (model Gemma4UnifiedConfig)
- git — GitForCausalLM (model GitConfig)
- glm46v — Glm46VForConditionalGeneration (model Glm46VConfig)
- glm4v — Glm4vForConditionalGeneration (model Glm4vConfig)
- glm4v_moe — Glm4vMoeForConditionalGeneration (model Glm4vMoeConfig)
- glm5_next — Glm5NextForConditionalGeneration (model Glm5NextConfig)
- glm_ocr — GlmOcrForConditionalGeneration (model GlmOcrConfig)
- glmga — Glm46VForConditionalGeneration (model GlmgaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (model GotOcr2Config)
- granite4_vision — Granite4VisionForConditionalGeneration (model Granite4VisionConfig)
- hunyuan_vl — HunYuanVLForConditionalGeneration (model HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2ForConditionalGeneration (model HyperCLOVAXVisionV2Config)
- idefics — IdeficsForVisionText2Text (model IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (model Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (model Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (model InklingConfig)
- instructblip — InstructBlipForConditionalGeneration (model InstructBlipConfig)
- instructblipvideo — InstructBlipVideoForConditionalGeneration (model InstructBlipVideoConfig)
- internvl — InternVLForConditionalGeneration (model InternVLConfig)
- janus — JanusForConditionalGeneration (model JanusConfig)
- kimi_k25 — Kimi_K25ForConditionalGeneration (model Kimi_K25Config)
- kosmos-2 — Kosmos2ForConditionalGeneration (model Kosmos2Config)
- kosmos-2.5 — Kosmos2_5ForConditionalGeneration (model Kosmos2_5Config)
- lfm2_vl — Lfm2VlForConditionalGeneration (model Lfm2VlConfig)
- lighton_ocr — LightOnOcrForConditionalGeneration (model LightOnOcrConfig)
- llama4 — Llama4ForConditionalGeneration (model Llama4Config)
- llava — LlavaForConditionalGeneration (model LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (model LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (model LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (model LlavaOnevisionConfig)
- minicpm_ocr — MiniCPMOcrForConditionalGeneration (model MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6ForConditionalGeneration (model MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7ForConditionalGeneration (model MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3SparseForConditionalGeneration (model MiniMaxM3VLConfig)
- mistral3 — Mistral3ForConditionalGeneration (model Mistral3Config)
- mistral4 — Mistral4ForCausalLM (model Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (model MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (model MllamaConfig)
- molmo2 — Molmo2ForConditionalGeneration (model Molmo2Config)
- muse_glimmer — MuseGlimmerForConditionalGeneration (model MuseGlimmerConfig)
- muse_spark — MuseSparkForConditionalGeneration (model MuseSparkConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3 (model NemotronH_Omni_Reasoning_V3_Config)
- ovis2 — Ovis2ForConditionalGeneration (model Ovis2Config)
- paddleocr_vl — PaddleOCRVLForConditionalGeneration (model PaddleOCRVLConfig)
- paligemma — PaliGemmaForConditionalGeneration (model PaliGemmaConfig)
- perception_lm — PerceptionLMForConditionalGeneration (model PerceptionLMConfig)
- pi0 — PI0ForConditionalGeneration (model PI0Config)
- pix2struct — Pix2StructForConditionalGeneration (model Pix2StructConfig)
- pp_chart2table — GotOcr2ForConditionalGeneration (model PPChart2TableConfig)
- pp_formulanet — PPFormulaNetForConditionalGeneration (model PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRForConditionalGeneration (model QianfanOCRConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerForConditionalGeneration (model Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLForConditionalGeneration (model Qwen2_5_VLConfig)
- qwen2_vl — Qwen2VLForConditionalGeneration (model Qwen2VLConfig)
