Transformers documentation
Clases Auto
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
NewModelConfiges una subclase de PreTrainedConfig, asegúrese de que su atributomodel_typeesté establecido en la misma clave que utilice al registrar la configuración (aquí"new-model").Del mismo modo, si tu
NewModeles una subclase de PreTrainedModel, asegúrate de que su atributoconfig_classesté configurado con la misma clase que usas al registrar el modelo (aquí,NewModelConfig).
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
< source >( pretrained_model_name_or_path: str | os.PathLike[str]**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - return_unused_kwargs (
bool, opcional, por defectoFalse) — SiFalse, entonces esta función devuelve solo el objeto de configuración final.Si
True, esta función devuelve unaTuple(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 dekwargsque no se ha utilizado para actualizarconfigy que se ignora de lo contrario. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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:
- EvollaModel — EvollaConfig (modelo EvollaConfig)
- afmoe — AfmoeConfig (modelo AfmoeConfig)
- aimv2 — Aimv2Config (modelo Aimv2Config)
- aimv2_text_model — Aimv2TextConfig (modelo Aimv2TextConfig)
- aimv2_vision_model — Aimv2VisionConfig (modelo Aimv2VisionConfig)
- albert — AlbertConfig (modelo AlbertConfig)
- align — AlignConfig (modelo AlignConfig)
- align_text_model — AlignTextConfig (modelo AlignTextConfig)
- align_vision_model — AlignVisionConfig (modelo AlignVisionConfig)
- altclip — AltCLIPConfig (modelo AltCLIPConfig)
- altclip_text_model — AltCLIPTextConfig (modelo AltCLIPTextConfig)
- altclip_vision_model — AltCLIPVisionConfig (modelo AltCLIPVisionConfig)
- apertus — ApertusConfig (modelo ApertusConfig)
- arcee — ArceeConfig (modelo ArceeConfig)
- aria — AriaConfig (modelo AriaConfig)
- aria_text — AriaTextConfig (modelo AriaTextConfig)
- audio-spectrogram-transformer — ASTConfig (modelo ASTConfig)
- audioflamingo3 — AudioFlamingo3Config (modelo AudioFlamingo3Config)
- audioflamingo3_encoder — AudioFlamingo3EncoderConfig (modelo AudioFlamingo3EncoderConfig)
- autoformer — AutoformerConfig (modelo AutoformerConfig)
- axk1 — AXK1Config (modelo AXK1Config)
- axk2 — AXK2Config (modelo AXK2Config)
- aya_vision — AyaVisionConfig (modelo AyaVisionConfig)
- bailing_hybrid — BailingHybridConfig (modelo BailingHybridConfig)
- bamba — BambaConfig (modelo BambaConfig)
- bark — BarkConfig (modelo BarkConfig)
- bart — BartConfig (modelo BartConfig)
- beam — BeamConfig (modelo BeamConfig)
- beit — BeitConfig (modelo BeitConfig)
- bert — BertConfig (modelo BertConfig)
- bert-generation — BertGenerationConfig (modelo BertGenerationConfig)
- big_bird — BigBirdConfig (modelo BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusConfig (modelo BigBirdPegasusConfig)
- biogpt — BioGptConfig (modelo BioGptConfig)
- bit — BitConfig (modelo BitConfig)
- bitnet — BitNetConfig (modelo BitNetConfig)
- blenderbot — BlenderbotConfig (modelo BlenderbotConfig)
- blenderbot-small — BlenderbotSmallConfig (modelo BlenderbotSmallConfig)
- blip — BlipConfig (modelo BlipConfig)
- blip-2 — Blip2Config (modelo Blip2Config)
- blip_2_qformer — Blip2QFormerConfig (modelo Blip2QFormerConfig)
- blip_2_vision_model — Blip2VisionConfig (modelo Blip2VisionConfig)
- blip_text_model — BlipTextConfig (modelo BlipTextConfig)
- blip_vision_model — BlipVisionConfig (modelo BlipVisionConfig)
- bloom — BloomConfig (modelo BloomConfig)
- blt — BltConfig (modelo BltConfig)
- blt_global_transformer —
BltGlobalTransformerConfig(modelo BltGlobalTransformerConfig) - blt_local_decoder —
BltLocalDecoderConfig(modelo BltLocalDecoderConfig) - blt_local_encoder —
BltLocalEncoderConfig(modelo BltLocalEncoderConfig) - blt_patcher —
BltPatcherConfig(modelo BltPatcherConfig) - bridgetower — BridgeTowerConfig (modelo BridgeTowerConfig)
- bridgetower_text_model — BridgeTowerTextConfig (modelo BridgeTowerTextConfig)
- bridgetower_vision_model — BridgeTowerVisionConfig (modelo BridgeTowerVisionConfig)
- bros — BrosConfig (modelo BrosConfig)
- camembert — CamembertConfig (modelo CamembertConfig)
- canary — CanaryConfig (modelo CanaryConfig)
- canary_decoder — CanaryDecoderConfig (modelo CanaryDecoderConfig)
- canine — CanineConfig (modelo CanineConfig)
- chameleon — ChameleonConfig (modelo ChameleonConfig)
- chameleon_vqgan — ChameleonVQVAEConfig (modelo ChameleonVQVAEConfig)
- chinese_clip — ChineseCLIPConfig (modelo ChineseCLIPConfig)
- chinese_clip_text_model — ChineseCLIPTextConfig (modelo ChineseCLIPTextConfig)
- chinese_clip_vision_model — ChineseCLIPVisionConfig (modelo ChineseCLIPVisionConfig)
- chmv2 — CHMv2Config (modelo CHMv2Config)
- clap — ClapConfig (modelo ClapConfig)
- clap_audio_model — ClapAudioConfig (modelo ClapAudioConfig)
- clap_text_model — ClapTextConfig (modelo ClapTextConfig)
- clip — CLIPConfig (modelo CLIPConfig)
- clip_text_model — CLIPTextConfig (modelo CLIPTextConfig)
- clip_vision_model — CLIPVisionConfig (modelo CLIPVisionConfig)
- clipseg — CLIPSegConfig (modelo CLIPSegConfig)
- clipseg_text_model — CLIPSegTextConfig (modelo CLIPSegTextConfig)
- clipseg_vision_model — CLIPSegVisionConfig (modelo CLIPSegVisionConfig)
- clvp — ClvpConfig (modelo ClvpConfig)
- clvp_decoder — ClvpDecoderConfig (modelo ClvpDecoderConfig)
- clvp_encoder — ClvpEncoderConfig (modelo ClvpEncoderConfig)
- codegen — CodeGenConfig (modelo CodeGenConfig)
- cohere — CohereConfig (modelo CohereConfig)
- cohere2 — Cohere2Config (modelo Cohere2Config)
- cohere2_moe — Cohere2MoeConfig (modelo Cohere2MoeConfig)
- cohere2_vision — Cohere2VisionConfig (modelo Cohere2VisionConfig)
- cohere_asr — CohereAsrConfig (modelo CohereAsrConfig)
- cohere_compass — CohereCompassConfig (modelo CohereCompassConfig)
- cohere_compass_text — CohereCompassTextConfig (modelo CohereCompassTextConfig)
- cohere_compass_vision — CohereCompassVisionConfig (modelo CohereCompassVisionConfig)
- colmodernvbert — ColModernVBertConfig (modelo ColModernVBertConfig)
- colpali — ColPaliConfig (modelo ColPaliConfig)
- colqwen2 — ColQwen2Config (modelo ColQwen2Config)
- conditional_detr — ConditionalDetrConfig (modelo ConditionalDetrConfig)
- convbert — ConvBertConfig (modelo ConvBertConfig)
- convnext — ConvNextConfig (modelo ConvNextConfig)
- convnextv2 — ConvNextV2Config (modelo ConvNextV2Config)
- cosmos3_edge — Cosmos3EdgeConfig (modelo Cosmos3EdgeConfig)
- cosmos3_edge_text — Cosmos3EdgeTextConfig (modelo Cosmos3EdgeTextConfig)
- cosmos3_edge_vision — Cosmos3EdgeVisionConfig (modelo Cosmos3EdgeVisionConfig)
- cosmos3_omni — Cosmos3OmniConfig (modelo Cosmos3OmniConfig)
- cpmant — CpmAntConfig (modelo CpmAntConfig)
- csm — CsmConfig (modelo CsmConfig)
- csm_depth_decoder_model — CsmDepthDecoderConfig (modelo CsmDepthDecoderConfig)
- ctrl — CTRLConfig (modelo CTRLConfig)
- cvt — CvtConfig (modelo CvtConfig)
- cwm — CwmConfig (modelo CwmConfig)
- d_fine — DFineConfig (modelo DFineConfig)
- dab-detr — DabDetrConfig (modelo DabDetrConfig)
- dac — DacConfig (modelo DacConfig)
- data2vec-audio — Data2VecAudioConfig (modelo Data2VecAudioConfig)
- data2vec-text — Data2VecTextConfig (modelo Data2VecTextConfig)
- data2vec-vision — Data2VecVisionConfig (modelo Data2VecVisionConfig)
- dbrx — DbrxConfig (modelo DbrxConfig)
- deberta — DebertaConfig (modelo DebertaConfig)
- deberta-v2 — DebertaV2Config (modelo DebertaV2Config)
- decision_transformer — DecisionTransformerConfig (modelo DecisionTransformerConfig)
- deepseek_ocr2 — DeepseekOcr2Config (modelo DeepseekOcr2Config)
- deepseek_ocr2_encoder — DeepseekOcr2VisionEncoderConfig (modelo DeepseekOcr2VisionEncoderConfig)
- deepseek_ocr2_sam_vision_model — DeepseekOcr2SamVisionConfig (modelo DeepseekOcr2SamVisionConfig)
- deepseek_ocr2_text — DeepseekOcr2TextConfig (modelo DeepseekOcr2TextConfig)
- deepseek_ocr2_vision — DeepseekOcr2VisionConfig (modelo DeepseekOcr2VisionConfig)
- deepseek_v2 — DeepseekV2Config (modelo DeepseekV2Config)
- deepseek_v3 — DeepseekV3Config (modelo DeepseekV3Config)
- deepseek_v32 — DeepseekV32Config (modelo DeepseekV32Config)
- deepseek_v4 — DeepseekV4Config (modelo DeepseekV4Config)
- deepseek_vl — DeepseekVLConfig (modelo DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridConfig (modelo DeepseekVLHybridConfig)
- deformable_detr — DeformableDetrConfig (modelo DeformableDetrConfig)
- deimv2 — Deimv2Config (modelo Deimv2Config)
- deit — DeiTConfig (modelo DeiTConfig)
- depth_anything — DepthAnythingConfig (modelo DepthAnythingConfig)
- depth_pro — DepthProConfig (modelo DepthProConfig)
- detr — DetrConfig (modelo DetrConfig)
- dia — DiaConfig (modelo DiaConfig)
- dia_decoder — DiaDecoderConfig (modelo DiaDecoderConfig)
- dia_encoder — DiaEncoderConfig (modelo DiaEncoderConfig)
- diffllama — DiffLlamaConfig (modelo DiffLlamaConfig)
- diffusion_gemma — DiffusionGemmaConfig (modelo DiffusionGemmaConfig)
- diffusion_gemma_text — DiffusionGemmaTextConfig (modelo DiffusionGemmaTextConfig)
- dinat — DinatConfig (modelo DinatConfig)
- dinov2 — Dinov2Config (modelo Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersConfig (modelo Dinov2WithRegistersConfig)
- dinov3_convnext — DINOv3ConvNextConfig (modelo DINOv3ConvNextConfig)
- dinov3_vit — DINOv3ViTConfig (modelo DINOv3ViTConfig)
- distilbert — DistilBertConfig (modelo DistilBertConfig)
- doge — DogeConfig (modelo DogeConfig)
- donut-swin — DonutSwinConfig (modelo DonutSwinConfig)
- dots1 — Dots1Config (modelo Dots1Config)
- dpr — DPRConfig (modelo DPRConfig)
- dpt — DPTConfig (modelo DPTConfig)
- edgetam — EdgeTamConfig (modelo EdgeTamConfig)
- edgetam_mask_decoder — EdgeTamMaskDecoderConfig (modelo EdgeTamMaskDecoderConfig)
- edgetam_prompt_encoder — EdgeTamPromptEncoderConfig (modelo EdgeTamPromptEncoderConfig)
- edgetam_video — EdgeTamVideoConfig (modelo EdgeTamVideoConfig)
- edgetam_video_mask_decoder — EdgeTamVideoMaskDecoderConfig (modelo EdgeTamVideoMaskDecoderConfig)
- edgetam_video_prompt_encoder — EdgeTamVideoPromptEncoderConfig (modelo EdgeTamVideoPromptEncoderConfig)
- edgetam_vision_model — EdgeTamVisionConfig (modelo EdgeTamVisionConfig)
- efficientloftr — EfficientLoFTRConfig (modelo EfficientLoFTRConfig)
- efficientnet — EfficientNetConfig (modelo EfficientNetConfig)
- electra — ElectraConfig (modelo ElectraConfig)
- embedding_gemma2 — EmbeddingGemma2Config (modelo EmbeddingGemma2Config)
- embedding_gemma2_text — EmbeddingGemma2TextConfig (modelo EmbeddingGemma2TextConfig)
- emu3 — Emu3Config (modelo Emu3Config)
