Transformers documentation

Classes automáticas

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

and get access to the augmented documentation experience

to get started

Classes automáticas

Em muitos casos, a arquitetura a ser utilizada pode ser inferida a partir do nome ou do caminho do modelo pré-treinado fornecido ao método from_pretrained(). A instanciação de AutoConfig, AutoModel ou AutoTokenizer cria automaticamente a classe de arquitetura apropriada. Por exemplo:

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

Isso cria uma instância de modelo de BertModel.

Cada tarefa possui uma classe AutoModel correspondente.

Estendendo as Classes Auto

Cada classe auto fornece um método que permite que ela seja estendida com classes personalizadas. Por exemplo, se você definir uma classe de modelo personalizada NewModel, certifique-se de também definir uma NewModelConfig correspondente. Em seguida, você pode registrá-las nas classes auto conforme mostrado abaixo:

from transformers import AutoConfig, AutoModel


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

Em seguida, você pode usar as classes auto da maneira habitual.

Se o seu NewModelConfig for uma subclasse de PreTrainedConfig, verifique se o atributo model_type está definido com a mesma chave que você usa ao registrar a configuração (aqui, "new-model").

Da mesma forma, se o seu NewModel for uma subclasse de PreTrainedModel, verifique se o atributo config_class está definido para a mesma classe que você usa ao registrar o modelo (aqui, NewModelConfig).

AutoConfig

classe transformers.AutoConfig

< >

( )

Esta é uma classe de configuração genérica que será instanciada como uma das classes de configuração da biblioteca quando criada com o método de classe from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

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

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de uma configuração de modelo pré-treinado hospedada em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo um arquivo de configuração salvo usando o método save_pretrained() ou o método save_pretrained(), por exemplo, ./my_model_directory/.
    • um caminho para um arquivo JSON de configuração salvo arquivo, por exemplo, ./my_model_directory/configuration.json.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • return_unused_kwargs (bool, opcional, padrão é False) — Se False, então esta função retorna apenas o objeto de configuração final.

    Se True, esta função retorna uma Tuple(config, unused_kwargs) em que unused_kwargs é um dicionário composto pelos pares de chave/valor cujas chaves não são atributos de configuração: ou seja, a parte de kwargs que não foi usada para atualizar config e é, de outra forma, ignorada.

  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • kwargs(additional keyword arguments, optional) — Os valores em kwargs de quaisquer chaves que sejam atributos de configuração serão usados para substituir os valores carregados. O comportamento em relação a pares de chave/valor cujas chaves não são atributos de configuração é controlado pelo parâmetro de palavra-chave return_unused_kwargs.

Instancie uma das classes de configuração da biblioteca a partir da configuração de um modelo pré-treinado.

A classe de configuração a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração que é carregado, ou, quando essa propriedade não existe, recorrendo ao uso de correspondência de padrões em pretrained_model_name_or_path:

Exemplos:

>>> from transformers import AutoConfig

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

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

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

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

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

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

>>> unused_kwargs
{'foo': False}

register

< >

( model_typeconfigexist_ok = False )

Parâmetros

  • model_type (str) — O tipo de modelo, como “bert” ou “gpt”.
  • config (PreTrainedConfig) — A configuração a ser registrada.

Registre uma nova configuração para esta classe.

AutoTokenizer

classe transformers.AutoTokenizer

< >

( )

Esta é uma classe de tokenizador genérica que será instanciada como uma das classes de tokenizador da biblioteca quando criada com o método de classe AutoTokenizer.from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um tokenizer predefinido hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo os arquivos de vocabulário necessários para o tokenizer, por exemplo, salvos usando o método save_pretrained(), como ./my_model_directory/.
    • um caminho para um único arquivo de vocabulário salvo, se e somente se o tokenizer exigir apenas um único arquivo de vocabulário (como Bert ou XLNet), por exemplo: ./my_model_directory/vocab.txt. (Não se aplica a todas as classes derivadas)
  • inputs (argumentos posicionais adicionais, opcional) — Serão passados para o método __init__() do Tokenizer.
  • config (PreTrainedConfig, opcional) — O objeto de configuração usado para determinar a classe de tokenizer a ser instanciada.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • subfolder (str, opcional) — Caso os arquivos relevantes estejam localizados em uma subpasta do repositório do modelo no huggingface.co (por exemplo, para facebook/rag-token-base), especifique-a aqui.
  • tokenizer_type (str, opcional) — Tipo de tokenizer a ser carregado.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Serão passados para o método __init__() do Tokenizer. Podem ser usados para definir tokens especiais como bos_token, eos_token, unk_token, sep_token, pad_token, cls_token, mask_token, additional_special_tokens. Consulte os parâmetros em __init__() para mais detalhes.