- qwen3_5 — Qwen3_5ForConditionalGeneration (model Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForConditionalGeneration (model Qwen3_5MoeConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerForConditionalGeneration (model Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLForConditionalGeneration (model Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeForConditionalGeneration (model Qwen3VLMoeConfig)
- qwen4_exp — Qwen4ExpForConditionalGeneration (model Qwen4ExpConfig)
- shieldgemma2 — Gemma3ForConditionalGeneration (model ShieldGemma2Config)
- smolvlm — SmolVLMForConditionalGeneration (model SmolVLMConfig)
- step3p7 — Step3p7ForConditionalGeneration (model Step3p7Config)
- t5gemma2 — T5Gemma2ForConditionalGeneration (model T5Gemma2Config)
- udop — UdopForConditionalGeneration (model UdopConfig)
- unlimited_ocr — UnlimitedOcrForConditionalGeneration (model UnlimitedOcrConfig)
- video_llama_3 — VideoLlama3ForConditionalGeneration (model VideoLlama3Config)
- video_llava — VideoLlavaForConditionalGeneration (model VideoLlavaConfig)
- vipllava — VipLlavaForConditionalGeneration (model VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderModel (model VisionEncoderDecoderConfig)
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
TrueDeret Waktu
AutoModelForTimeSeriesPrediction
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
< source >( **kwargs )
Parameter
- config (PreTrainedConfig) —
Kelas model yang akan diinstansiasi dipilih berdasarkan kelas konfigurasi:
- Kelas konfigurasi TimesFm2_5Config: TimesFm2_5ModelForPrediction (model TimesFm2_5Config)
- Kelas konfigurasi TimesFmConfig: TimesFmModelForPrediction (model TimesFmConfig)
- attn_implementation (
str, opsional) — Implementasi attention yang akan digunakan dalam model (jika relevan). Bisa berupa salah satu dari"eager"(implementasi manual dari perhatian)"sdpa"(menggunakanF.scaled_dot_product_attention)"flash_attention_2"(menggunakan Dao-AILab/flash-attention)"flash_attention_3"(menggunakan Dao-AILab/flash-attention/hopper)"flash_attention_4"(menggunakan Dao-AILab/flash-attention/flash_attn/cute). Secara default, jika tersedia, SDPA akan digunakan untuk torch>=2.1.1. Jika tidak, default-nya adalah implementasi manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parameter
- pretrained_model_name_or_path (
stratauos.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_pathdan 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 (
stratauos.PathLike, opsional) — Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan. - force_download (
bool, opsional, defaultFalse) — 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, defaultnyaFalse) — Apakah akan mengembalikan juga kamus yang berisi kunci yang hilang, kunci yang tidak terduga, dan pesan kesalahan. - local_files_only(
bool, opsional, defaultnyaFalse) — 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, sehinggarevisiondapat berupa identifikasi apa pun yang diizinkan oleh git. - trust_remote_code (
bool, opsional, defaultFalse) — Apakah mengizinkan model kustom yang didefinisikan di Hub dalam file modeling mereka sendiri. Opsi ini harus hanya diatur keTrueuntuk 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, sehinggarevisionbisa 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 apakahconfigdisediakan atau dimuat secara otomatis:- Jika konfigurasi disediakan dengan
config,**kwargsakan diteruskan langsung ke metode__init__dari model yang mendasarinya (kami asumsikan semua pembaruan yang relevan pada konfigurasi sudah dilakukan) - Jika konfigurasi tidak disediakan,
kwargsakan terlebih dahulu diteruskan ke fungsi inisialisasi kelas konfigurasi (from_pretrained()). Setiap kunci darikwargsyang sesuai dengan atribut konfigurasi akan digunakan untuk menimpa atribut tersebut dengan nilaikwargsyang diberikan. Kunci-kunci tersisa yang tidak sesuai dengan atribut konfigurasi apa pun akan diteruskan ke fungsi__init__model yang mendasarinya.
- Jika konfigurasi disediakan dengan
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:
- timesfm — TimesFmModelForPrediction (model TimesFmConfig)
- timesfm2_5 — TimesFm2_5ModelForPrediction (model TimesFm2_5Config)
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