- emu3_text_model — Emu3TextConfig (modelo Emu3TextConfig)
- emu3_vqgan — Emu3VQVAEConfig (modelo Emu3VQVAEConfig)
- encodec — EncodecConfig (modelo EncodecConfig)
- encoder-decoder — EncoderDecoderConfig (modelo EncoderDecoderConfig)
- eomt — EomtConfig (modelo EomtConfig)
- eomt_dinov3 — EomtDinov3Config (modelo EomtDinov3Config)
- ernie — ErnieConfig (modelo ErnieConfig)
- ernie4_5 — Ernie4_5Config (modelo Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeConfig (modelo Ernie4_5_MoeConfig)
- ernie4_5_vl_moe — Ernie4_5_VLMoeConfig (modelo Ernie4_5_VLMoeConfig)
- ernie4_5_vl_moe_text — Ernie4_5_VLMoeTextConfig (modelo Ernie4_5_VLMoeTextConfig)
- ernie4_5_vl_moe_vision — Ernie4_5_VLMoeVisionConfig (modelo Ernie4_5_VLMoeVisionConfig)
- esm — EsmConfig (modelo EsmConfig)
- esmc — EsmcConfig (modelo EsmcConfig)
- esmfold2 — EsmFold2Config (modelo EsmFold2Config)
- eurobert — EuroBertConfig (modelo EuroBertConfig)
- evolla — EvollaConfig (modelo EvollaConfig)
- exaone4 — Exaone4Config (modelo Exaone4Config)
- exaone4_5 — Exaone4_5_Config (modelo Exaone4_5_Config)
- exaone4_5_vision — Exaone4_5_VisionConfig (modelo Exaone4_5_VisionConfig)
- exaone_moe — ExaoneMoeConfig (modelo ExaoneMoeConfig)
- falcon — FalconConfig (modelo FalconConfig)
- falcon_h1 — FalconH1Config (modelo FalconH1Config)
- falcon_mamba — FalconMambaConfig (modelo FalconMambaConfig)
- fast_vlm — FastVlmConfig (modelo FastVlmConfig)
- fastspeech2_conformer — FastSpeech2ConformerConfig (modelo FastSpeech2ConformerConfig)
- fastspeech2_conformer_hifigan — FastSpeech2ConformerHifiGanConfig (modelo FastSpeech2ConformerHifiGanConfig)
- fastspeech2_conformer_with_hifigan — FastSpeech2ConformerWithHifiGanConfig (modelo FastSpeech2ConformerWithHifiGanConfig)
- flaubert — FlaubertConfig (modelo FlaubertConfig)
- flava — FlavaConfig (modelo FlavaConfig)
- flava_image_codebook — FlavaImageCodebookConfig (modelo FlavaImageCodebookConfig)
- flava_image_model — FlavaImageConfig (modelo FlavaImageConfig)
- flava_multimodal_model — FlavaMultimodalConfig (modelo FlavaMultimodalConfig)
- flava_text_model — FlavaTextConfig (modelo FlavaTextConfig)
- flex_olmo — FlexOlmoConfig (modelo FlexOlmoConfig)
- flint — FlintConfig (modelo FlintConfig)
- florence2 — Florence2Config (modelo Florence2Config)
- florence_vision — Florence2VisionConfig (modelo Florence2VisionConfig)
- fnet — FNetConfig (modelo FNetConfig)
- focalnet — FocalNetConfig (modelo FocalNetConfig)
- fsmt — FSMTConfig (modelo FSMTConfig)
- fun_asr_nano — FunAsrNanoConfig (modelo FunAsrNanoConfig)
- fun_asr_nano_encoder — FunAsrNanoEncoderConfig (modelo FunAsrNanoEncoderConfig)
- funnel — FunnelConfig (modelo FunnelConfig)
- fuyu — FuyuConfig (modelo FuyuConfig)
- gemma — GemmaConfig (modelo GemmaConfig)
- gemma2 — Gemma2Config (modelo Gemma2Config)
- gemma3 — Gemma3Config (modelo Gemma3Config)
- gemma3_text — Gemma3TextConfig (modelo Gemma3TextConfig)
- gemma3n — Gemma3nConfig (modelo Gemma3nConfig)
- gemma3n_audio — Gemma3nAudioConfig (modelo Gemma3nAudioConfig)
- gemma3n_text — Gemma3nTextConfig (modelo Gemma3nTextConfig)
- gemma3n_vision — Gemma3nVisionConfig (modelo Gemma3nVisionConfig)
- gemma4 — Gemma4Config (modelo Gemma4Config)
- gemma4_assistant — Gemma4AssistantConfig (modelo Gemma4AssistantConfig)
- gemma4_audio — Gemma4AudioConfig (modelo Gemma4AudioConfig)
- gemma4_text — Gemma4TextConfig (modelo Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedConfig (modelo Gemma4UnifiedConfig)
- gemma4_unified_assistant — Gemma4UnifiedAssistantConfig (modelo Gemma4UnifiedAssistantConfig)
- gemma4_unified_audio — Gemma4UnifiedAudioConfig (modelo Gemma4UnifiedAudioConfig)
- gemma4_unified_text — Gemma4UnifiedTextConfig (modelo Gemma4UnifiedTextConfig)
- gemma4_unified_vision — Gemma4UnifiedVisionConfig (modelo Gemma4UnifiedVisionConfig)
- gemma4_vision — Gemma4VisionConfig (modelo Gemma4VisionConfig)
- git — GitConfig (modelo GitConfig)
- git_vision_model — GitVisionConfig (modelo GitVisionConfig)
- glm — GlmConfig (modelo GlmConfig)
- glm4 — Glm4Config (modelo Glm4Config)
- glm46v — Glm46VConfig (modelo Glm46VConfig)
- glm4_moe — Glm4MoeConfig (modelo Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteConfig (modelo Glm4MoeLiteConfig)
- glm4v — Glm4vConfig (modelo Glm4vConfig)
- glm4v_moe — Glm4vMoeConfig (modelo Glm4vMoeConfig)
- glm4v_moe_text — Glm4vMoeTextConfig (modelo Glm4vMoeTextConfig)
- glm4v_moe_vision — Glm4vMoeVisionConfig (modelo Glm4vMoeVisionConfig)
- glm4v_text — Glm4vTextConfig (modelo Glm4vTextConfig)
- glm4v_vision — Glm4vVisionConfig (modelo Glm4vVisionConfig)
- glm5_next — Glm5NextConfig (modelo Glm5NextConfig)
- glm5_next_text — Glm5NextTextConfig (modelo Glm5NextTextConfig)
- glm5_next_vision — Glm5NextVisionConfig (modelo Glm5NextVisionConfig)
- glm_image — GlmImageConfig (modelo GlmImageConfig)
- glm_image_text — GlmImageTextConfig (modelo GlmImageTextConfig)
- glm_image_vision — GlmImageVisionConfig (modelo GlmImageVisionConfig)
- glm_image_vqmodel — GlmImageVQVAEConfig (modelo GlmImageVQVAEConfig)
- glm_moe_dsa — GlmMoeDsaConfig (modelo GlmMoeDsaConfig)
- glm_ocr — GlmOcrConfig (modelo GlmOcrConfig)
- glm_ocr_text — GlmOcrTextConfig (modelo GlmOcrTextConfig)
- glm_ocr_vision — GlmOcrVisionConfig (modelo GlmOcrVisionConfig)
- glmasr — GlmAsrConfig (modelo GlmAsrConfig)
- glmasr_encoder — GlmAsrEncoderConfig (modelo GlmAsrEncoderConfig)
- glmga — GlmgaConfig (modelo GlmgaConfig)
- glpn — GLPNConfig (modelo GLPNConfig)
- got_ocr2 — GotOcr2Config (modelo GotOcr2Config)
- got_ocr2_vision — GotOcr2VisionConfig (modelo GotOcr2VisionConfig)
- gpt-sw3 — GPT2Config (modelo GPT2Config)
- gpt2 — GPT2Config (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeConfig (modelo GPTBigCodeConfig)
- gpt_neo — GPTNeoConfig (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXConfig (modelo GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseConfig (modelo GPTNeoXJapaneseConfig)
- gpt_oss — GptOssConfig (modelo GptOssConfig)
- gptj — GPTJConfig (modelo GPTJConfig)
- gradium_phonon_tts — GradiumPhononTTSConfig (modelo GradiumPhononTTSConfig)
- granite — GraniteConfig (modelo GraniteConfig)
- granite4_vision — Granite4VisionConfig (modelo Granite4VisionConfig)
- granite4_vision_text — Granite4VisionTextConfig (modelo Granite4VisionTextConfig)
- granite_speech — GraniteSpeechConfig (modelo GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5CTCConfig (modelo GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5EncoderConfig (modelo GraniteSpeech5EncoderConfig)
- granite_speech_encoder — GraniteSpeechEncoderConfig (modelo GraniteSpeechEncoderConfig)
- granite_speech_plus — GraniteSpeechPlusConfig (modelo GraniteSpeechPlusConfig)
- granite_speech_plus_encoder — GraniteSpeechPlusEncoderConfig (modelo GraniteSpeechPlusEncoderConfig)
- granite_swa — GraniteSWAConfig (modelo GraniteSWAConfig)
- granitemoe — GraniteMoeConfig (modelo GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAConfig (modelo GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridConfig (modelo GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedConfig (modelo GraniteMoeSharedConfig)
- grounding-dino — GroundingDinoConfig (modelo GroundingDinoConfig)
- groupvit — GroupViTConfig (modelo GroupViTConfig)
- groupvit_text_model — GroupViTTextConfig (modelo GroupViTTextConfig)
- groupvit_vision_model — GroupViTVisionConfig (modelo GroupViTVisionConfig)
- gte — GteConfig (modelo GteConfig)
- helium — HeliumConfig (modelo HeliumConfig)
- hgnet_v2 — HGNetV2Config (modelo HGNetV2Config)
- hiera — HieraConfig (modelo HieraConfig)
- higgs_audio_v2 — HiggsAudioV2Config (modelo HiggsAudioV2Config)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerConfig (modelo HiggsAudioV2TokenizerConfig)
- hrm_text — HrmTextConfig (modelo HrmTextConfig)
- hubert — HubertConfig (modelo HubertConfig)
- hunyuan_v1_dense — HunYuanDenseV1Config (modelo HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1Config (modelo HunYuanMoEV1Config)
- hunyuan_vl — HunYuanVLConfig (modelo HunYuanVLConfig)
- hunyuan_vl_text — HunYuanVLTextConfig (modelo HunYuanVLTextConfig)
- hunyuan_vl_vision — HunYuanVLVisionConfig (modelo HunYuanVLVisionConfig)
- hy_v3 — HYV3Config (modelo HYV3Config)
- hy_v4 — HYV4Config (modelo HYV4Config)
- hyperclovax — HyperCLOVAXConfig (modelo HyperCLOVAXConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Config (modelo HyperCLOVAXVisionV2Config)
- ibert — IBertConfig (modelo IBertConfig)
- idefics — IdeficsConfig (modelo IdeficsConfig)
- idefics2 — Idefics2Config (modelo Idefics2Config)
- idefics2_perceiver — Idefics2PerceiverConfig (modelo Idefics2PerceiverConfig)
- idefics2_vision — Idefics2VisionConfig (modelo Idefics2VisionConfig)
- idefics3 — Idefics3Config (modelo Idefics3Config)
- idefics3_vision — Idefics3VisionConfig (modelo Idefics3VisionConfig)
- idefics_perciever — IdeficsPerceiverConfig (modelo IdeficsPerceiverConfig)
- idefics_vision — IdeficsVisionConfig (modelo IdeficsVisionConfig)
- ijepa — IJepaConfig (modelo IJepaConfig)
- imagegpt — ImageGPTConfig (modelo ImageGPTConfig)
- informer — InformerConfig (modelo InformerConfig)
- inkling_audio — InklingAudioConfig (modelo InklingAudioConfig)
- inkling_mm_model — InklingConfig (modelo InklingConfig)
- inkling_text — InklingTextConfig (modelo InklingTextConfig)
- inkling_vision — InklingVisionConfig (modelo InklingVisionConfig)
- instructblip — InstructBlipConfig (modelo InstructBlipConfig)
- instructblip_qformer — InstructBlipQFormerConfig (modelo InstructBlipQFormerConfig)
- instructblip_vision_model — InstructBlipVisionConfig (modelo InstructBlipVisionConfig)
- instructblipvideo — InstructBlipVideoConfig (modelo InstructBlipVideoConfig)
- instructblipvideo_qformer — InstructBlipVideoQFormerConfig (modelo InstructBlipVideoQFormerConfig)
- instructblipvideo_vision_model — InstructBlipVideoVisionConfig (modelo InstructBlipVideoVisionConfig)
- internvl — InternVLConfig (modelo InternVLConfig)
- internvl_vision — InternVLVisionConfig (modelo InternVLVisionConfig)
- jais2 — Jais2Config (modelo Jais2Config)
- jamba — JambaConfig (modelo JambaConfig)
- janus — JanusConfig (modelo JanusConfig)
- janus_vision_model — JanusVisionConfig (modelo JanusVisionConfig)
- janus_vqgan — JanusVQVAEConfig (modelo JanusVQVAEConfig)
- jetmoe — JetMoeConfig (modelo JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3Config (modelo JinaEmbeddingsV3Config)
- kimi_k25 — Kimi_K25Config (modelo Kimi_K25Config)
- kimi_k25_vision — Kimi_K25VisionConfig (modelo Kimi_K25VisionConfig)
- kimi_linear — KimiLinearConfig (modelo KimiLinearConfig)