Instancie uma das classes de tokenizador da biblioteca a partir do vocabulário de um modelo pré-treinado.

A classe de tokenizer a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

Exemplos:

>>> from transformers import AutoTokenizer

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

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

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

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

register

< >

( config_classtokenizer_class = Noneslow_tokenizer_class = Nonefast_tokenizer_class = Noneexist_ok = False )

Parâmetros

  • config_class (PreTrainedConfig) — A configuração correspondente ao modelo a ser registrado.
  • tokenizer_class — A classe de tokenizer a ser registrada (V5 - parâmetro preferencial).
  • slow_tokenizer_class — (Descontinuado) O tokenizer lento a ser registrado.
  • fast_tokenizer_class — (Descontinuado) O fast tokenizer a ser registrado.

Registre um novo tokenizer neste mapeamento.

AutoFeatureExtractor

classe transformers.AutoFeatureExtractor

< >

( )

Esta é uma classe genérica de extrator de recursos que será instanciada como uma das classes de extrator de recursos da biblioteca quando criada com o método de classe AutoFeatureExtractor.from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • uma string, o model id de um feature_extractor pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • um caminho para um diretório contendo um arquivo de extrator de recursos salvo usando o método save_pretrained(), por exemplo, ./my_model_directory/.
    • um caminho para um arquivo JSON de extrator de recursos salvo file, por exemplo, ./my_model_directory/preprocessor_config.json.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que um extrator de recursos de modelo pré-treinado baixado deve ser armazenado em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Se deve forçar o (re-)download dos arquivos do extrator de recursos e sobrescrever as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • token (str ou bool, opcional) — O token a ser usado como autorização de bearer HTTP para arquivos remotos. Se True, usará o token gerado ao executar hf auth login (armazenado em ~/.huggingface).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • return_unused_kwargs (bool, opcional, padrão False) — Se False, esta função retorna apenas o objeto final de feature extractor. Se True, esta função retorna uma Tuple(feature_extractor, unused_kwargs) em que unused_kwargs é um dicionário consistindo dos pares chave/valor cujas chaves não são atributos do feature extractor: ou seja, a parte de kwargs que não foi usada para atualizar feature_extractor e é, de outra forma, ignorada.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • kwargs (dict[str, Any], opcional) — Os valores em kwargs de quaisquer chaves que sejam atributos do feature extractor serão usados para substituir os valores carregados. O comportamento em relação a pares de chave/valor cujas chaves não são atributos do feature extractor é controlado pelo parâmetro de palavra-chave return_unused_kwargs.

Instancie uma das classes de extrator de recursos da biblioteca a partir do vocabulário de um modelo pré-treinado.

A classe de extrator de recursos a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando essa propriedade não está presente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

É necessário passar token=True quando você deseja usar um modelo privado.

Exemplos:

>>> from transformers import AutoFeatureExtractor

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

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

register

< >

( config_classfeature_extractor_classexist_ok = False )

Parâmetros

  • config_class (PreTrainedConfig) — A configuração correspondente ao modelo a ser registrado.
  • feature_extractor_class (FeatureExtractorMixin) — O extrator de recursos a ser registrado.

Registre um novo extrator de recursos para esta classe.

AutoImageProcessor

classe transformers.AutoImageProcessor

< >

( )

