Transformers documentation

Clases Auto

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.2).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Clases Auto

En muchos casos, la arquitectura a utilizar se puede inferir a partir del nombre o la ruta del modelo preentrenado proporcionado al método from_pretrained(). La instanciación de AutoConfig, AutoModel o AutoTokenizer crea automáticamente la clase de arquitectura adecuada. Por ejemplo:

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

Esto crea una instancia del modelo BertModel.

Cada tarea tiene una clase AutoModel correspondiente.

Extender las clases Auto

Cada clase auto proporciona un método que permite extenderla con clases personalizadas. Por ejemplo, si defines una clase de modelo personalizada NewModel, asegúrate de que también definas una NewModelConfig correspondiente. Luego, puedes registrarlas en las clases auto como se muestra a continuación:

from transformers import AutoConfig, AutoModel


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

A continuación, puede usar las clases automáticas de la manera habitual.

Si su NewModelConfig es una subclase de PreTrainedConfig, asegúrese de que su atributo model_type esté establecido en la misma clave que utilice al registrar la configuración (aquí "new-model").

Del mismo modo, si tu NewModel es una subclase de PreTrainedModel, asegúrate de que su atributo config_class esté configurado con la misma clase que usas al registrar el modelo (aquí, NewModelConfig).

AutoConfig

clase transformers.AutoConfig

< >

( )

Esta es una clase de configuración genérica que se instanciará como una de las clases de configuración de la biblioteca cuando se cree con el método de clase from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

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

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de una configuración de modelo preentrenado alojada en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene un archivo de configuración guardado usando el método save_pretrained() o el método save_pretrained(), por ejemplo, ./my_model_directory/.
    • una ruta a un archivo JSON de configuración guardado, archivo, p. ej., ./my_model_directory/configuration.json.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, sobrescribiendo las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • return_unused_kwargs (bool, opcional, por defecto False) — Si False, entonces esta función devuelve solo el objeto de configuración final.

    Si True, esta función devuelve una Tuple(config, unused_kwargs) donde unused_kwargs es un diccionario que consiste en pares clave/valor cuyas claves no son atributos de configuración: es decir, la parte de kwargs que no se ha utilizado para actualizar config y que se ignora de lo contrario.

  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • kwargs(additional argumentos de palabra clave, opcional) — Los valores en kwargs de cualquier clave que sea un atributo de configuración se usarán para sobrescribir los valores cargados. El comportamiento respecto a pares clave/valor cuyas claves no son atributos de configuración está controlado por el parámetro de palabra clave return_unused_kwargs.

Instanciar una de las clases de configuración de la biblioteca a partir de la configuración de un modelo preentrenado.

La clase de configuración que se instancia se selecciona en función de la propiedad model_type del objeto de configuración que se carga, o, si esta falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

Ejemplos:

>>> from transformers import AutoConfig

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

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

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

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

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

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

>>> unused_kwargs
{'foo': False}

register

< >

( model_typeconfigexist_ok = False )

Parámetros

  • model_type (str) — El tipo de modelo, como “bert” o “gpt”.
  • config (PreTrainedConfig) — La configuración a registrar.

Registra una nueva configuración para esta clase.

AutoTokenizer

clase transformers.AutoTokenizer

< >

( )

Esta es una clase de tokenizador genérica que se instanciará como una de las clases de tokenizador de la biblioteca cuando se cree con el método de clase AutoTokenizer.from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un tokenizador predefinido alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contenga los archivos de vocabulario requeridos por el tokenizador, por ejemplo, guardados usando el método save_pretrained(), p. ej., ./my_model_directory/.
    • una ruta a un único archivo de vocabulario guardado si y solo si el tokenizador requiere un único archivo de vocabulario (como Bert o XLNet), p. ej.: ./my_model_directory/vocab.txt. (No aplicable a todas las clases derivadas)
  • inputs (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del Tokenizer.
  • config (PreTrainedConfig, opcional) — El objeto de configuración utilizado para determinar la clase de tokenizador que se debe instanciar.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, sobrescribiendo las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • subfolder (str, opcional) — En caso de que los archivos relevantes se encuentren dentro de una subcarpeta del repositorio del modelo en huggingface.co (p. ej. para facebook/rag-token-base), especifíquela aquí.
  • tokenizer_type (str, opcional) — Tipo de tokenizador que se cargará.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se pasarán al método __init__() del Tokenizer. Se pueden usar para establecer tokens especiales como bos_token, eos_token, unk_token, sep_token, pad_token, cls_token, mask_token, additional_special_tokens. Consulte los parámetros en __init__() para más detalles.