- kolibri1 — Kolibri1Config (modelo Kolibri1Config)
- kosmos-2 — Kosmos2Config (modelo Kosmos2Config)
- kosmos-2.5 — Kosmos2_5Config (modelo Kosmos2_5Config)
- kosmos_2_5_text_model — Kosmos2_5TextConfig (modelo Kosmos2_5TextConfig)
- kosmos_2_5_vision_model — Kosmos2_5VisionConfig (modelo Kosmos2_5VisionConfig)
- kosmos_2_text_model — Kosmos2TextConfig (modelo Kosmos2TextConfig)
- kosmos_2_vision_model — Kosmos2VisionConfig (modelo Kosmos2VisionConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextConfig (modelo KyutaiSpeechToTextConfig)
- laguna — LagunaConfig (modelo LagunaConfig)
- lasr_ctc — LasrCTCConfig (modelo LasrCTCConfig)
- lasr_encoder — LasrEncoderConfig (modelo LasrEncoderConfig)
- layoutlm — LayoutLMConfig (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Config (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Config (modelo LayoutLMv3Config)
- layoutxlm — LayoutXLMConfig (modelo LayoutXLMConfig)
- led — LEDConfig (modelo LEDConfig)
- levit — LevitConfig (modelo LevitConfig)
- lfm2 — Lfm2Config (modelo Lfm2Config)
- lfm2_moe — Lfm2MoeConfig (modelo Lfm2MoeConfig)
- lfm2_vl — Lfm2VlConfig (modelo Lfm2VlConfig)
- lfm3 — Lfm3Config (modelo Lfm3Config)
- lightglue — LightGlueConfig (modelo LightGlueConfig)
- lighton_ocr — LightOnOcrConfig (modelo LightOnOcrConfig)
- lilt — LiltConfig (modelo LiltConfig)
- llama — LlamaConfig (modelo LlamaConfig)
- llama4 — Llama4Config (modelo Llama4Config)
- llama4_text — Llama4TextConfig (modelo Llama4TextConfig)
- llama4_vision_model — Llama4VisionConfig (modelo Llama4VisionConfig)
- llava — LlavaConfig (modelo LlavaConfig)
- llava_next — LlavaNextConfig (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoConfig (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionConfig (modelo LlavaOnevisionConfig)
- longcat_flash — LongcatFlashConfig (modelo LongcatFlashConfig)
- longformer — LongformerConfig (modelo LongformerConfig)
- longt5 — LongT5Config (modelo LongT5Config)
- luke — LukeConfig (modelo LukeConfig)
- lw_detr — LwDetrConfig (modelo LwDetrConfig)
- lw_detr_vit — LwDetrViTConfig (modelo LwDetrViTConfig)
- lxmert — LxmertConfig (modelo LxmertConfig)
- m2m_100 — M2M100Config (modelo M2M100Config)
- mamba — MambaConfig (modelo MambaConfig)
- mamba2 — Mamba2Config (modelo Mamba2Config)
- marian — MarianConfig (modelo MarianConfig)
- markuplm — MarkupLMConfig (modelo MarkupLMConfig)
- mask2former — Mask2FormerConfig (modelo Mask2FormerConfig)
- maskformer — MaskFormerConfig (modelo MaskFormerConfig)
- maskformer-swin —
MaskFormerSwinConfig(modelo MaskFormerSwinConfig) - mbart — MBartConfig (modelo MBartConfig)
- megatron-bert — MegatronBertConfig (modelo MegatronBertConfig)
- mellum — MellumConfig (modelo MellumConfig)
- metaclip_2 — MetaClip2Config (modelo MetaClip2Config)
- metaclip_2_text_model — MetaClip2TextConfig (modelo MetaClip2TextConfig)
- metaclip_2_vision_model — MetaClip2VisionConfig (modelo MetaClip2VisionConfig)
- mgp-str — MgpstrConfig (modelo MgpstrConfig)
- mimi — MimiConfig (modelo MimiConfig)
- mimi_decoder — MimiDecoderConfig (modelo MimiDecoderConfig)
- mimi_encoder — MimiEncoderConfig (modelo MimiEncoderConfig)
- mimo_v2_flash — MiMoV2FlashConfig (modelo MiMoV2FlashConfig)
- minicpm3 — MiniCPM3Config (modelo MiniCPM3Config)
- minicpm_ocr — MiniCPMOcrConfig (modelo MiniCPMOcrConfig)
- minicpm_ocr_vision — MiniCPMOcrVisionConfig (modelo MiniCPMOcrVisionConfig)
- minicpmv4_6 — MiniCPMV4_6Config (modelo MiniCPMV4_6Config)
- minicpmv4_6_vision — MiniCPMV4_6VisionConfig (modelo MiniCPMV4_6VisionConfig)
- minicpmv4_7 — MiniCPMV4_7Config (modelo MiniCPMV4_7Config)
- minicpmv4_7_vision — MiniCPMV4_7VisionConfig (modelo MiniCPMV4_7VisionConfig)
- minimax — MiniMaxConfig (modelo MiniMaxConfig)
- minimax_m2 — MiniMaxM2Config (modelo MiniMaxM2Config)
- minimax_m3_vl — MiniMaxM3VLConfig (modelo MiniMaxM3VLConfig)
- minimax_m3_vl_text — MiniMaxM3VLTextConfig (modelo MiniMaxM3VLTextConfig)
- minimax_m3_vl_vision — MiniMaxM3VLVisionConfig (modelo MiniMaxM3VLVisionConfig)
- ministral — MinistralConfig (modelo MinistralConfig)
- ministral3 — Ministral3Config (modelo Ministral3Config)
- mistral — MistralConfig (modelo MistralConfig)
- mistral3 — Mistral3Config (modelo Mistral3Config)
- mistral4 — Mistral4Config (modelo Mistral4Config)
- mistral_large4 — MistralLarge4Config (modelo MistralLarge4Config)
- mistral_large4_text — MistralLarge4TextConfig (modelo MistralLarge4TextConfig)
- mixtral — MixtralConfig (modelo MixtralConfig)
- mlcd — MLCDVisionConfig (modelo MLCDVisionConfig)
- mlcd_vision_model — MLCDVisionConfig (modelo MLCDVisionConfig)
- mllama — MllamaConfig (modelo MllamaConfig)
- mllama_text_model — MllamaTextConfig (modelo MllamaTextConfig)
- mllama_vision_model — MllamaVisionConfig (modelo MllamaVisionConfig)
- mm-grounding-dino — MMGroundingDinoConfig (modelo MMGroundingDinoConfig)
- mobilebert — MobileBertConfig (modelo MobileBertConfig)
- mobilenet_v1 — MobileNetV1Config (modelo MobileNetV1Config)
- mobilenet_v2 — MobileNetV2Config (modelo MobileNetV2Config)
- mobilevit — MobileViTConfig (modelo MobileViTConfig)
- mobilevitv2 — MobileViTV2Config (modelo MobileViTV2Config)
- modernbert — ModernBertConfig (modelo ModernBertConfig)
- modernbert-decoder — ModernBertDecoderConfig (modelo ModernBertDecoderConfig)
- modernvbert — ModernVBertConfig (modelo ModernVBertConfig)
- molmo2 — Molmo2Config (modelo Molmo2Config)
- molmo2_adapter — Molmo2AdapterConfig (modelo Molmo2AdapterConfig)
- molmo2_text — Molmo2TextConfig (modelo Molmo2TextConfig)
- molmo2_vision — Molmo2VisionConfig (modelo Molmo2VisionConfig)
- moonshine — MoonshineConfig (modelo MoonshineConfig)
- moonshine_streaming — MoonshineStreamingConfig (modelo MoonshineStreamingConfig)
- moonshine_streaming_encoder — MoonshineStreamingEncoderConfig (modelo MoonshineStreamingEncoderConfig)
- moshi — MoshiConfig (modelo MoshiConfig)
- moshi_depth — MoshiDepthConfig (modelo MoshiDepthConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeConfig (modelo MossTranscribeDiarizeConfig)
- moss_transcribe_diarize_audio — MossTranscribeDiarizeAudioConfig (modelo MossTranscribeDiarizeAudioConfig)
- mpnet — MPNetConfig (modelo MPNetConfig)
- mpt — MptConfig (modelo MptConfig)
- mra — MraConfig (modelo MraConfig)
- mt5 — MT5Config (modelo MT5Config)
- muse_glimmer — MuseGlimmerConfig (modelo MuseGlimmerConfig)
- muse_glimmer_assistant — MuseGlimmerAssistantConfig (modelo MuseGlimmerAssistantConfig)
- muse_glimmer_text — MuseGlimmerTextConfig (modelo MuseGlimmerTextConfig)
- muse_glimmer_vision — MuseGlimmerVisionConfig (modelo MuseGlimmerVisionConfig)
- muse_spark — MuseSparkConfig (modelo MuseSparkConfig)
- muse_spark_audio — MuseSparkAudioConfig (modelo MuseSparkAudioConfig)
- muse_spark_text — MuseSparkTextConfig (modelo MuseSparkTextConfig)
- muse_spark_vision — MuseSparkVisionConfig (modelo MuseSparkVisionConfig)
- musicflamingo — MusicFlamingoConfig (modelo MusicFlamingoConfig)
- musicgen — MusicgenConfig (modelo MusicgenConfig)
- musicgen_decoder — MusicgenDecoderConfig (modelo MusicgenDecoderConfig)
- musicgen_melody — MusicgenMelodyConfig (modelo MusicgenMelodyConfig)
- musicgen_melody_decoder — MusicgenMelodyDecoderConfig (modelo MusicgenMelodyDecoderConfig)
- mvp — MvpConfig (modelo MvpConfig)
- nanochat — NanoChatConfig (modelo NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeConfig (modelo Nemotron3_5TranscribeConfig)
- nemotron — NemotronConfig (modelo NemotronConfig)
- nemotron3_5_asr — Nemotron3_5AsrConfig (modelo Nemotron3_5AsrConfig)
- nemotron3_5_transcribe_asr_audio — Nemotron3_5TranscribeAsrAudioConfig (modelo Nemotron3_5TranscribeAsrAudioConfig)
- nemotron3_5_transcribe_audio — Nemotron3_5TranscribeAudioConfig (modelo Nemotron3_5TranscribeAudioConfig)
- nemotron3_5_transcribe_word_timestamp — Nemotron3_5TranscribeWordTimestampConfig (modelo Nemotron3_5TranscribeWordTimestampConfig)
- nemotron3_diarization — Nemotron3DiarizationConfig (modelo Nemotron3DiarizationConfig)
- nemotron3_diarization_audio — Nemotron3DiarizationAudioConfig (modelo Nemotron3DiarizationAudioConfig)
- nemotron_asr_streaming — NemotronAsrStreamingConfig (modelo NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingEncoderConfig (modelo NemotronAsrStreamingEncoderConfig)
- nemotron_h — NemotronHConfig (modelo NemotronHConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3_Config (modelo NemotronH_Omni_Reasoning_V3_Config)
- neomme — NeoMMEConfig (modelo NeoMMEConfig)
- neucodec — NeuCodecConfig (modelo NeuCodecConfig)
- nllb-moe — NllbMoeConfig (modelo NllbMoeConfig)
- nomic_bert — NomicBertConfig (modelo NomicBertConfig)
- nougat — NougatConfig (modelo NougatConfig)
- nystromformer — NystromformerConfig (modelo NystromformerConfig)
- olmo — OlmoConfig (modelo OlmoConfig)
- olmo2 — Olmo2Config (modelo Olmo2Config)
- olmo3 — Olmo3Config (modelo Olmo3Config)
- olmo_hybrid — OlmoHybridConfig (modelo OlmoHybridConfig)
- olmoe — OlmoeConfig (modelo OlmoeConfig)
- omdet-turbo — OmDetTurboConfig (modelo OmDetTurboConfig)
- oneformer — OneFormerConfig (modelo OneFormerConfig)
- openai-gpt — OpenAIGPTConfig (modelo OpenAIGPTConfig)
- openai_privacy_filter — OpenAIPrivacyFilterConfig (modelo OpenAIPrivacyFilterConfig)
- opt — OPTConfig (modelo OPTConfig)
- ovis2 — Ovis2Config (modelo Ovis2Config)
- ovis2_vision — Ovis2VisionConfig (modelo Ovis2VisionConfig)
- owlv2 — Owlv2Config (modelo Owlv2Config)
- owlv2_text_model — Owlv2TextConfig (modelo Owlv2TextConfig)
- owlv2_vision_model — Owlv2VisionConfig (modelo Owlv2VisionConfig)
- owlvit — OwlViTConfig (modelo OwlViTConfig)
- owlvit_text_model — OwlViTTextConfig (modelo OwlViTTextConfig)
- owlvit_vision_model — OwlViTVisionConfig (modelo OwlViTVisionConfig)
- paddleocr_vl — PaddleOCRVLConfig (modelo PaddleOCRVLConfig)
- paddleocr_vl_text — PaddleOCRTextConfig (modelo PaddleOCRTextConfig)
- paddleocr_vl_vision — PaddleOCRVisionConfig (modelo PaddleOCRVisionConfig)
- paligemma — PaliGemmaConfig (modelo PaliGemmaConfig)
- parakeet_ctc — ParakeetCTCConfig (modelo ParakeetCTCConfig)
- parakeet_encoder — ParakeetEncoderConfig (modelo ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetRNNTConfig (modelo ParakeetRNNTConfig)
- parakeet_tdt — ParakeetTDTConfig (modelo ParakeetTDTConfig)
- patchtsmixer — PatchTSMixerConfig (modelo PatchTSMixerConfig)
- patchtst — PatchTSTConfig (modelo PatchTSTConfig)
- pe_audio — PeAudioConfig (modelo PeAudioConfig)
- pe_audio_encoder — PeAudioEncoderConfig (modelo PeAudioEncoderConfig)