Esta é uma classe de processador de imagem genérica que será instanciada como uma das classes de processador de imagem da biblioteca quando criada com o método de classe AutoImageProcessor.from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • uma string, o model id de um image_processor pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • um caminho para um diretório contendo um arquivo de processador de imagem salvo usando o método save_pretrained(), por exemplo, ./my_model_directory/.
    • um caminho para um arquivo JSON de processador de imagem salvo arquivo, por exemplo, ./my_model_directory/preprocessor_config.json.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que o processador de imagem de um modelo pré-treinado baixado deve ser armazenado em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos arquivos do processador de imagem e substituir as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • token (str ou bool, opcional) — O token a ser usado como autorização de bearer HTTP para arquivos remotos. Se True, usará o token gerado ao executar hf auth login (armazenado em ~/.huggingface).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • use_fast (bool, opcional, padrão False) — Descontinuado: Use backend="torchvision" em vez disso. Este parâmetro é mantido para compatibilidade reversa. Use um processador de imagem rápido baseado em torchvision, se for suportado para um determinado modelo. Se um processador de imagem rápido não estiver disponível para um determinado modelo, um processador de imagem normal baseado em numpy será retornado em vez disso.
  • backend (str, opcional, padrão é None) — O backend a ser usado para processamento de imagens. Pode ser:
    • None: Seleciona automaticamente o melhor backend disponível (torchvision, se disponível; caso contrário, pil)
    • "torchvision": Use o backend Torchvision (acelerado por GPU, mais rápido)
    • "pil": Use o backend PIL (portável, apenas CPU)
    • Qualquer nome de backend personalizado registrado por meio do método register()
  • return_unused_kwargs (bool, opcional, padrão False) — Se False, esta função retorna apenas o objeto final do processador de imagem. Se True, esta função retorna uma Tuple(image_processor, unused_kwargs) em que unused_kwargs é um dicionário consistindo dos pares chave/valor cujas chaves não são atributos do processador de imagem: ou seja, a parte de kwargs que não foi usada para atualizar image_processor e é, de outra forma, ignorada.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • image_processor_filename (str, opcional, padrão "config.json") — O nome do arquivo no diretório do modelo a ser usado para a configuração do processador de imagem.
  • kwargs (dict[str, Any], opcional) — Os valores em kwargs de quaisquer chaves que sejam atributos do processador de imagem serão usados para substituir os valores carregados. O comportamento em relação a pares de chave/valor cujas chaves não são atributos do processador de imagem é controlado pelo parâmetro de palavra-chave return_unused_kwargs.

Instancie uma das classes de processador de imagem da biblioteca a partir de um vocabulário de modelo pré-treinado.

A classe de processador de imagem a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando essa propriedade não está presente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

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

É necessário passar token=True quando você deseja usar um modelo privado.

Exemplos:

>>> from transformers import AutoImageProcessor

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

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

register

< >

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

Parâmetros

  • config_class (PreTrainedConfig) — A configuração correspondente ao modelo a ser registrado.
  • slow_image_processor_class (type, opcional) — A classe do processador de imagens do backend PIL (descontinuada, use image_processor_classes={"pil": ...}).
  • fast_image_processor_class (type, opcional) — A classe do processador de imagens do backend Torchvision (descontinuada, use image_processor_classes={"torchvision": ...}).
  • image_processor_classes (dict[str, type], opcional) — Dicionário que mapeia nomes de backends para classes de processadores de imagem. Permite registrar backends personalizados. Exemplo: {"pil": MyPilProcessor, "torchvision": MyTorchvisionProcessor, "custom": MyCustomProcessor}
  • exist_ok (bool, opcional, padrão False) — Se True, permite sobrescrever registros existentes.

Registre um novo processador de imagem para esta classe.

AutoVideoProcessor

Consulte Backends do processador de vídeo para seleção de backend, registro personalizado e salvamento e recarregamento.

classe transformers.AutoVideoProcessor

< >

( )

Esta é uma classe de processador de vídeo genérica que será instanciada como uma das classes de processador de vídeo da biblioteca quando criada com o método de classe AutoVideoProcessor.from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • uma string, o model id de um video_processor pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • um caminho para um diretório contendo um arquivo de processador de vídeo salvo usando o método save_pretrained(), por exemplo, ./my_model_directory/.
    • um caminho para um arquivo JSON de processador de vídeo salvo arquivo, por exemplo, ./my_model_directory/preprocessor_config.json.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que o processador de vídeo de um modelo pré-treinado baixado deve ser armazenado em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Se deve forçar o (re)download dos arquivos do processador de vídeo e sobrescrever as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • token (str ou bool, opcional) — O token a ser usado como autorização de bearer HTTP para arquivos remotos. Se True, usará o token gerado ao executar hf auth login (armazenado em ~/.huggingface).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • return_unused_kwargs (bool, opcional, padrão False) — Se False, esta função retorna apenas o objeto final do processador de vídeo. Se True, esta função retorna uma Tuple(video_processor, unused_kwargs) em que unused_kwargs é um dicionário consistindo dos pares chave/valor cujas chaves não são atributos do processador de vídeo: ou seja, a parte de kwargs que não foi usada para atualizar video_processor e é, de outra forma, ignorada.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • kwargs (dict[str, Any], opcional) — Os valores em kwargs de quaisquer chaves que sejam atributos do processador de vídeo serão usados para substituir os valores carregados. O comportamento em relação a pares de chave/valor cujas chaves não são atributos do processador de vídeo é controlado pelo parâmetro de palavra-chave return_unused_kwargs.