Instancie una de las clases de tokenizador de la biblioteca a partir del vocabulario de un modelo preentrenado.

La clase de tokenizador que se instancia se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

Ejemplos:

>>> from transformers import AutoTokenizer

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

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

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

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

register

< >

( config_classtokenizer_class = Noneslow_tokenizer_class = Nonefast_tokenizer_class = Noneexist_ok = False )

Parámetros

  • config_class (PreTrainedConfig) — La configuración correspondiente al modelo a registrar.
  • tokenizer_class — La clase de tokenizador a registrar (V5 - parámetro preferido).
  • slow_tokenizer_class — (Obsoleto) El tokenizador lento a registrar.
  • fast_tokenizer_class — (Obsoleto) El tokenizador rápido a registrar.

Registre un nuevo tokenizador en este mapeo.

AutoFeatureExtractor

clase transformers.AutoFeatureExtractor

< >

( )

Esta es una clase de extracción de características genérica que se instanciará como una de las clases de extracción de características de la biblioteca cuando se cree con el método de clase AutoFeatureExtractor.from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • una cadena, el model id de un feature_extractor preentrenado alojado en un repositorio de modelos en huggingface.co.
    • una ruta a un directorio que contenga un archivo de extractor de características guardado usando el método save_pretrained(), por ejemplo, ./my_model_directory/.
    • una ruta a un archivo JSON de extractor de características guardado, archivo, p. ej., ./my_model_directory/preprocessor_config.json.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché el extractor de características de un modelo preentrenado descargado si no se debe utilizar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los archivos del extractor de características y sobrescribir las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • token (str o bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si es True, se usará el token generado al ejecutar hf auth login (almacenado en ~/.huggingface).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • return_unused_kwargs (bool, opcional, valor predeterminado False) — Si es False, esta función devuelve solo el objeto final de extracción de características. Si es True, esta función devuelve una Tuple(feature_extractor, unused_kwargs) donde unused_kwargs es un diccionario que consiste en pares clave/valor cuyas claves no son atributos del extractor de características: es decir, la parte de kwargs que no se ha utilizado para actualizar feature_extractor y que se ignora de lo contrario.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • kwargs (dict[str, Any], opcional) — Los valores en kwargs de cualquier clave que sea un atributo del extractor de características se usarán para sobrescribir los valores cargados. El comportamiento respecto a los pares clave/valor cuyas claves no son atributos del extractor de características está controlado por el parámetro de palabra clave return_unused_kwargs.

Instancie una de las clases de extractores de características de la biblioteca a partir del vocabulario de un modelo preentrenado.

La clase de extractor de características que se instancia se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

Es necesario pasar token=True cuando se desea utilizar un modelo privado.

Ejemplos:

>>> from transformers import AutoFeatureExtractor

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

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

register

< >

( config_classfeature_extractor_classexist_ok = False )

Parámetros

  • config_class (PreTrainedConfig) — La configuración correspondiente al modelo a registrar.
  • feature_extractor_class (FeatureExtractorMixin) — El extractor de características a registrar.

Registre un nuevo extractor de características para esta clase.

AutoImageProcessor

clase transformers.AutoImageProcessor

< >

( )