- pe_audio_video — PeAudioVideoConfig (modelo PeAudioVideoConfig)
- pe_audio_video_encoder — PeAudioVideoEncoderConfig (modelo PeAudioVideoEncoderConfig)
- pe_video — PeVideoConfig (modelo PeVideoConfig)
- pe_video_encoder — PeVideoEncoderConfig (modelo PeVideoEncoderConfig)
- pegasus — PegasusConfig (modelo PegasusConfig)
- pegasus_x — PegasusXConfig (modelo PegasusXConfig)
- perceiver — PerceiverConfig (modelo PerceiverConfig)
- perception_lm — PerceptionLMConfig (modelo PerceptionLMConfig)
- persimmon — PersimmonConfig (modelo PersimmonConfig)
- phi — PhiConfig (modelo PhiConfig)
- phi3 — Phi3Config (modelo Phi3Config)
- phi4_multimodal — Phi4MultimodalConfig (modelo Phi4MultimodalConfig)
- phi4_multimodal_audio — Phi4MultimodalAudioConfig (modelo Phi4MultimodalAudioConfig)
- phi4_multimodal_vision — Phi4MultimodalVisionConfig (modelo Phi4MultimodalVisionConfig)
- phimoe — PhimoeConfig (modelo PhimoeConfig)
- pi0 — PI0Config (modelo PI0Config)
- pix2struct — Pix2StructConfig (modelo Pix2StructConfig)
- pix2struct_text_model — Pix2StructTextConfig (modelo Pix2StructTextConfig)
- pix2struct_vision_model — Pix2StructVisionConfig (modelo Pix2StructVisionConfig)
- pixio — PixioConfig (modelo PixioConfig)
- pixtral — PixtralVisionConfig (modelo PixtralVisionConfig)
- plbart — PLBartConfig (modelo PLBartConfig)
- pocket_tts — PocketTTSConfig (modelo PocketTTSConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerConfig (modelo PocketTTSAudioTokenizerConfig)
- pocket_tts_audio_tokenizer_decoder — PocketTTSAudioTokenizerDecoderConfig (modelo PocketTTSAudioTokenizerDecoderConfig)
- pocket_tts_audio_tokenizer_encoder — PocketTTSAudioTokenizerEncoderConfig (modelo PocketTTSAudioTokenizerEncoderConfig)
- poolformer — PoolFormerConfig (modelo PoolFormerConfig)
- pop2piano — Pop2PianoConfig (modelo Pop2PianoConfig)
- pp_chart2table — PPChart2TableConfig (modelo PPChart2TableConfig)
- pp_chart2table_vision — PPChart2TableVisionConfig (modelo PPChart2TableVisionConfig)
- pp_doclayout_v2 — PPDocLayoutV2Config (modelo PPDocLayoutV2Config)
- pp_doclayout_v3 — PPDocLayoutV3Config (modelo PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4Config (modelo PPDocLayoutV4Config)
- pp_formulanet — PPFormulaNetConfig (modelo PPFormulaNetConfig)
- pp_formulanet_text — PPFormulaNetTextConfig (modelo PPFormulaNetTextConfig)
- pp_formulanet_vision — PPFormulaNetVisionConfig (modelo PPFormulaNetVisionConfig)
- pp_lcnet — PPLCNetConfig (modelo PPLCNetConfig)
- pp_lcnet_v3 — PPLCNetV3Config (modelo PPLCNetV3Config)
- pp_lcnet_v4 — PPLCNetV4Config (modelo PPLCNetV4Config)
- pp_ocrv5_mobile_det — PPOCRV5MobileDetConfig (modelo PPOCRV5MobileDetConfig)
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecConfig (modelo PPOCRV5MobileRecConfig)
- pp_ocrv5_server_det — PPOCRV5ServerDetConfig (modelo PPOCRV5ServerDetConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecConfig (modelo PPOCRV5ServerRecConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetConfig (modelo PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetConfig (modelo PPOCRV6SmallDetConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecConfig (modelo PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecConfig (modelo PPOCRV6TinyRecConfig)
- prompt_depth_anything — PromptDepthAnythingConfig (modelo PromptDepthAnythingConfig)
- prophetnet — ProphetNetConfig (modelo ProphetNetConfig)
- pvt — PvtConfig (modelo PvtConfig)
- pvt_v2 — PvtV2Config (modelo PvtV2Config)
- qianfan_ocr — QianfanOCRConfig (modelo QianfanOCRConfig)
- qianfan_ocr_vision — QianfanOCRVisionConfig (modelo QianfanOCRVisionConfig)
- qwen2 — Qwen2Config (modelo Qwen2Config)
- qwen2_5_omni — Qwen2_5OmniConfig (modelo Qwen2_5OmniConfig)
- qwen2_5_omni_audio_encoder — Qwen2_5OmniAudioEncoderConfig (modelo Qwen2_5OmniAudioEncoderConfig)
- qwen2_5_omni_bigvgan — Qwen2_5OmniBigVGANConfig (modelo Qwen2_5OmniBigVGANConfig)
- qwen2_5_omni_dit — Qwen2_5OmniDiTConfig (modelo Qwen2_5OmniDiTConfig)
- qwen2_5_omni_talker — Qwen2_5OmniTalkerConfig (modelo Qwen2_5OmniTalkerConfig)
- qwen2_5_omni_text — Qwen2_5OmniTextConfig (modelo Qwen2_5OmniTextConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerConfig (modelo Qwen2_5OmniThinkerConfig)
- qwen2_5_omni_token2wav — Qwen2_5OmniToken2WavConfig (modelo Qwen2_5OmniToken2WavConfig)
- qwen2_5_omni_vision_encoder — Qwen2_5OmniVisionEncoderConfig (modelo Qwen2_5OmniVisionEncoderConfig)
- qwen2_5_vl — Qwen2_5_VLConfig (modelo Qwen2_5_VLConfig)
- qwen2_5_vl_text — Qwen2_5_VLTextConfig (modelo Qwen2_5_VLTextConfig)
- qwen2_5_vl_vision — Qwen2_5_VLVisionConfig (modelo Qwen2_5_VLVisionConfig)
- qwen2_audio — Qwen2AudioConfig (modelo Qwen2AudioConfig)
- qwen2_audio_encoder — Qwen2AudioEncoderConfig (modelo Qwen2AudioEncoderConfig)
- qwen2_moe — Qwen2MoeConfig (modelo Qwen2MoeConfig)
- qwen2_vl — Qwen2VLConfig (modelo Qwen2VLConfig)
- qwen2_vl_text — Qwen2VLTextConfig (modelo Qwen2VLTextConfig)
- qwen2_vl_vision — Qwen2VLVisionConfig (modelo Qwen2VLVisionConfig)
- qwen3 — Qwen3Config (modelo Qwen3Config)
- qwen3_5 — Qwen3_5Config (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeConfig (modelo Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeTextConfig (modelo Qwen3_5MoeTextConfig)
- qwen3_5_moe_vision — Qwen3_5MoeVisionConfig (modelo Qwen3_5MoeVisionConfig)
- qwen3_5_text — Qwen3_5TextConfig (modelo Qwen3_5TextConfig)
- qwen3_5_vision — Qwen3_5VisionConfig (modelo Qwen3_5VisionConfig)
- qwen3_asr — Qwen3ASRConfig (modelo Qwen3ASRConfig)
- qwen3_asr_encoder — Qwen3ASREncoderConfig (modelo Qwen3ASREncoderConfig)
- qwen3_moe — Qwen3MoeConfig (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextConfig (modelo Qwen3NextConfig)
- qwen3_omni_moe — Qwen3OmniMoeConfig (modelo Qwen3OmniMoeConfig)
- qwen3_omni_moe_audio_encoder — Qwen3OmniMoeAudioEncoderConfig (modelo Qwen3OmniMoeAudioEncoderConfig)
- qwen3_omni_moe_talker_code_predictor — Qwen3OmniMoeTalkerCodePredictorConfig (modelo Qwen3OmniMoeTalkerCodePredictorConfig)
- qwen3_omni_moe_talker_text — Qwen3OmniMoeTalkerTextConfig (modelo Qwen3OmniMoeTalkerTextConfig)
- qwen3_omni_moe_text — Qwen3OmniMoeTextConfig (modelo Qwen3OmniMoeTextConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerConfig (modelo Qwen3OmniMoeThinkerConfig)
- qwen3_omni_moe_vision_encoder — Qwen3OmniMoeVisionEncoderConfig (modelo Qwen3OmniMoeVisionEncoderConfig)
- qwen3_vl — Qwen3VLConfig (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeConfig (modelo Qwen3VLMoeConfig)
- qwen3_vl_moe_text — Qwen3VLMoeTextConfig (modelo Qwen3VLMoeTextConfig)
- qwen3_vl_moe_vision — Qwen3VLMoeVisionConfig (modelo Qwen3VLMoeVisionConfig)
- qwen3_vl_text — Qwen3VLTextConfig (modelo Qwen3VLTextConfig)
- qwen3_vl_vision — Qwen3VLVisionConfig (modelo Qwen3VLVisionConfig)
- qwen4_exp — Qwen4ExpConfig (modelo Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpTextConfig (modelo Qwen4ExpTextConfig)
- qwen4_exp_vision — Qwen4ExpVisionConfig (modelo Qwen4ExpVisionConfig)
- radio — RadioConfig (modelo RadioConfig)
- rag — RagConfig (modelo RagConfig)
- recurrent_gemma — RecurrentGemmaConfig (modelo RecurrentGemmaConfig)
- reformer — ReformerConfig (modelo ReformerConfig)
- regnet — RegNetConfig (modelo RegNetConfig)
- rembert — RemBertConfig (modelo RemBertConfig)
- resnet — ResNetConfig (modelo ResNetConfig)
- rf_detr — RfDetrConfig (modelo RfDetrConfig)
- rf_detr_dinov2 — RfDetrDinov2Config (modelo RfDetrDinov2Config)
- roberta — RobertaConfig (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormConfig (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertConfig (modelo RoCBertConfig)
- roformer — RoFormerConfig (modelo RoFormerConfig)
- rt_detr — RTDetrConfig (modelo RTDetrConfig)
- rt_detr_resnet — RTDetrResNetConfig (modelo RTDetrResNetConfig)
- rt_detr_v2 — RTDetrV2Config (modelo RTDetrV2Config)
- rwkv — RwkvConfig (modelo RwkvConfig)
- sam — SamConfig (modelo SamConfig)
- sam2 — Sam2Config (modelo Sam2Config)
- sam2_hiera_det_model — Sam2HieraDetConfig (modelo Sam2HieraDetConfig)
- sam2_mask_decoder — Sam2MaskDecoderConfig (modelo Sam2MaskDecoderConfig)
- sam2_prompt_encoder — Sam2PromptEncoderConfig (modelo Sam2PromptEncoderConfig)
- sam2_video — Sam2VideoConfig (modelo Sam2VideoConfig)
- sam2_video_mask_decoder — Sam2VideoMaskDecoderConfig (modelo Sam2VideoMaskDecoderConfig)
- sam2_video_prompt_encoder — Sam2VideoPromptEncoderConfig (modelo Sam2VideoPromptEncoderConfig)
- sam2_vision_model — Sam2VisionConfig (modelo Sam2VisionConfig)
- sam3 — Sam3Config (modelo Sam3Config)
- sam3_detr_decoder — Sam3DETRDecoderConfig (modelo Sam3DETRDecoderConfig)
- sam3_detr_encoder — Sam3DETREncoderConfig (modelo Sam3DETREncoderConfig)
- sam3_geometry_encoder — Sam3GeometryEncoderConfig (modelo Sam3GeometryEncoderConfig)
- sam3_lite_text — Sam3LiteTextConfig (modelo Sam3LiteTextConfig)
- sam3_lite_text_detr_decoder — Sam3LiteTextDETRDecoderConfig (modelo Sam3LiteTextDETRDecoderConfig)
- sam3_lite_text_detr_encoder — Sam3LiteTextDETREncoderConfig (modelo Sam3LiteTextDETREncoderConfig)
- sam3_lite_text_geometry_encoder — Sam3LiteTextGeometryEncoderConfig (modelo Sam3LiteTextGeometryEncoderConfig)
- sam3_lite_text_mask_decoder — Sam3LiteTextMaskDecoderConfig (modelo Sam3LiteTextMaskDecoderConfig)
- sam3_lite_text_text_model — Sam3LiteTextTextConfig (modelo Sam3LiteTextTextConfig)
- sam3_mask_decoder — Sam3MaskDecoderConfig (modelo Sam3MaskDecoderConfig)
- sam3_tracker — Sam3TrackerConfig (modelo Sam3TrackerConfig)
- sam3_tracker_mask_decoder — Sam3TrackerMaskDecoderConfig (modelo Sam3TrackerMaskDecoderConfig)
- sam3_tracker_prompt_encoder — Sam3TrackerPromptEncoderConfig (modelo Sam3TrackerPromptEncoderConfig)
- sam3_tracker_video — Sam3TrackerVideoConfig (modelo Sam3TrackerVideoConfig)
- sam3_tracker_video_mask_decoder — Sam3TrackerVideoMaskDecoderConfig (modelo Sam3TrackerVideoMaskDecoderConfig)
- sam3_tracker_video_prompt_encoder — Sam3TrackerVideoPromptEncoderConfig (modelo Sam3TrackerVideoPromptEncoderConfig)
- sam3_video — Sam3VideoConfig (modelo Sam3VideoConfig)
- sam3_vision_model — Sam3VisionConfig (modelo Sam3VisionConfig)
- sam3_vit_model — Sam3ViTConfig (modelo Sam3ViTConfig)
- sam_hq — SamHQConfig (modelo SamHQConfig)
- sam_hq_mask_decoder — SamHQMaskDecoderConfig (modelo SamHQMaskDecoderConfig)
- sam_hq_prompt_encoder — SamHQPromptEncoderConfig (modelo SamHQPromptEncoderConfig)
- sam_hq_vision_model — SamHQVisionConfig (modelo SamHQVisionConfig)
- sam_mask_decoder — SamMaskDecoderConfig (modelo SamMaskDecoderConfig)
- sam_prompt_encoder — SamPromptEncoderConfig (modelo SamPromptEncoderConfig)