Instancie uma das classes de processador de vídeo da biblioteca a partir de um vocabulário de modelo pré-treinado.

A classe de processador de vídeo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando essa propriedade não está presente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

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

É necessário passar token=True quando você deseja usar um modelo privado.

Exemplos:

>>> from transformers import AutoVideoProcessor

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

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

register

< >

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

Parâmetros

  • config_class (PreTrainedConfig) — A configuração correspondente ao modelo a ser registrado.
  • video_processor_class (BaseVideoProcessor) — O processador de vídeo a ser registrado.
  • video_processor_classes (dict[str, type], opcional) — Dicionário que mapeia nomes de backends para classes de processadores de vídeo. Permite registrar backends personalizados. Exemplo: {"pil": MyPilVideoProcessor, "torchvision": MyTorchvisionVideoProcessor, "custom": MyCustomVideoProcessor}
  • exist_ok (bool, opcional, padrão False) — Se True, permite sobrescrever registros existentes.

Registre um novo processador de vídeo para esta classe.

AutoProcessor

classe transformers.AutoProcessor

< >

( )

Esta é uma classe de processador genérica que será instanciada como uma das classes de processador da biblioteca quando criada com o método de classe AutoProcessor.from_pretrained().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • uma string, o model id de um feature_extractor pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • um caminho para um diretório contendo arquivos de processador salvos usando o método save_pretrained(), por exemplo, ./my_model_directory/.
  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que um extrator de recursos de modelo pré-treinado baixado deve ser armazenado em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Se deve forçar o (re-)download dos arquivos do extrator de recursos e sobrescrever as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • token (str ou bool, opcional) — O token a ser usado como autorização de bearer HTTP para arquivos remotos. Se True, usará o token gerado ao executar hf auth login (armazenado em ~/.huggingface).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • return_unused_kwargs (bool, opcional, padrão False) — Se False, esta função retorna apenas o objeto final de feature extractor. Se True, esta função retorna uma Tuple(feature_extractor, unused_kwargs) em que unused_kwargs é um dicionário consistindo dos pares chave/valor cujas chaves não são atributos do feature extractor: ou seja, a parte de kwargs que não foi usada para atualizar feature_extractor e é, de outra forma, ignorada.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • kwargs (dict[str, Any], opcional) — Os valores em kwargs de quaisquer chaves que sejam atributos do feature extractor serão usados para substituir os valores carregados. O comportamento em relação a pares de chave/valor cujas chaves não são atributos do feature extractor é controlado pelo parâmetro de palavra-chave return_unused_kwargs.

Instancie uma das classes de processador da biblioteca a partir do vocabulário de um modelo pré-treinado.

A classe de processador a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível):

É necessário passar token=True quando você deseja usar um modelo privado.

Exemplos:

>>> from transformers import AutoProcessor

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

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

register

< >

( config_classprocessor_classexist_ok = False )

Parâmetros

  • config_class (PreTrainedConfig) — A configuração correspondente ao modelo a ser registrado.
  • processor_class (ProcessorMixin) — O processador a ser registrado.

Registre um novo processador para esta classe.

Classes de modelo genéricas

As seguintes classes automáticas estão disponíveis para instanciar uma classe de modelo base sem uma cabeça específica.

AutoModel

classe transformers.AutoModel

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo base da biblioteca quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo base da biblioteca a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModel

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo base da biblioteca a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModel

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

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

Classes de pré-treino genéricas

As seguintes classes automáticas estão disponíveis para instanciar um modelo com uma cabeça de pré-treinamento.

AutoModelForPreTraining

classe transformers.AutoModelForPreTraining

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de pré-treinamento) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de pré-treinamento) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com um cabeçalho de pré-treinamento) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

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

Processamento de Linguagem Natural

As seguintes classes automáticas estão disponíveis para as seguintes tarefas de processamento de linguagem natural.