Esta es una clase de procesador de imágenes genérica que se instanciará como una de las clases de procesador de imágenes de la biblioteca cuando se cree con el método de clase AutoImageProcessor.from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • una cadena, el model id de un image_processor preentrenado alojado en un repositorio de modelos en huggingface.co.
    • una ruta a un directorio que contenga un archivo de procesador de imágenes guardado usando el método save_pretrained(), por ejemplo, ./my_model_directory/.
    • una ruta a un archivo JSON de procesador de imágenes guardado, archivo, p. ej., ./my_model_directory/preprocessor_config.json.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché el procesador de imágenes de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los archivos del procesador de imágenes y sobrescribir las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • token (str o bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si es True, se usará el token generado al ejecutar hf auth login (almacenado en ~/.huggingface).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • use_fast (bool, opcional, valor predeterminado False) — Obsoleto: Use backend="torchvision" en su lugar. Este parámetro se mantiene por compatibilidad con versiones anteriores. Use un procesador de imágenes rápido basado en torchvision si está disponible para un modelo dado. Si no hay un procesador de imágenes rápido disponible para un modelo dado, se devuelve en su lugar un procesador de imágenes normal basado en numpy.
  • backend (str, opcional, por defecto None) — El backend a utilizar para el procesamiento de imágenes. Puede ser:
    • None: Selecciona automáticamente el mejor backend disponible (torchvision si está disponible, en caso contrario pil)
    • "torchvision": Usa el backend Torchvision (acelerado por GPU, más rápido)
    • "pil": Usa el backend PIL (portable, solo CPU)
    • Cualquier nombre de backend personalizado registrado mediante el método register()
  • return_unused_kwargs (bool, opcional, valor predeterminado False) — Si es False, esta función devuelve solo el objeto final de procesador de imágenes. Si es True, esta función devuelve una Tuple(image_processor, unused_kwargs) donde unused_kwargs es un diccionario que consiste en pares clave/valor cuyas claves no son atributos del procesador de imágenes: es decir, la parte de kwargs que no se ha utilizado para actualizar image_processor y que se ignora de lo contrario.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • image_processor_filename (str, opcional, por defecto "config.json") — El nombre del archivo en el directorio del modelo que se usará para la configuración del procesador de imágenes.
  • kwargs (dict[str, Any], opcional) — Los valores en kwargs de cualquier clave que sea un atributo del procesador de imágenes se usarán para sobrescribir los valores cargados. El comportamiento respecto a los pares clave/valor cuyas claves no son atributos del procesador de imágenes está controlado por el parámetro de palabra clave return_unused_kwargs.

Instancie una de las clases de procesador de imágenes de la biblioteca a partir de un vocabulario de modelo preentrenado.

La clase de procesador de imágenes que se instancia se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en 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)

Es necesario pasar token=True cuando se desea utilizar un modelo privado.

Ejemplos:

>>> from transformers import AutoImageProcessor

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

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

register

< >

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

Parámetros

  • config_class (PreTrainedConfig) — La configuración correspondiente al modelo a registrar.
  • slow_image_processor_class (type, opcional) — La clase de procesador de imágenes del backend PIL (obsoleta, use image_processor_classes={"pil": ...}).
  • fast_image_processor_class (type, opcional) — La clase de procesador de imágenes del backend Torchvision (obsoleta, use image_processor_classes={"torchvision": ...}).
  • image_processor_classes (dict[str, type], opcional) — Diccionario que mapea nombres de backends a clases de procesadores de imágenes. Permite registrar backends personalizados. Ejemplo: {"pil": MyPilProcessor, "torchvision": MyTorchvisionProcessor, "custom": MyCustomProcessor}
  • exist_ok (bool, opcional, valor predeterminado False) — Si True, permite sobrescribir registros existentes.

Registre un nuevo procesador de imágenes para esta clase.

AutoVideoProcessor

Consulte Video processor backends para la selección de backends, el registro personalizado y el guardado y recarga.

clase transformers.AutoVideoProcessor

< >

( )

Esta es una clase de procesador de video genérica que se instanciará como una de las clases de procesador de video de la biblioteca cuando se cree con el método de clase AutoVideoProcessor.from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • una cadena, el model id de un video_processor preentrenado alojado en un repositorio de modelos en huggingface.co.
    • una ruta a un directorio que contenga un archivo de procesador de video guardado usando el método save_pretrained(), por ejemplo, ./my_model_directory/.
    • una ruta a un archivo JSON de procesador de video guardado, archivo, p. ej., ./my_model_directory/preprocessor_config.json.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché el procesador de video de un modelo preentrenado descargado si no se debe utilizar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los archivos del procesador de video y sobrescribir las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • token (str o bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si es True, se usará el token generado al ejecutar hf auth login (almacenado en ~/.huggingface).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • return_unused_kwargs (bool, opcional, valor predeterminado False) — Si es False, esta función devuelve solo el objeto final del procesador de video. Si es True, esta función devuelve una Tuple(video_processor, unused_kwargs) donde unused_kwargs es un diccionario que consiste en pares clave/valor cuyas claves no son atributos del procesador de video: es decir, la parte de kwargs que no se ha utilizado para actualizar video_processor y que se ignora de lo contrario.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • kwargs (dict[str, Any], opcional) — Los valores en kwargs de cualquier clave que sea un atributo del procesador de video se usarán para sobrescribir los valores cargados. El comportamiento respecto a pares clave/valor cuyas claves no son atributos del procesador de video está controlado por el parámetro de palabra clave return_unused_kwargs.