- sam_vision_model — SamVisionConfig (modelo SamVisionConfig)
- sapiens2 — Sapiens2Config (modelo Sapiens2Config)
- sapiens2_head — Sapiens2HeadConfig (modelo Sapiens2HeadConfig)
- seamless_m4t — SeamlessM4TConfig (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2Config (modelo SeamlessM4Tv2Config)
- seed_oss — SeedOssConfig (modelo SeedOssConfig)
- segformer — SegformerConfig (modelo SegformerConfig)
- seggpt — SegGptConfig (modelo SegGptConfig)
- sew — SEWConfig (modelo SEWConfig)
- sew-d — SEWDConfig (modelo SEWDConfig)
- shieldgemma2 — ShieldGemma2Config (modelo ShieldGemma2Config)
- siglip — SiglipConfig (modelo SiglipConfig)
- siglip2 — Siglip2Config (modelo Siglip2Config)
- siglip2_text_model — Siglip2TextConfig (modelo Siglip2TextConfig)
- siglip2_vision_model — Siglip2VisionConfig (modelo Siglip2VisionConfig)
- siglip_text_model — SiglipTextConfig (modelo SiglipTextConfig)
- siglip_vision_model — SiglipVisionConfig (modelo SiglipVisionConfig)
- slanet — SLANetConfig (modelo SLANetConfig)
- slanext — SLANeXtConfig (modelo SLANeXtConfig)
- slanext_vision — SLANeXtVisionConfig (modelo SLANeXtVisionConfig)
- smollm3 — SmolLM3Config (modelo SmolLM3Config)
- smolvlm — SmolVLMConfig (modelo SmolVLMConfig)
- smolvlm_vision — SmolVLMVisionConfig (modelo SmolVLMVisionConfig)
- solar_open — SolarOpenConfig (modelo SolarOpenConfig)
- speech-encoder-decoder — SpeechEncoderDecoderConfig (modelo SpeechEncoderDecoderConfig)
- speech_to_text — Speech2TextConfig (modelo Speech2TextConfig)
- speecht5 — SpeechT5Config (modelo SpeechT5Config)
- speecht5_hifigan — SpeechT5HifiGanConfig (modelo SpeechT5HifiGanConfig)
- splinter — SplinterConfig (modelo SplinterConfig)
- squeezebert — SqueezeBertConfig (modelo SqueezeBertConfig)
- stablelm — StableLmConfig (modelo StableLmConfig)
- starcoder2 — Starcoder2Config (modelo Starcoder2Config)
- step3p5 — Step3p7TextConfig (modelo Step3p7TextConfig)
- step3p5_vision — Step3p7VisionConfig (modelo Step3p7VisionConfig)
- step3p7 — Step3p7Config (modelo Step3p7Config)
- superglue — SuperGlueConfig (modelo SuperGlueConfig)
- superpoint — SuperPointConfig (modelo SuperPointConfig)
- swiftformer — SwiftFormerConfig (modelo SwiftFormerConfig)
- swin — SwinConfig (modelo SwinConfig)
- swin2sr — Swin2SRConfig (modelo Swin2SRConfig)
- swinv2 — Swinv2Config (modelo Swinv2Config)
- switch_transformers — SwitchTransformersConfig (modelo SwitchTransformersConfig)
- t5 — T5Config (modelo T5Config)
- t5_gemma_module — T5GemmaModuleConfig (modelo T5GemmaModuleConfig)
- t5gemma — T5GemmaConfig (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2Config (modelo T5Gemma2Config)
- t5gemma2_decoder — T5Gemma2DecoderConfig (modelo T5Gemma2DecoderConfig)
- t5gemma2_encoder — T5Gemma2EncoderConfig (modelo T5Gemma2EncoderConfig)
- t5gemma2_text — T5Gemma2TextConfig (modelo T5Gemma2TextConfig)
- table-transformer — TableTransformerConfig (modelo TableTransformerConfig)
- tapas — TapasConfig (modelo TapasConfig)
- textnet — TextNetConfig (modelo TextNetConfig)
- time_series_transformer — TimeSeriesTransformerConfig (modelo TimeSeriesTransformerConfig)
- timesfm — TimesFmConfig (modelo TimesFmConfig)
- timesfm2_5 — TimesFm2_5Config (modelo TimesFm2_5Config)
- timesformer — TimesformerConfig (modelo TimesformerConfig)
- timm_backbone — TimmBackboneConfig (modelo TimmBackboneConfig)
- timm_wrapper — TimmWrapperConfig (modelo TimmWrapperConfig)
- tipsv2 — Tipsv2Config (modelo Tipsv2Config)
- tipsv2_dpt — Tipsv2DptConfig (modelo Tipsv2DptConfig)
- tipsv2_text_model — Tipsv2TextConfig (modelo Tipsv2TextConfig)
- tipsv2_vision_model — Tipsv2VisionConfig (modelo Tipsv2VisionConfig)
- trocr — TrOCRConfig (modelo TrOCRConfig)
- tvp — TvpConfig (modelo TvpConfig)
- udop — UdopConfig (modelo UdopConfig)
- ultrabert — UltrabertConfig (modelo UltrabertConfig)
- ultravbert — UltraVBertConfig (modelo UltraVBertConfig)
- umt5 — UMT5Config (modelo UMT5Config)
- unispeech — UniSpeechConfig (modelo UniSpeechConfig)
- unispeech-sat — UniSpeechSatConfig (modelo UniSpeechSatConfig)
- univnet — UnivNetConfig (modelo UnivNetConfig)
- unlimited_ocr — UnlimitedOcrConfig (modelo UnlimitedOcrConfig)
- unlimited_ocr_sam_vision_model — UnlimitedOcrSamVisionConfig (modelo UnlimitedOcrSamVisionConfig)
- unlimited_ocr_text — UnlimitedOcrTextConfig (modelo UnlimitedOcrTextConfig)
- unlimited_ocr_vision — UnlimitedOcrVisionConfig (modelo UnlimitedOcrVisionConfig)
- unlimited_ocr_vision_encoder — UnlimitedOcrVisionEncoderConfig (modelo UnlimitedOcrVisionEncoderConfig)
- upernet — UperNetConfig (modelo UperNetConfig)
- uvdoc — UVDocConfig (modelo UVDocConfig)
- uvdoc_backbone — UVDocBackboneConfig (modelo UVDocBackboneConfig)
- vaultgemma — VaultGemmaConfig (modelo VaultGemmaConfig)
- vibevoice — VibeVoiceConfig (modelo VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerConfig (modelo VibeVoiceAcousticTokenizerConfig)
- vibevoice_acoustic_tokenizer_decoder — VibeVoiceAcousticTokenizerDecoderConfig (modelo VibeVoiceAcousticTokenizerDecoderConfig)
- vibevoice_acoustic_tokenizer_encoder — VibeVoiceAcousticTokenizerEncoderConfig (modelo VibeVoiceAcousticTokenizerEncoderConfig)
- vibevoice_asr — VibeVoiceAsrConfig (modelo VibeVoiceAsrConfig)
- vibevoice_diffusion — VibeVoiceDiffusionHeadConfig (modelo VibeVoiceDiffusionHeadConfig)
- video_llama_3 — VideoLlama3Config (modelo VideoLlama3Config)
- video_llama_3_vision — VideoLlama3VisionConfig (modelo VideoLlama3VisionConfig)
- video_llava — VideoLlavaConfig (modelo VideoLlavaConfig)
- videomae — VideoMAEConfig (modelo VideoMAEConfig)
- videomt — VideomtConfig (modelo VideomtConfig)
- videoprism — VideoPrismConfig (modelo VideoPrismConfig)
- videoprism_text_model — VideoPrismTextConfig (modelo VideoPrismTextConfig)
- videoprism_vision_model — VideoPrismVisionConfig (modelo VideoPrismVisionConfig)
- vilt — ViltConfig (modelo ViltConfig)
- vipllava — VipLlavaConfig (modelo VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderConfig (modelo VisionEncoderDecoderConfig)
- vision-text-dual-encoder — VisionTextDualEncoderConfig (modelo VisionTextDualEncoderConfig)
- visual_bert — VisualBertConfig (modelo VisualBertConfig)
- vit — ViTConfig (modelo ViTConfig)
- vit_mae — ViTMAEConfig (modelo ViTMAEConfig)
- vit_msn — ViTMSNConfig (modelo ViTMSNConfig)
- vitdet — VitDetConfig (modelo VitDetConfig)
- vitmatte — VitMatteConfig (modelo VitMatteConfig)
- vitpose — VitPoseConfig (modelo VitPoseConfig)
- vitpose_backbone —
VitPoseBackboneConfig(modelo VitPoseBackboneConfig) - vits — VitsConfig (modelo VitsConfig)
- vivit — VivitConfig (modelo VivitConfig)
- vjepa2 — VJEPA2Config (modelo VJEPA2Config)
- voxtral — VoxtralConfig (modelo VoxtralConfig)
- voxtral_encoder — VoxtralEncoderConfig (modelo VoxtralEncoderConfig)
- voxtral_realtime — VoxtralRealtimeConfig (modelo VoxtralRealtimeConfig)
- voxtral_realtime_encoder — VoxtralRealtimeEncoderConfig (modelo VoxtralRealtimeEncoderConfig)
- voxtral_realtime_text — VoxtralRealtimeTextConfig (modelo VoxtralRealtimeTextConfig)
- wav2vec2 — Wav2Vec2Config (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertConfig (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerConfig (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMConfig (modelo WavLMConfig)
- whisper — WhisperConfig (modelo WhisperConfig)
- xclip — XCLIPConfig (modelo XCLIPConfig)
- xclip_text_model — XCLIPTextConfig (modelo XCLIPTextConfig)
- xclip_vision_model — XCLIPVisionConfig (modelo XCLIPVisionConfig)
- xcodec — XcodecConfig (modelo XcodecConfig)
- xcodec2 — Xcodec2Config (modelo Xcodec2Config)
- xglm — XGLMConfig (modelo XGLMConfig)
- xlm — XLMConfig (modelo XLMConfig)
- xlm-roberta — XLMRobertaConfig (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLConfig (modelo XLMRobertaXLConfig)
- xlnet — XLNetConfig (modelo XLNetConfig)
- xlstm — xLSTMConfig (modelo xLSTMConfig)
- xmod — XmodConfig (modelo XmodConfig)
- yolos — YolosConfig (modelo YolosConfig)
- yoso — YosoConfig (modelo YosoConfig)
- youtu — YoutuConfig (modelo YoutuConfig)
- zamba — ZambaConfig (modelo ZambaConfig)
- zamba2 — Zamba2Config (modelo Zamba2Config)
- zaya — ZayaConfig (modelo ZayaConfig)
- zoedepth — ZoeDepthConfig (modelo ZoeDepthConfig)
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
< source >( 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
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 querevisionpuede 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 predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 comobos_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:
- EvollaModel — TokenizersBackend (modelo EvollaConfig)
- aimv2 — CLIPTokenizer (modelo Aimv2Config)
- albert — AlbertTokenizer (modelo AlbertConfig)
- align — BertTokenizer (modelo AlignConfig)
- aria — TokenizersBackend (modelo AriaConfig)
- audioflamingo3 — Qwen2Tokenizer (modelo AudioFlamingo3Config)
- aya_vision — CohereTokenizer (modelo AyaVisionConfig)
- bark — BertTokenizer (modelo BarkConfig)
- bart — RobertaTokenizer (modelo BartConfig)
- beam — TokenizersBackend (modelo BeamConfig)
- bert — BertTokenizer (modelo BertConfig)
- bert-generation — BertGenerationTokenizer (modelo BertGenerationConfig)
- big_bird — BigBirdTokenizer (modelo BigBirdConfig)
- bigbird_pegasus — TokenizersBackend (modelo BigBirdPegasusConfig)
- biogpt — BioGptTokenizer (modelo BioGptConfig)
- blenderbot — BlenderbotTokenizer (modelo BlenderbotConfig)
- blenderbot-small — BlenderbotSmallTokenizer (modelo BlenderbotSmallConfig)
- blip — BertTokenizer (modelo BlipConfig)
- blip-2 — GPT2Tokenizer (modelo Blip2Config)
- bridgetower — RobertaTokenizer (modelo BridgeTowerConfig)
- bros — BertTokenizer (modelo BrosConfig)
- camembert — CamembertTokenizer (modelo CamembertConfig)
- canary — TokenizersBackend (modelo CanaryConfig)
- canine — CanineTokenizer (modelo CanineConfig)
- chinese_clip — BertTokenizer (modelo ChineseCLIPConfig)
- clap — RobertaTokenizer (modelo ClapConfig)
- clip — CLIPTokenizer (modelo CLIPConfig)
- clipseg — CLIPTokenizer (modelo CLIPSegConfig)
- clvp — ClvpTokenizer (modelo ClvpConfig)
- codegen — GPT2Tokenizer (modelo CodeGenConfig)
- cohere — CohereTokenizer (modelo CohereConfig)
- cohere2 — CohereTokenizer (modelo Cohere2Config)
- cohere_asr — TokenizersBackend (modelo CohereAsrConfig)
- colqwen2 — Qwen2Tokenizer (modelo ColQwen2Config)
- convbert — BertTokenizer (modelo ConvBertConfig)
- cosmos3_omni — Qwen2Tokenizer (modelo Cosmos3OmniConfig)
- cpmant — CpmAntTokenizer (modelo CpmAntConfig)