AutoModelForCausalLM

classe transformers.AutoModelForCausalLM

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem causal) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem causal) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem causal) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

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

AutoModelForMaskedLM

classe transformers.AutoModelForMaskedLM

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem mascarada) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem mascarada) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem mascarada) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

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

AutoModelForMaskGeneration

classe transformers.AutoModelForMaskGeneration

< >

( *args**kwargs )

AutoModelForSeq2SeqLM

classe transformers.AutoModelForSeq2SeqLM

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem sequência-para-sequência) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem sequência-para-sequência) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de linguagem sequência-para-sequência) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

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

AutoModelForSequenceClassification

classe transformers.AutoModelForSequenceClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de sequência) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de sequência) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de sequência) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

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

AutoModelForMultipleChoice

classe transformers.AutoModelForMultipleChoice

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de escolha múltipla) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de escolha múltipla) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de escolha múltipla) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

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

AutoModelForNextSentencePrediction

classe transformers.AutoModelForNextSentencePrediction

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de previsão da próxima frase) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de previsão da próxima sentença) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de previsão da próxima sentença) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

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

AutoModelForTokenClassification

classe transformers.AutoModelForTokenClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de tokens) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de tokens) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de tokens) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

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

AutoModelForQuestionAnswering

classe transformers.AutoModelForQuestionAnswering

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

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

AutoModelForTextEncoding

classe transformers.AutoModelForTextEncoding

< >

( *args**kwargs )

Visão computacional

As seguintes classes automáticas estão disponíveis para as seguintes tarefas de visão computacional.

AutoModelForDepthEstimation

classe transformers.AutoModelForDepthEstimation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de estimativa de profundidade) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de estimativa de profundidade) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de estimativa de profundidade) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

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

AutoModelForNormalEstimation

classe transformers.AutoModelForNormalEstimation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de estimativa normal) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de estimativa normal) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de estimativa normal) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

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

AutoModelForPointmapEstimation

classe transformers.AutoModelForPointmapEstimation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pointmap) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pointmap) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pointmap) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

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

AutoModelForImageMatting

classe transformers.AutoModelForImageMatting

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de matting de imagem) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de matting de imagem) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de matting de imagem) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

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

AutoModelForTextRecognition

classe transformers.AutoModelForTextRecognition

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de texto) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de texto) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de texto) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

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

AutoModelForTableRecognition

classe transformers.AutoModelForTableRecognition

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de tabela) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de tabela) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de reconhecimento de tabela) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

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

AutoModelForImageClassification

classe transformers.AutoModelForImageClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

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

AutoModelForVideoClassification

classe transformers.AutoModelForVideoClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de vídeo) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de vídeo) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de vídeo) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

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

AutoModelForPoseEstimation

classe transformers.AutoModelForPoseEstimation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pose) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pose) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de estimativa de pose) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

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

AutoModelForKeypointDetection

classe transformers.AutoModelForKeypointDetection

< >

( *args**kwargs )

AutoModelForKeypointMatching

classe transformers.AutoModelForKeypointMatching

< >

( *args**kwargs )

AutoModelForMaskedImageModeling

classe transformers.AutoModelForMaskedImageModeling

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem mascarada) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem mascarada) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem mascarada) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

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

AutoModelForObjectDetection

classe transformers.AutoModelForObjectDetection

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

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

AutoModelForImageSegmentation

classe transformers.AutoModelForImageSegmentation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de segmentação de imagem) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de segmentação de imagem) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de segmentação de imagem) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

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

AutoModelForImageToImage

classe transformers.AutoModelForImageToImage

< >

( *args**kwargs )

AutoModelForSemanticSegmentation

classe transformers.AutoModelForSemanticSegmentation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de segmentação semântica) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de segmentação semântica) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de segmentação semântica) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

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

AutoModelForInstanceSegmentation

classe transformers.AutoModelForInstanceSegmentation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de segmentação de instâncias) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de segmentação de instâncias) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de segmentação de instâncias) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

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

AutoModelForUniversalSegmentation

classe transformers.AutoModelForUniversalSegmentation

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça universal de segmentação de imagem) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça universal de segmentação de imagem) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de segmentação de imagem universal) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

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

AutoModelForZeroShotImageClassification

classe transformers.AutoModelForZeroShotImageClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem zero-shot) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem zero-shot) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de imagem zero-shot) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

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

AutoModelForZeroShotObjectDetection

classe transformers.AutoModelForZeroShotObjectDetection

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos zero-shot) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos zero-shot) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de detecção de objetos zero-shot) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

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

Áudio

As seguintes classes automáticas estão disponíveis para as seguintes tarefas de áudio.

