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