- ctrl — CTRLTokenizer (modelo CTRLConfig)
- data2vec-audio — Wav2Vec2CTCTokenizer (modelo Data2VecAudioConfig)
- data2vec-text — RobertaTokenizer (modelo Data2VecTextConfig)
- dbrx — GPT2Tokenizer (modelo DbrxConfig)
- deberta — DebertaTokenizer (modelo DebertaConfig)
- deberta-v2 — DebertaV2Tokenizer (modelo DebertaV2Config)
- dia — DiaTokenizer (modelo DiaConfig)
- diffusion_gemma — GemmaTokenizer (modelo DiffusionGemmaConfig)
- distilbert — BertTokenizer (modelo DistilBertConfig)
- dpr — DPRQuestionEncoderTokenizer (modelo DPRConfig)
- electra — BertTokenizer (modelo ElectraConfig)
- emu3 — GPT2Tokenizer (modelo Emu3Config)
- ernie — BertTokenizer (modelo ErnieConfig)
- ernie4_5 — TokenizersBackend (modelo Ernie4_5Config)
- ernie4_5_moe — TokenizersBackend (modelo Ernie4_5_MoeConfig)
- esm — EsmTokenizer (modelo EsmConfig)
- esmc — EsmcTokenizer (modelo EsmcConfig)
- esmfold2 — EsmcTokenizer (modelo EsmFold2Config)
- falcon_mamba — GPTNeoXTokenizer (modelo FalconMambaConfig)
- fastspeech2_conformer —
None(modelo FastSpeech2ConformerConfig) - flaubert — FlaubertTokenizer (modelo FlaubertConfig)
- flava — BertTokenizer (modelo FlavaConfig)
- flex_olmo — TokenizersBackend (modelo FlexOlmoConfig)
- florence2 — BartTokenizer (modelo Florence2Config)
- fnet — FNetTokenizer (modelo FNetConfig)
- fsmt — FSMTTokenizer (modelo FSMTConfig)
- fun_asr_nano — Qwen2Tokenizer (modelo FunAsrNanoConfig)
- funnel — FunnelTokenizer (modelo FunnelConfig)
- fuyu — TokenizersBackend (modelo FuyuConfig)
- gemma — GemmaTokenizer (modelo GemmaConfig)
- gemma2 — GemmaTokenizer (modelo Gemma2Config)
- gemma3 — GemmaTokenizer (modelo Gemma3Config)
- gemma3_text — GemmaTokenizer (modelo Gemma3TextConfig)
- gemma3n — GemmaTokenizer (modelo Gemma3nConfig)
- gemma3n_text — GemmaTokenizer (modelo Gemma3nTextConfig)
- git — BertTokenizer (modelo GitConfig)
- glm — TokenizersBackend (modelo GlmConfig)
- glm4 — TokenizersBackend (modelo Glm4Config)
- glm4_moe — TokenizersBackend (modelo Glm4MoeConfig)
- glm4_moe_lite — TokenizersBackend (modelo Glm4MoeLiteConfig)
- glm4v — TokenizersBackend (modelo Glm4vConfig)
- glm4v_moe — TokenizersBackend (modelo Glm4vMoeConfig)
- glm_image — TokenizersBackend (modelo GlmImageConfig)
- glmasr — TokenizersBackend (modelo GlmAsrConfig)
- got_ocr2 — TokenizersBackend (modelo GotOcr2Config)
- gpt-sw3 — GPTSw3Tokenizer (modelo GPT2Config)
- gpt2 — GPT2Tokenizer (modelo GPT2Config)
- gpt_bigcode — TokenizersBackend (modelo GPTBigCodeConfig)
- gpt_neo — GPT2Tokenizer (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXTokenizer (modelo GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseTokenizer (modelo GPTNeoXJapaneseConfig)
- gptj — GPT2Tokenizer (modelo GPTJConfig)
- gradium_phonon_tts — TokenizersBackend (modelo GradiumPhononTTSConfig)
- granite — TokenizersBackend (modelo GraniteConfig)
- granite_speech5_ctc — ParakeetTokenizer (modelo GraniteSpeech5CTCConfig)
- granitemoe — TokenizersBackend (modelo GraniteMoeConfig)
- granitemoehybrid — TokenizersBackend (modelo GraniteMoeHybridConfig)
- granitemoeshared — TokenizersBackend (modelo GraniteMoeSharedConfig)
- grounding-dino — BertTokenizer (modelo GroundingDinoConfig)
- groupvit — CLIPTokenizer (modelo GroupViTConfig)
- gte — XLMRobertaTokenizer (modelo GteConfig)
- hubert — Wav2Vec2CTCTokenizer (modelo HubertConfig)
- hunyuan_vl — Qwen2Tokenizer (modelo HunYuanVLConfig)
- hyperclovax — TokenizersBackend (modelo HyperCLOVAXConfig)
- hyperclovax_vision_v2 — GPT2Tokenizer (modelo HyperCLOVAXVisionV2Config)
- ibert — RobertaTokenizer (modelo IBertConfig)
- idefics — LlamaTokenizer (modelo IdeficsConfig)
- idefics2 — LlamaTokenizer (modelo Idefics2Config)
- instructblip — GPT2Tokenizer (modelo InstructBlipConfig)
- instructblipvideo — GPT2Tokenizer (modelo InstructBlipVideoConfig)
- internvl — Qwen2Tokenizer (modelo InternVLConfig)
- jais2 — GPT2Tokenizer (modelo Jais2Config)
- jamba — TokenizersBackend (modelo JambaConfig)
- jina_embeddings_v3 — XLMRobertaTokenizer (modelo JinaEmbeddingsV3Config)
- kimi_k25 — TokenizersBackend (modelo Kimi_K25Config)
- kimi_linear — TokenizersBackend (modelo KimiLinearConfig)
- kosmos-2 — TokenizersBackend (modelo Kosmos2Config)
- lasr_ctc — LasrTokenizer (modelo LasrCTCConfig)
- lasr_encoder — LasrTokenizer (modelo LasrEncoderConfig)
- layoutlm — BertTokenizer (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Tokenizer (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Tokenizer (modelo LayoutLMv3Config)
- layoutxlm — LayoutXLMTokenizer (modelo LayoutXLMConfig)
- led — LEDTokenizer (modelo LEDConfig)
- lighton_ocr — Qwen2TokenizerFast (modelo LightOnOcrConfig)
- lilt — RobertaTokenizer (modelo LiltConfig)
- llava — TokenizersBackend (modelo LlavaConfig)
- llava_next — TokenizersBackend (modelo LlavaNextConfig)
- longformer — RobertaTokenizer (modelo LongformerConfig)
- luke — LukeTokenizer (modelo LukeConfig)
- lxmert — LxmertTokenizer (modelo LxmertConfig)
- m2m_100 — M2M100Tokenizer (modelo M2M100Config)
- mamba — GPTNeoXTokenizer (modelo MambaConfig)
- mamba2 — GPTNeoXTokenizer (modelo Mamba2Config)
- marian — MarianTokenizer (modelo MarianConfig)
- markuplm — MarkupLMTokenizer (modelo MarkupLMConfig)
- mbart — MBartTokenizer (modelo MBartConfig)
- megatron-bert — BertTokenizer (modelo MegatronBertConfig)
- metaclip_2 — XLMRobertaTokenizer (modelo MetaClip2Config)
- mgp-str — MgpstrTokenizer (modelo MgpstrConfig)
- mimo_v2_flash — TokenizersBackend (modelo MiMoV2FlashConfig)
- minicpm3 — TokenizersBackend (modelo MiniCPM3Config)
- minicpm_ocr — TokenizersBackend (modelo MiniCPMOcrConfig)
- minicpmv4_6 — TokenizersBackend (modelo MiniCPMV4_6Config)
- minicpmv4_7 — TokenizersBackend (modelo MiniCPMV4_7Config)
- minimax_m2 — TokenizersBackend (modelo MiniMaxM2Config)
- ministral — MistralCommonBackend (modelo MinistralConfig)
- ministral3 — MistralCommonBackend (modelo Ministral3Config)
- mistral — MistralCommonBackend (modelo MistralConfig)
- mistral3 — MistralCommonBackend (modelo Mistral3Config)
- mistral_large4 — MistralCommonBackend (modelo MistralLarge4Config)
- mixtral — MistralCommonBackend (modelo MixtralConfig)
- mm-grounding-dino — BertTokenizer (modelo MMGroundingDinoConfig)
- mobilebert — MobileBertTokenizer (modelo MobileBertConfig)
- modernbert — TokenizersBackend (modelo ModernBertConfig)
- modernbert-decoder — TokenizersBackend (modelo ModernBertDecoderConfig)
- molmo2 — TokenizersBackend (modelo Molmo2Config)
- moss_transcribe_diarize — Qwen2Tokenizer (modelo MossTranscribeDiarizeConfig)
- mpnet — MPNetTokenizer (modelo MPNetConfig)
- mpt — GPTNeoXTokenizer (modelo MptConfig)
- mra — RobertaTokenizer (modelo MraConfig)
- mt5 — T5Tokenizer (modelo MT5Config)
- musicgen — T5Tokenizer (modelo MusicgenConfig)
- musicgen_melody — T5Tokenizer (modelo MusicgenMelodyConfig)
- mvp — MvpTokenizer (modelo MvpConfig)
- nemo_speechlm — TokenizersBackend (modelo Nemotron3_5TranscribeConfig)
- nemotron — TokenizersBackend (modelo NemotronConfig)
- nemotron3_5_asr — ParakeetTokenizer (modelo Nemotron3_5AsrConfig)
- nemotron_asr_streaming — ParakeetTokenizer (modelo NemotronAsrStreamingConfig)
- nllb-moe — NllbTokenizer (modelo NllbMoeConfig)
- nomic_bert — BertTokenizer (modelo NomicBertConfig)
- nougat — NougatTokenizer (modelo NougatConfig)
- nystromformer — TokenizersBackend (modelo NystromformerConfig)
- olmo — GPTNeoXTokenizer (modelo OlmoConfig)
- olmo2 — TokenizersBackend (modelo Olmo2Config)
- olmo3 — TokenizersBackend (modelo Olmo3Config)
- olmo_hybrid — TokenizersBackend (modelo OlmoHybridConfig)
- olmoe — GPTNeoXTokenizer (modelo OlmoeConfig)
- omdet-turbo — CLIPTokenizer (modelo OmDetTurboConfig)
- oneformer — CLIPTokenizer (modelo OneFormerConfig)
- openai-gpt — OpenAIGPTTokenizer (modelo OpenAIGPTConfig)
- opt — GPT2Tokenizer (modelo OPTConfig)
- ovis2 — Qwen2Tokenizer (modelo Ovis2Config)
- owlv2 — CLIPTokenizer (modelo Owlv2Config)
- owlvit — CLIPTokenizer (modelo OwlViTConfig)
- paddleocr_vl — TokenizersBackend (modelo PaddleOCRVLConfig)
- parakeet_ctc — ParakeetTokenizer (modelo ParakeetCTCConfig)
- parakeet_rnnt — ParakeetTokenizer (modelo ParakeetRNNTConfig)
- parakeet_tdt — ParakeetTokenizer (modelo ParakeetTDTConfig)
- pegasus — PegasusTokenizer (modelo PegasusConfig)
- pegasus_x — TokenizersBackend (modelo PegasusXConfig)
- perceiver — PerceiverTokenizer (modelo PerceiverConfig)
- persimmon — TokenizersBackend (modelo PersimmonConfig)
- phi — GPT2Tokenizer (modelo PhiConfig)
- phi3 — TokenizersBackend (modelo Phi3Config)
- phimoe — TokenizersBackend (modelo PhimoeConfig)
- pix2struct — TokenizersBackend (modelo Pix2StructConfig)
- pixtral — MistralCommonBackend (modelo PixtralVisionConfig)
- plbart — PLBartTokenizer (modelo PLBartConfig)
- pocket_tts — TokenizersBackend (modelo PocketTTSConfig)
- pp_formulanet — NougatTokenizer (modelo PPFormulaNetConfig)
- prophetnet — ProphetNetTokenizer (modelo ProphetNetConfig)
- qianfan_ocr — Qwen2Tokenizer (modelo QianfanOCRConfig)
- qwen2 — Qwen2Tokenizer (modelo Qwen2Config)
- qwen2_5_omni — Qwen2Tokenizer (modelo Qwen2_5OmniConfig)
- qwen2_5_vl — Qwen2Tokenizer (modelo Qwen2_5_VLConfig)
- qwen2_audio — Qwen2Tokenizer (modelo Qwen2AudioConfig)
- qwen2_moe — Qwen2Tokenizer (modelo Qwen2MoeConfig)
- qwen2_vl — Qwen2Tokenizer (modelo Qwen2VLConfig)
- qwen3 — Qwen2Tokenizer (modelo Qwen3Config)
- qwen3_5 — Qwen3_5Tokenizer (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5Tokenizer (modelo Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5Tokenizer (modelo Qwen3_5MoeTextConfig)
- qwen3_5_text — Qwen3_5Tokenizer (modelo Qwen3_5TextConfig)
- qwen3_asr — Qwen2Tokenizer (modelo Qwen3ASRConfig)
- qwen3_moe — Qwen2Tokenizer (modelo Qwen3MoeConfig)
- qwen3_next — Qwen2Tokenizer (modelo Qwen3NextConfig)
- qwen3_omni_moe — Qwen2Tokenizer (modelo Qwen3OmniMoeConfig)
- qwen3_vl — Qwen2Tokenizer (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen2Tokenizer (modelo Qwen3VLMoeConfig)
- qwen4_exp — Qwen3_5Tokenizer (modelo Qwen4ExpConfig)
- rag — RagTokenizer (modelo RagConfig)
- recurrent_gemma — GemmaTokenizer (modelo RecurrentGemmaConfig)
- reformer — ReformerTokenizer (modelo ReformerConfig)
- rembert — RemBertTokenizer (modelo RemBertConfig)
- roberta — RobertaTokenizer (modelo RobertaConfig)
- roberta-prelayernorm — RobertaTokenizer (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertTokenizer (modelo RoCBertConfig)
- roformer — RoFormerTokenizer (modelo RoFormerConfig)
- rwkv — GPTNeoXTokenizer (modelo RwkvConfig)
- sam3 — CLIPTokenizer (modelo Sam3Config)