Instancie una de las clases de procesador de video de la biblioteca a partir de un vocabulario de modelo preentrenado.

La clase de procesador de video que se instancia se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en 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)

Es necesario pasar token=True cuando se desea utilizar un modelo privado.

Ejemplos:

>>> from transformers import AutoVideoProcessor

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

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

register

< >

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

Parámetros

  • config_class (PreTrainedConfig) — La configuración correspondiente al modelo a registrar.
  • video_processor_class (BaseVideoProcessor) — El procesador de video a registrar.
  • video_processor_classes (dict[str, type], opcional) — Diccionario que mapea nombres de backends a clases de procesadores de video. Permite registrar backends personalizados. Ejemplo: {"pil": MyPilVideoProcessor, "torchvision": MyTorchvisionVideoProcessor, "custom": MyCustomVideoProcessor}
  • exist_ok (bool, opcional, valor predeterminado False) — Si True, permite sobrescribir registros existentes.

Registre un nuevo procesador de video para esta clase.

AutoProcessor

clase transformers.AutoProcessor

< >

( )

Esta es una clase de procesador genérica que se instanciará como una de las clases de procesador de la biblioteca cuando se cree con el método de clase AutoProcessor.from_pretrained().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • una cadena, el model id de un feature_extractor preentrenado alojado en un repositorio de modelos en huggingface.co.
    • una ruta a un directorio que contiene archivos de procesador guardados usando el método save_pretrained(), por ejemplo, ./my_model_directory/.
  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché el extractor de características de un modelo preentrenado descargado si no se debe utilizar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los archivos del extractor de características y sobrescribir las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • token (str o bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si es True, se usará el token generado al ejecutar hf auth login (almacenado en ~/.huggingface).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • return_unused_kwargs (bool, opcional, valor predeterminado False) — Si es False, esta función devuelve solo el objeto final de extracción de características. Si es True, esta función devuelve una Tuple(feature_extractor, unused_kwargs) donde unused_kwargs es un diccionario que consiste en pares clave/valor cuyas claves no son atributos del extractor de características: es decir, la parte de kwargs que no se ha utilizado para actualizar feature_extractor y que se ignora de lo contrario.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • kwargs (dict[str, Any], opcional) — Los valores en kwargs de cualquier clave que sea un atributo del extractor de características se usarán para sobrescribir los valores cargados. El comportamiento respecto a los pares clave/valor cuyas claves no son atributos del extractor de características está controlado por el parámetro de palabra clave return_unused_kwargs.

Instancie una de las clases de procesador de la biblioteca a partir del vocabulario de un modelo preentrenado.

La clase de procesador que se instancia se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible):

Es necesario pasar token=True cuando se desea utilizar un modelo privado.

Ejemplos:

>>> from transformers import AutoProcessor

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

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

register

< >

( config_classprocessor_classexist_ok = False )

Parámetros

  • config_class (PreTrainedConfig) — La configuración correspondiente al modelo a registrar.
  • processor_class (ProcessorMixin) — El procesador a registrar.

Registre un nuevo procesador para esta clase.

Clases de modelo genéricas

Las siguientes clases automáticas están disponibles para instanciar una clase de modelo base sin una cabeza específica.

AutoModel

clase transformers.AutoModel

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo base de la biblioteca cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos base de la biblioteca a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModel

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos base de la biblioteca a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModel

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

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

Clases de preentrenamiento genéricas

Las siguientes clases automáticas están disponibles para instanciar un modelo con una cabeza de preentrenamiento.

AutoModelForPreTraining

clase transformers.AutoModelForPreTraining

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de preentrenamiento) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de preentrenamiento) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de preentrenamiento) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

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

Procesamiento del Lenguaje Natural

Las siguientes clases automáticas están disponibles para las siguientes tareas de procesamiento de lenguaje natural.