AutoModelForAudioClassification

classe transformers.AutoModelForAudioClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de áudio) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de áudio) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de áudio) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

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

AutoModelForAudioFrameClassification

classe transformers.AutoModelForAudioFrameClassification

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação de quadro (token) de áudio) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação de quadro (token) de áudio) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação de quadro (token) de áudio) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

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

AutoModelForCTC

classe transformers.AutoModelForCTC

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de classificação temporal conexionista) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de classificação temporal conexionista) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForCTC

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de classificação temporal conexionista) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForCTC

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

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

AutoModelForTDT

classe transformers.AutoModelForTDT

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça transdutora de token e duração) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça transdutor de token e duração) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTDT

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça transdutor de token e duração) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTDT

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

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

AutoModelForRNNT

classe transformers.AutoModelForRNNT

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de transdutor RNN) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de transdutor RNN) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de transdutor RNN) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

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

AutoModelForSpeechSeq2Seq

classe transformers.AutoModelForSpeechSeq2Seq

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de fala-para-texto sequência-para-sequência) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de fala-para-texto sequência-para-sequência) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de fala-para-texto sequência-para-sequência) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

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

AutoModelForAudioXVector

classe transformers.AutoModelForAudioXVector

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma recuperação de áudio por meio de uma cabeça x-vector) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma recuperação de áudio por meio de uma cabeça x-vector) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma extração de áudio por meio de uma cabeça x-vector) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

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

AutoModelForTextToSpectrogram

classe transformers.AutoModelForTextToSpectrogram

< >

( *args**kwargs )

AutoModelForTextToWaveform

classe transformers.AutoModelForTextToWaveform

< >

( *args**kwargs )

AutoModelForAudioTokenization

classe transformers.AutoModelForAudioTokenization

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma tokenização de áudio por meio de um cabeçalho de codebooks) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma tokenização de áudio por meio de uma cabeça de codebooks) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com tokenização de áudio por meio de um cabeçalho de codebooks) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

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

Multimodal

As seguintes classes automáticas estão disponíveis para as seguintes tarefas multimodais.

AutoModelForMultimodalLM

classe transformers.AutoModelForMultimodalLM

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de geração multimodal) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de geração multimodal) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de geração multimodal) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

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

AutoModelForTableQuestionAnswering

classe transformers.AutoModelForTableQuestionAnswering

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas sobre tabelas) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas em tabelas) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas em tabelas) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

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

AutoModelForDocumentQuestionAnswering

classe transformers.AutoModelForDocumentQuestionAnswering

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas sobre documentos) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas em documentos) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas sobre documentos) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

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

AutoModelForVisualQuestionAnswering

classe transformers.AutoModelForVisualQuestionAnswering

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas visuais) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas visuais) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de resposta a perguntas visuais) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

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

AutoModelForImageTextToText

classe transformers.AutoModelForImageTextToText

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem-texto-para-texto) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem-texto-para-texto) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelo da biblioteca (com uma cabeça de modelagem de imagem-texto-para-texto) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

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

Séries Temporais

AutoModelForTimeSeriesPrediction

classe transformers.AutoModelForTimeSeriesPrediction

< >

( *args**kwargs )

Esta é uma classe de modelo genérica que será instanciada como uma das classes de modelo da biblioteca (com uma cabeça de previsão de séries temporais) quando criada com o método de classe from_pretrained() ou o método de classe from_config().

Esta classe não pode ser instanciada diretamente usando __init__() (gera um erro).

from_config

< >

( **kwargs )

Parâmetros

Instancia uma das classes de modelo da biblioteca (com uma cabeça de previsão de séries temporais) a partir de uma configuração.

Nota: Carregar um modelo a partir do seu arquivo de configuração não carrega os pesos do modelo. Isso afeta apenas a configuração do modelo. Use from_pretrained() para carregar os pesos do modelo.