- sam3_video — CLIPTokenizer (modelo Sam3VideoConfig)
- seamless_m4t — SeamlessM4TTokenizer (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4TTokenizer (modelo SeamlessM4Tv2Config)
- shieldgemma2 — GemmaTokenizer (modelo ShieldGemma2Config)
- siglip — SiglipTokenizer (modelo SiglipConfig)
- siglip2 — Siglip2Tokenizer (modelo Siglip2Config)
- smolvlm — TokenizersBackend (modelo SmolVLMConfig)
- speech_to_text — Speech2TextTokenizer (modelo Speech2TextConfig)
- speecht5 — SpeechT5Tokenizer (modelo SpeechT5Config)
- splinter — SplinterTokenizer (modelo SplinterConfig)
- squeezebert — BertTokenizer (modelo SqueezeBertConfig)
- stablelm — TokenizersBackend (modelo StableLmConfig)
- starcoder2 — GPT2Tokenizer (modelo Starcoder2Config)
- switch_transformers — T5Tokenizer (modelo SwitchTransformersConfig)
- t5 — T5Tokenizer (modelo T5Config)
- t5gemma — GemmaTokenizer (modelo T5GemmaConfig)
- tapas — TapasTokenizer (modelo TapasConfig)
- tipsv2 — Tipsv2Tokenizer (modelo Tipsv2Config)
- trocr — XLMRobertaTokenizer (modelo TrOCRConfig)
- tvp — BertTokenizer (modelo TvpConfig)
- udop — UdopTokenizer (modelo UdopConfig)
- umt5 — TokenizersBackend (modelo UMT5Config)
- unispeech — Wav2Vec2CTCTokenizer (modelo UniSpeechConfig)
- unispeech-sat — Wav2Vec2CTCTokenizer (modelo UniSpeechSatConfig)
- vibevoice — Qwen2TokenizerFast (modelo VibeVoiceConfig)
- videoprism — VideoPrismTokenizer (modelo VideoPrismConfig)
- vilt — BertTokenizer (modelo ViltConfig)
- vipllava — TokenizersBackend (modelo VipLlavaConfig)
- visual_bert — BertTokenizer (modelo VisualBertConfig)
- vits — VitsTokenizer (modelo VitsConfig)
- voxtral — MistralCommonBackend (modelo VoxtralConfig)
- voxtral_realtime — MistralCommonBackend (modelo VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2CTCTokenizer (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2CTCTokenizer (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2CTCTokenizer (modelo Wav2Vec2ConformerConfig)
- whisper — WhisperTokenizer (modelo WhisperConfig)
- xclip — CLIPTokenizer (modelo XCLIPConfig)
- xglm — XGLMTokenizer (modelo XGLMConfig)
- xlm — XLMTokenizer (modelo XLMConfig)
- xlm-roberta — XLMRobertaTokenizer (modelo XLMRobertaConfig)
- xlm-roberta-xl — TokenizersBackend (modelo XLMRobertaXLConfig)
- xlnet — XLNetTokenizer (modelo XLNetConfig)
- xlstm — GPTNeoXTokenizer (modelo xLSTMConfig)
- xmod — XLMRobertaTokenizer (modelo XmodConfig)
- yoso — AlbertTokenizer (modelo YosoConfig)
- zaya — GemmaTokenizer (modelo ZayaConfig)
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
< source >( 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
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
< source >( pretrained_model_name_or_path**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 (
stro bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si esTrue, se usará el token generado al ejecutarhf 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 querevisionpuede ser cualquier identificador permitido por git. - return_unused_kwargs (
bool, opcional, valor predeterminadoFalse) — Si esFalse, esta función devuelve solo el objeto final de extracción de características. Si esTrue, esta función devuelve unaTuple(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 dekwargsque no se ha utilizado para actualizarfeature_extractory que se ignora de lo contrario. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 clavereturn_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:
- audio-spectrogram-transformer — ASTFeatureExtractor (modelo ASTConfig)
- audioflamingo3 — WhisperFeatureExtractor (modelo AudioFlamingo3Config)
- canary — ParakeetFeatureExtractor (modelo CanaryConfig)
- clap — ClapFeatureExtractor (modelo ClapConfig)
- clvp — ClvpFeatureExtractor (modelo ClvpConfig)
- cohere_asr — CohereAsrFeatureExtractor (modelo CohereAsrConfig)
- csm — EncodecFeatureExtractor (modelo CsmConfig)
- dac — DacFeatureExtractor (modelo DacConfig)
- data2vec-audio — Wav2Vec2FeatureExtractor (modelo Data2VecAudioConfig)
- dia — DiaFeatureExtractor (modelo DiaConfig)
- embedding_gemma2 — Gemma4AudioFeatureExtractor (modelo EmbeddingGemma2Config)
- encodec — EncodecFeatureExtractor (modelo EncodecConfig)
- fun_asr_nano — FunAsrNanoFeatureExtractor (modelo FunAsrNanoConfig)
- gemma3n — Gemma3nAudioFeatureExtractor (modelo Gemma3nConfig)
- gemma4 — Gemma4AudioFeatureExtractor (modelo Gemma4Config)
- gemma4_unified — Gemma4UnifiedAudioFeatureExtractor (modelo Gemma4UnifiedConfig)
- glmasr — WhisperFeatureExtractor (modelo GlmAsrConfig)
- gradium_phonon_tts — PocketTTSFeatureExtractor (modelo GradiumPhononTTSConfig)
- granite_speech — GraniteSpeechFeatureExtractor (modelo GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5FeatureExtractor (modelo GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5FeatureExtractor (modelo GraniteSpeech5EncoderConfig)
- granite_speech_plus — GraniteSpeechFeatureExtractor (modelo GraniteSpeechPlusConfig)
- higgs_audio_v2_tokenizer — DacFeatureExtractor (modelo HiggsAudioV2TokenizerConfig)
- hubert — Wav2Vec2FeatureExtractor (modelo HubertConfig)
- inkling_mm_model — InklingFeatureExtractor (modelo InklingConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextFeatureExtractor (modelo KyutaiSpeechToTextConfig)
- lasr_ctc — LasrFeatureExtractor (modelo LasrCTCConfig)
- lasr_encoder — LasrFeatureExtractor (modelo LasrEncoderConfig)
- mimi — EncodecFeatureExtractor (modelo MimiConfig)
- moonshine — Wav2Vec2FeatureExtractor (modelo MoonshineConfig)
- moshi — EncodecFeatureExtractor (modelo MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeFeatureExtractor (modelo MossTranscribeDiarizeConfig)
- muse_spark — MuseSparkFeatureExtractor (modelo MuseSparkConfig)
- musicgen — EncodecFeatureExtractor (modelo MusicgenConfig)
- musicgen_melody — MusicgenMelodyFeatureExtractor (modelo MusicgenMelodyConfig)
- nemo_speechlm — NemotronAsrStreamingFeatureExtractor (modelo Nemotron3_5TranscribeConfig)
- nemotron3_5_asr — NemotronAsrStreamingFeatureExtractor (modelo Nemotron3_5AsrConfig)
- nemotron3_diarization — NemotronAsrStreamingFeatureExtractor (modelo Nemotron3DiarizationConfig)
- nemotron_asr_streaming — NemotronAsrStreamingFeatureExtractor (modelo NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingFeatureExtractor (modelo NemotronAsrStreamingEncoderConfig)
- neucodec — NeuCodecFeatureExtractor (modelo NeuCodecConfig)
- parakeet_ctc — ParakeetFeatureExtractor (modelo ParakeetCTCConfig)
- parakeet_encoder — ParakeetFeatureExtractor (modelo ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetFeatureExtractor (modelo ParakeetRNNTConfig)
- parakeet_tdt — ParakeetFeatureExtractor (modelo ParakeetTDTConfig)
- pe_audio — PeAudioFeatureExtractor (modelo PeAudioConfig)
- pe_audio_video — PeAudioFeatureExtractor (modelo PeAudioVideoConfig)
- phi4_multimodal — Phi4MultimodalFeatureExtractor (modelo Phi4MultimodalConfig)
- pocket_tts — PocketTTSFeatureExtractor (modelo PocketTTSConfig)
- pocket_tts_audio_tokenizer — EncodecFeatureExtractor (modelo PocketTTSAudioTokenizerConfig)
- pop2piano — Pop2PianoFeatureExtractor (modelo Pop2PianoConfig)
- qwen2_5_omni — WhisperFeatureExtractor (modelo Qwen2_5OmniConfig)
- qwen2_audio — WhisperFeatureExtractor (modelo Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRFeatureExtractor (modelo Qwen3ASRConfig)
- qwen3_omni_moe — WhisperFeatureExtractor (modelo Qwen3OmniMoeConfig)
- seamless_m4t — SeamlessM4TFeatureExtractor (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4TFeatureExtractor (modelo SeamlessM4Tv2Config)
- sew — Wav2Vec2FeatureExtractor (modelo SEWConfig)
- sew-d — Wav2Vec2FeatureExtractor (modelo SEWDConfig)
- speech_to_text — Speech2TextFeatureExtractor (modelo Speech2TextConfig)
- speecht5 — SpeechT5FeatureExtractor (modelo SpeechT5Config)
- unispeech — Wav2Vec2FeatureExtractor (modelo UniSpeechConfig)
- unispeech-sat — Wav2Vec2FeatureExtractor (modelo UniSpeechSatConfig)
- univnet — UnivNetFeatureExtractor (modelo UnivNetConfig)
- vibevoice — VibeVoiceAcousticTokenizerFeatureExtractor (modelo VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerFeatureExtractor (modelo VibeVoiceAcousticTokenizerConfig)
- vibevoice_asr — VibeVoiceAcousticTokenizerFeatureExtractor (modelo VibeVoiceAsrConfig)
- voxtral — WhisperFeatureExtractor (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeFeatureExtractor (modelo VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2FeatureExtractor (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2FeatureExtractor (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2FeatureExtractor (modelo Wav2Vec2ConformerConfig)
- wavlm — Wav2Vec2FeatureExtractor (modelo WavLMConfig)
- whisper — WhisperFeatureExtractor (modelo WhisperConfig)
- xcodec — DacFeatureExtractor (modelo XcodecConfig)
- xcodec2 — Xcodec2FeatureExtractor (modelo Xcodec2Config)
Es necesario pasar
token=Truecuando 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
< source >( 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
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 (
stro bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si esTrue, se usará el token generado al ejecutarhf 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 querevisionpuede ser cualquier identificador permitido por git. - use_fast (
bool, opcional, valor predeterminadoFalse) — Obsoleto: Usebackend="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 defectoNone) — 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 predeterminadoFalse) — Si esFalse, esta función devuelve solo el objeto final de procesador de imágenes. Si esTrue, esta función devuelve unaTuple(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 dekwargsque no se ha utilizado para actualizarimage_processory que se ignora de lo contrario. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 clavereturn_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=Truecuando 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
< source >( config_classslow_image_processor_class: type | None = Nonefast_image_processor_class: type | None = Noneimage_processor_classes: dict[str, type] | None = Noneexist_ok: bool = False )
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, useimage_processor_classes={"pil": ...}). - fast_image_processor_class (
type, opcional) — La clase de procesador de imágenes del backend Torchvision (obsoleta, useimage_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 predeterminadoFalse) — SiTrue, 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.