AutoModelForCausalLM

clase transformers.AutoModelForCausalLM

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de modelado de lenguaje causal) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje causal) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje causal) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

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

AutoModelForMaskedLM

clase transformers.AutoModelForMaskedLM

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de modelado de lenguaje enmascarado) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje enmascarado) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje enmascarado) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

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

AutoModelForMaskGeneration

clase transformers.AutoModelForMaskGeneration

< >

( *args**kwargs )

AutoModelForSeq2SeqLM

clase transformers.AutoModelForSeq2SeqLM

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de modelado de lenguaje de secuencia a secuencia) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje de secuencia a secuencia) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de lenguaje de secuencia a secuencia) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

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

AutoModelForSequenceClassification

clase transformers.AutoModelForSequenceClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de secuencias) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de secuencias) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de secuencias) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

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

AutoModelForMultipleChoice

clase transformers.AutoModelForMultipleChoice

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de selección múltiple) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de selección múltiple) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de selección múltiple) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

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

AutoModelForNextSentencePrediction

clase transformers.AutoModelForNextSentencePrediction

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de predicción de la siguiente oración) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de predicción de la siguiente oración) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de predicción de la siguiente oración) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

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

AutoModelForTokenClassification

clase transformers.AutoModelForTokenClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de tokens) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de tokens) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de tokens) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

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

AutoModelForQuestionAnswering

clase transformers.AutoModelForQuestionAnswering

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de respuesta a preguntas) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

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

AutoModelForTextEncoding

clase transformers.AutoModelForTextEncoding

< >

( *args**kwargs )

Visión por computadora

Las siguientes clases automáticas están disponibles para las siguientes tareas de visión por computadora.

AutoModelForDepthEstimation

clase transformers.AutoModelForDepthEstimation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de estimación de profundidad) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de estimación de profundidad) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de estimación de profundidad) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

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

AutoModelForNormalEstimation

clase transformers.AutoModelForNormalEstimation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de estimación normal) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de estimación normal) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de estimación normal) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

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

AutoModelForPointmapEstimation

clase transformers.AutoModelForPointmapEstimation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de estimación de pointmap) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de estimación de pointmap) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de estimación de pointmap) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

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

AutoModelForImageMatting

clase transformers.AutoModelForImageMatting

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de matting de imagen) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de matting de imagen) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de matting de imagen) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

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

AutoModelForTextRecognition

clase transformers.AutoModelForTextRecognition

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de reconocimiento de texto) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de reconocimiento de texto) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de reconocimiento de texto) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

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

AutoModelForTableRecognition

clase transformers.AutoModelForTableRecognition

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de reconocimiento de tablas) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de reconocimiento de tablas) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de reconocimiento de tablas) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

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

AutoModelForImageClassification

clase transformers.AutoModelForImageClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de imágenes) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de imágenes) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de imágenes) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

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

AutoModelForVideoClassification

clase transformers.AutoModelForVideoClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de video) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de video) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de video) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

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

AutoModelForPoseEstimation

clase transformers.AutoModelForPoseEstimation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de estimación de pose) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de estimación de pose) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de estimación de pose) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

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

AutoModelForKeypointDetection

clase transformers.AutoModelForKeypointDetection

< >

( *args**kwargs )

AutoModelForKeypointMatching

clase transformers.AutoModelForKeypointMatching

< >

( *args**kwargs )

AutoModelForMaskedImageModeling

clase transformers.AutoModelForMaskedImageModeling

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de modelado de imagen enmascarada) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de imágenes enmascaradas) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de imágenes enmascaradas) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

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

AutoModelForObjectDetection

clase transformers.AutoModelForObjectDetection

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de detección de objetos) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de detección de objetos) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de detección de objetos) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

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

AutoModelForImageSegmentation

clase transformers.AutoModelForImageSegmentation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de segmentación de imágenes) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de segmentación de imágenes) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de segmentación de imágenes) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

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

AutoModelForImageToImage

clase transformers.AutoModelForImageToImage

< >

( *args**kwargs )

AutoModelForSemanticSegmentation

clase transformers.AutoModelForSemanticSegmentation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de segmentación semántica) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de segmentación semántica) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de segmentación semántica) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

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

AutoModelForInstanceSegmentation

clase transformers.AutoModelForInstanceSegmentation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de segmentación de instancias) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de segmentación de instancias) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de segmentación de instancias) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

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

AutoModelForUniversalSegmentation

clase transformers.AutoModelForUniversalSegmentation

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de segmentación de imagen universal) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza universal de segmentación de imágenes) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de segmentación de imágenes universal) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

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

AutoModelForZeroShotImageClassification

clase transformers.AutoModelForZeroShotImageClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de imágenes zero-shot) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de imágenes zero-shot) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de imágenes zero-shot) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

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

AutoModelForZeroShotObjectDetection

clase transformers.AutoModelForZeroShotObjectDetection

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de detección de objetos zero-shot) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de detección de objetos sin ejemplos) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de detección de objetos sin ejemplos) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

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

Audio

Las siguientes clases automáticas están disponibles para las siguientes tareas de audio.