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

from_pretrained

< >

( *model_args**kwargs )

Parâmetros

  • pretrained_model_name_or_path (str ou os.PathLike) — Pode ser:
    • Uma string, o model id de um modelo pré-treinado hospedado em um repositório de modelos no huggingface.co.
    • Um caminho para um diretório contendo pesos de modelo salvos usando save_pretrained(), por exemplo, ./my_model_directory/.
  • model_args (argumentos posicionais adicionais, opcional) — Serão passados ao método __init__() do modelo subjacente.
  • config (PreTrainedConfig, opcional) — Configuração para o modelo a ser usado em vez de uma configuração carregada automaticamente. A configuração pode ser carregada automaticamente quando:
    • O modelo é um modelo fornecido pela biblioteca (carregado com a string model id de um modelo pré-treinado).
    • O modelo foi salvo usando save_pretrained() e é recarregado fornecendo o diretório de salvamento.
    • O modelo é carregado ao fornecer um diretório local como pretrained_model_name_or_path e um arquivo JSON de configuração chamado config.json é encontrado no diretório.
  • state_dict (dict[str, torch.Tensor], opcional) — Um dicionário de estado para usar em vez de um dicionário de estado carregado de um arquivo de pesos salvos. Esta opção pode ser usada se você quiser criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

    Essa opção pode ser usada se você deseja criar um modelo a partir de uma configuração pré-treinada, mas carregar seus próprios pesos. Nesse caso, no entanto, você deve verificar se o uso de save_pretrained() e from_pretrained() não é uma opção mais simples.

  • cache_dir (str ou os.PathLike, opcional) — Caminho para um diretório em que a configuração de um modelo pré-treinado baixado deve ser armazenada em cache, caso o cache padrão não deva ser usado.
  • force_download (bool, opcional, padrão False) — Indica se deve forçar o (re)download dos pesos do modelo e dos arquivos de configuração, sobrescrevendo as versões em cache, caso existam.
  • proxies (dict[str, str], opcional) — Um dicionário de servidores proxy a serem usados por protocolo ou endpoint, por exemplo, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Os proxies são usados em cada solicitação.
  • output_loading_info(bool, opcional, padrão False) — Indica se deve ou não retornar também um dicionário contendo chaves ausentes, chaves inesperadas e mensagens de erro.
  • local_files_only(bool, opcional, padrão False) — Indica se deve procurar apenas em arquivos locais (por exemplo, sem tentar baixar o modelo).
  • revision (str, opcional, padrão "main") — A versão específica do modelo a ser usada. Pode ser o nome de um branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, de modo que revision pode ser qualquer identificador permitido pelo git.
  • trust_remote_code (bool, opcional, padrão False) — Indica se modelos personalizados definidos no Hub em seus próprios arquivos de modelagem devem ser permitidos. Essa opção deve ser definida como True apenas para repositórios nos quais você confia e cujo código você leu, pois ela executará o código presente no Hub na sua máquina local.
  • code_revision (str, opcional, padrão "main") — A revisão específica a ser usada para o código no Hub, caso o código esteja em um repositório diferente do restante do modelo. Pode ser o nome de uma branch, o nome de uma tag ou um id de commit, pois utilizamos um sistema baseado em git para armazenar modelos e outros artefatos no huggingface.co, portanto revision pode ser qualquer identificador permitido pelo git.
  • kwargs (argumentos de palavra-chave adicionais, opcional) — Pode ser usado para atualizar o objeto de configuração (após ele ser carregado) e iniciar o modelo (por exemplo, output_attentions=True). O comportamento é diferente dependendo de se uma config for fornecida ou carregada automaticamente:
    • Se uma configuração for fornecida com config, **kwargs será passado diretamente para o método __init__ do modelo subjacente (assumimos que todas as atualizações relevantes à configuração já foram realizadas)
    • Se uma configuração não for fornecida, kwargs será primeiro passado para a função de inicialização da classe de configuração (from_pretrained()). Cada chave de kwargs que corresponde a um atributo de configuração será usada para sobrescrever o referido atributo com o valor de kwargs fornecido. As chaves restantes que não correspondem a nenhum atributo de configuração serão passadas para a função __init__ do modelo subjacente.

Instancie uma das classes de modelos da biblioteca (com uma cabeça de previsão de séries temporais) a partir de um modelo pré-treinado.

A classe de modelo a ser instanciada é selecionada com base na propriedade model_type do objeto de configuração (seja passada como argumento ou carregada de pretrained_model_name_or_path, quando possível), ou, quando ausente, recorrendo ao casamento de padrões em pretrained_model_name_or_path:

O modelo é definido no modo de avaliação por padrão usando model.eval() (por exemplo, os módulos de dropout são desativados). Para treinar o modelo, você deve primeiro redefinir o modo de treinamento com model.train()

Exemplos:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

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