AutoModelForAudioClassification

clase transformers.AutoModelForAudioClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación de audio) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de audio) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de audio) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

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

AutoModelForAudioFrameClassification

clase transformers.AutoModelForAudioFrameClassification

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelos de la biblioteca (con una cabeza de clasificación de fotogramas (tokens) de audio) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación de cuadros (tokens) de audio) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación de cuadros (tokens) de audio) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

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

AutoModelForCTC

clase transformers.AutoModelForCTC

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de clasificación temporal conexionista) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de clasificación temporal conexionista) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForCTC

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de clasificación temporal conexionista) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForCTC

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

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

AutoModelForTDT

clase transformers.AutoModelForTDT

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza transductora de token y duración) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza transductor de token y duración) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTDT

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza transductor de token-y-duración) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTDT

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

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

AutoModelForRNNT

clase transformers.AutoModelForRNNT

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza transductora RNN) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza transductora RNN) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza transductora RNN) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

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

AutoModelForSpeechSeq2Seq

clase transformers.AutoModelForSpeechSeq2Seq

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelos de la biblioteca (con una cabeza de modelado de voz a texto de secuencia a secuencia) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de voz a texto de secuencia a secuencia) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de voz a texto de secuencia a secuencia) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

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

AutoModelForAudioXVector

clase transformers.AutoModelForAudioXVector

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelos de la biblioteca (con una recuperación de audio mediante una cabeza x-vector) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una recuperación de audio mediante una cabeza x-vector) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una recuperación de audio mediante una cabeza x-vector) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

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

AutoModelForTextToSpectrogram

clase transformers.AutoModelForTextToSpectrogram

< >

( *args**kwargs )

AutoModelForTextToWaveform

clase transformers.AutoModelForTextToWaveform

< >

( *args**kwargs )

AutoModelForAudioTokenization

clase transformers.AutoModelForAudioTokenization

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelos de la biblioteca (con una tokenización de audio a través de una cabeza de codebooks) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una tokenización de audio a través de una cabeza de codebooks) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una tokenización de audio a través de una cabeza de codebooks) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

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

Multimodal

Las siguientes clases automáticas están disponibles para las siguientes tareas multimodales.

AutoModelForMultimodalLM

clase transformers.AutoModelForMultimodalLM

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de generación multimodal) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de generación multimodal) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de generación multimodal) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

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

AutoModelForTableQuestionAnswering

clase transformers.AutoModelForTableQuestionAnswering

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de respuesta a preguntas sobre tablas) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas sobre tablas) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas sobre tablas) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

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

AutoModelForDocumentQuestionAnswering

clase transformers.AutoModelForDocumentQuestionAnswering

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de respuesta a preguntas sobre documentos) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas sobre documentos) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas sobre documentos) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

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

AutoModelForVisualQuestionAnswering

clase transformers.AutoModelForVisualQuestionAnswering

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de respuesta a preguntas visuales) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas visuales) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de respuesta a preguntas visuales) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

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

AutoModelForImageTextToText

clase transformers.AutoModelForImageTextToText

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de modelado de imagen y texto a texto) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de modelado de imagen y texto a texto) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de modelado de imagen y texto a texto) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

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

Series de tiempo

AutoModelForTimeSeriesPrediction

clase transformers.AutoModelForTimeSeriesPrediction

< >

( *args**kwargs )

Esta es una clase de modelo genérica que se instanciará como una de las clases de modelo de la biblioteca (con una cabeza de predicción de series temporales) cuando se cree con el método de clase from_pretrained() o el método de clase from_config().

Esta clase no se puede instanciar directamente usando __init__() (lanza un error).

from_config

< >

( **kwargs )

Parámetros

Instancia una de las clases de modelos de la biblioteca (con una cabeza de predicción de series temporales) a partir de una configuración.

Nota: Cargar un modelo desde su archivo de configuración no carga los pesos del modelo. Solo afecta la configuración del modelo. Use from_pretrained() para cargar los pesos del modelo.

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

from_pretrained

< >

( *model_args**kwargs )

Parámetros

  • pretrained_model_name_or_path (str o os.PathLike) — Puede ser:
    • Una cadena de texto, el model id de un modelo preentrenado alojado en un repositorio de modelos en huggingface.co.
    • Una ruta a un directorio que contiene los pesos del modelo guardados con save_pretrained(), por ejemplo, ./my_model_directory/.
  • model_args (argumentos posicionales adicionales, opcional) — Se pasarán al método __init__() del modelo subyacente.
  • config (PreTrainedConfig, opcional) — Configuración para el modelo a utilizar en lugar de una configuración cargada automáticamente. La configuración se puede cargar automáticamente cuando:
    • El modelo es un modelo proporcionado por la biblioteca (cargado con la cadena model id de un modelo preentrenado).
    • El modelo se guardó usando save_pretrained() y se recarga proporcionando el directorio de guardado.
    • El modelo se carga al proporcionar un directorio local como pretrained_model_name_or_path y se encuentra un archivo JSON de configuración llamado config.json en el directorio.
  • state_dict (dict[str, torch.Tensor], opcional) — Un diccionario de estado para usar en lugar de un diccionario de estado cargado desde un archivo de pesos guardados. Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, deberías comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

    Esta opción se puede usar si deseas crear un modelo a partir de una configuración preentrenada pero cargar tus propios pesos. En este caso, sin embargo, debes comprobar si usar save_pretrained() y from_pretrained() no es una opción más sencilla.

  • cache_dir (str o os.PathLike, opcional) — Ruta a un directorio en el que se debe almacenar en caché la configuración de un modelo preentrenado descargado si no se debe usar la caché estándar.
  • force_download (bool, opcional, valor predeterminado False) — Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, ignorando las versiones en caché si existen.
  • proxies (dict[str, str], opcional) — Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, p. ej., {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Los proxies se utilizan en cada solicitud.
  • output_loading_info(bool, opcional, por defecto False) — Indica si se debe devolver también un diccionario que contenga las claves faltantes, las claves inesperadas y los mensajes de error.
  • local_files_only(bool, opcional, valor predeterminado False) — Indica si se deben buscar únicamente archivos locales (p. ej., no intentar descargar el modelo).
  • revision (str, opcional, valor predeterminado "main") — La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta o un id de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • trust_remote_code (bool, opcional, valor predeterminado False) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse en True solo para repositorios de confianza en los que hayas leído el código, ya que ejecutará el código presente en el Hub en tu máquina local.
  • code_revision (str, opcional, valor predeterminado "main") — La revisión específica a utilizar para el código en el Hub, si el código se encuentra en un repositorio diferente al del resto del modelo. Puede ser el nombre de una rama, el nombre de una etiqueta o un identificador de commit, ya que utilizamos un sistema basado en git para almacenar modelos y otros artefactos en huggingface.co, por lo que revision puede ser cualquier identificador permitido por git.
  • kwargs (argumentos de palabra clave adicionales, opcional) — Se puede usar para actualizar el objeto de configuración (después de ser cargado) e iniciar el modelo (p. ej., output_attentions=True). Se comporta de manera diferente dependiendo de si se proporciona una config o se carga automáticamente:
    • Si se proporciona una configuración con config, **kwargs se pasará directamente al método __init__ del modelo subyacente (se asume que todas las actualizaciones relevantes de la configuración ya se han realizado)
    • Si no se proporciona una configuración, kwargs se pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave de kwargs que corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor de kwargs proporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función __init__ del modelo subyacente.

Instancie una de las clases de modelos de la biblioteca (con una cabeza de predicción de series temporales) a partir de un modelo preentrenado.

La clase de modelo a instanciar se selecciona en función de la propiedad model_type del objeto de configuración (ya sea pasado como argumento o cargado desde pretrained_model_name_or_path si es posible), o, cuando falta, recurriendo a la coincidencia de patrones en pretrained_model_name_or_path:

El modelo se establece en modo de evaluación de forma predeterminada mediante model.eval() (por ejemplo, los módulos de dropout se desactivan). Para entrenar el modelo, primero debe volver a establecerlo en modo de entrenamiento con model.train()

Ejemplos:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

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