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
< source >( pretrained_model_name_or_path*inputs**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 (
stro bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si esTrue, se usará el token generado al ejecutarhf 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 querevisionpuede ser cualquier identificador permitido por git. - return_unused_kwargs (
bool, opcional, valor predeterminadoFalse) — Si esFalse, esta función devuelve solo el objeto final del procesador de video. Si esTrue, esta función devuelve unaTuple(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 dekwargsque no se ha utilizado para actualizarvideo_processory que se ignora de lo contrario. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 clavereturn_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=Truecuando 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
< source >( 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 predeterminadoFalse) — SiTrue, permite sobrescribir registros existentes.
Registre un nuevo procesador de video para esta clase.
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
< source >( pretrained_model_name_or_path**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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 (
stroos.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 predeterminadoFalse) — 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 (
stro bool, opcional) — El token que se usará como autorización HTTP bearer para archivos remotos. Si esTrue, se usará el token generado al ejecutarhf 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 querevisionpuede ser cualquier identificador permitido por git. - return_unused_kwargs (
bool, opcional, valor predeterminadoFalse) — Si esFalse, esta función devuelve solo el objeto final de extracción de características. Si esTrue, esta función devuelve unaTuple(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 dekwargsque no se ha utilizado para actualizarfeature_extractory que se ignora de lo contrario. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 clavereturn_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):
- aimv2 — CLIPProcessor (modelo Aimv2Config)
- align — AlignProcessor (modelo AlignConfig)
- altclip — AltCLIPProcessor (modelo AltCLIPConfig)
- aria — AriaProcessor (modelo AriaConfig)
- audioflamingo3 — AudioFlamingo3Processor (modelo AudioFlamingo3Config)
- aya_vision — AyaVisionProcessor (modelo AyaVisionConfig)
- bark — BarkProcessor (modelo BarkConfig)
- blip — BlipProcessor (modelo BlipConfig)
- blip-2 — Blip2Processor (modelo Blip2Config)
- bridgetower — BridgeTowerProcessor (modelo BridgeTowerConfig)
- bros — BrosProcessor (modelo BrosConfig)
- canary — CanaryProcessor (modelo CanaryConfig)
- chameleon — ChameleonProcessor (modelo ChameleonConfig)
- chinese_clip — ChineseCLIPProcessor (modelo ChineseCLIPConfig)
- clap — ClapProcessor (modelo ClapConfig)
- clip — CLIPProcessor (modelo CLIPConfig)
- clipseg — CLIPSegProcessor (modelo CLIPSegConfig)
- clvp — ClvpProcessor (modelo ClvpConfig)
- cohere2_vision — Cohere2VisionProcessor (modelo Cohere2VisionConfig)
- cohere_asr — CohereAsrProcessor (modelo CohereAsrConfig)
- cohere_compass — CohereCompassProcessor (modelo CohereCompassConfig)
- colmodernvbert — ColModernVBertProcessor (modelo ColModernVBertConfig)
- colpali — ColPaliProcessor (modelo ColPaliConfig)
- colqwen2 — ColQwen2Processor (modelo ColQwen2Config)
- cosmos3_edge — Cosmos3EdgeProcessor (modelo Cosmos3EdgeConfig)
- csm — CsmProcessor (modelo CsmConfig)
- deepseek_ocr2 — DeepseekOcr2Processor (modelo DeepseekOcr2Config)
- deepseek_vl — DeepseekVLProcessor (modelo DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridProcessor (modelo DeepseekVLHybridConfig)
- dia — DiaProcessor (modelo DiaConfig)
- diffusion_gemma — Gemma4Processor (modelo DiffusionGemmaConfig)
- edgetam — Sam2Processor (modelo EdgeTamConfig)
- embedding_gemma2 — EmbeddingGemma2Processor (modelo EmbeddingGemma2Config)
- emu3 — Emu3Processor (modelo Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeProcessor (modelo Ernie4_5_VLMoeConfig)
- evolla — EvollaProcessor (modelo EvollaConfig)
- exaone4_5 — Exaone4_5_Processor (modelo Exaone4_5_Config)
- flava — FlavaProcessor (modelo FlavaConfig)
- florence2 — Florence2Processor (modelo Florence2Config)
- fun_asr_nano — FunAsrNanoProcessor (modelo FunAsrNanoConfig)
- fuyu — FuyuProcessor (modelo FuyuConfig)
- gemma3 — Gemma3Processor (modelo Gemma3Config)
- gemma3n — Gemma3nProcessor (modelo Gemma3nConfig)
- gemma4 — Gemma4Processor (modelo Gemma4Config)
- gemma4_unified — Gemma4UnifiedProcessor (modelo Gemma4UnifiedConfig)
- git — GitProcessor (modelo GitConfig)
- glm46v — Glm46VProcessor (modelo Glm46VConfig)
- glm4v — Glm4vProcessor (modelo Glm4vConfig)
- glm4v_moe — Glm4vProcessor (modelo Glm4vMoeConfig)
- glm5_next — Glm5NextProcessor (modelo Glm5NextConfig)
- glm_image — GlmImageProcessor (modelo GlmImageConfig)
- glmasr — GlmAsrProcessor (modelo GlmAsrConfig)
- got_ocr2 — GotOcr2Processor (modelo GotOcr2Config)
- gradium_phonon_tts — PocketTTSProcessor (modelo GradiumPhononTTSConfig)
- granite4_vision — Granite4VisionProcessor (modelo Granite4VisionConfig)
- granite_speech — GraniteSpeechProcessor (modelo GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5Processor (modelo GraniteSpeech5CTCConfig)
- granite_speech_plus — GraniteSpeechProcessor (modelo GraniteSpeechPlusConfig)
- grounding-dino — GroundingDinoProcessor (modelo GroundingDinoConfig)
- groupvit — CLIPProcessor (modelo GroupViTConfig)
- higgs_audio_v2 — HiggsAudioV2Processor (modelo HiggsAudioV2Config)
- hubert — Wav2Vec2Processor (modelo HubertConfig)
- hunyuan_vl — HunYuanVLProcessor (modelo HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Processor (modelo HyperCLOVAXVisionV2Config)
- idefics — IdeficsProcessor (modelo IdeficsConfig)
- idefics2 — Idefics2Processor (modelo Idefics2Config)
- idefics3 — Idefics3Processor (modelo Idefics3Config)
- inkling_mm_model — InklingProcessor (modelo InklingConfig)
- instructblip — InstructBlipProcessor (modelo InstructBlipConfig)
- instructblipvideo — InstructBlipVideoProcessor (modelo InstructBlipVideoConfig)
- internvl — InternVLProcessor (modelo InternVLConfig)
- janus — JanusProcessor (modelo JanusConfig)
- kimi_k25 — Kimi_K25Processor (modelo Kimi_K25Config)
- kyutai_speech_to_text — KyutaiSpeechToTextProcessor (modelo KyutaiSpeechToTextConfig)
- lasr_ctc — LasrProcessor (modelo LasrCTCConfig)
- lasr_encoder — LasrProcessor (modelo LasrEncoderConfig)
- layoutlmv2 — LayoutLMv2Processor (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Processor (modelo LayoutLMv3Config)
- layoutxlm — LayoutXLMProcessor (modelo LayoutXLMConfig)
- lfm2_vl — Lfm2VlProcessor (modelo Lfm2VlConfig)
- lighton_ocr — LightOnOcrProcessor (modelo LightOnOcrConfig)
- llama4 — Llama4Processor (modelo Llama4Config)
- llava — LlavaProcessor (modelo LlavaConfig)
- llava_next — LlavaNextProcessor (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoProcessor (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionProcessor (modelo LlavaOnevisionConfig)
- markuplm — MarkupLMProcessor (modelo MarkupLMConfig)
- metaclip_2 — CLIPProcessor (modelo MetaClip2Config)
- mgp-str — MgpstrProcessor (modelo MgpstrConfig)
- minicpm_ocr — MiniCPMOcrProcessor (modelo MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6Processor (modelo MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7Processor (modelo MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3VLProcessor (modelo MiniMaxM3VLConfig)
- mistral3 — PixtralProcessor (modelo Mistral3Config)
- mistral_large4 — PixtralProcessor (modelo MistralLarge4Config)
- mllama — MllamaProcessor (modelo MllamaConfig)
- mm-grounding-dino — GroundingDinoProcessor (modelo MMGroundingDinoConfig)
- modernvbert — Idefics3Processor (modelo ModernVBertConfig)
- molmo2 — Molmo2Processor (modelo Molmo2Config)
- moonshine — Wav2Vec2Processor (modelo MoonshineConfig)
- moonshine_streaming — MoonshineStreamingProcessor (modelo MoonshineStreamingConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeProcessor (modelo MossTranscribeDiarizeConfig)
- muse_glimmer — MuseGlimmerProcessor (modelo MuseGlimmerConfig)
- muse_spark — MuseSparkProcessor (modelo MuseSparkConfig)
- musicflamingo — MusicFlamingoProcessor (modelo MusicFlamingoConfig)
- musicgen — MusicgenProcessor (modelo MusicgenConfig)
- musicgen_melody — MusicgenMelodyProcessor (modelo MusicgenMelodyConfig)
- nemo_speechlm — Nemotron3_5TranscribeProcessor (modelo Nemotron3_5TranscribeConfig)
- nemotron3_5_asr — Nemotron3_5AsrProcessor (modelo Nemotron3_5AsrConfig)
- nemotron3_diarization — Nemotron3DiarizationProcessor (modelo Nemotron3DiarizationConfig)
- nemotron_asr_streaming — NemotronAsrStreamingProcessor (modelo NemotronAsrStreamingConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3Processor (modelo NemotronH_Omni_Reasoning_V3_Config)
- neomme — NeoMMEProcessor (modelo NeoMMEConfig)
- nougat — NougatProcessor (modelo NougatConfig)
- omdet-turbo — OmDetTurboProcessor (modelo OmDetTurboConfig)
- oneformer — OneFormerProcessor (modelo OneFormerConfig)
- ovis2 — Ovis2Processor (modelo Ovis2Config)
- owlv2 — Owlv2Processor (modelo Owlv2Config)
- owlvit — OwlViTProcessor (modelo OwlViTConfig)
- paddleocr_vl — PaddleOCRVLProcessor (modelo PaddleOCRVLConfig)
- paligemma — PaliGemmaProcessor (modelo PaliGemmaConfig)
- parakeet_ctc — ParakeetProcessor (modelo ParakeetCTCConfig)
- parakeet_rnnt — ParakeetProcessor (modelo ParakeetRNNTConfig)
- parakeet_tdt — ParakeetProcessor (modelo ParakeetTDTConfig)
- pe_audio — PeAudioProcessor (modelo PeAudioConfig)
- pe_audio_video — PeAudioVideoProcessor (modelo PeAudioVideoConfig)
- pe_video — PeVideoProcessor (modelo PeVideoConfig)
- perception_lm — PerceptionLMProcessor (modelo PerceptionLMConfig)
- phi4_multimodal — Phi4MultimodalProcessor (modelo Phi4MultimodalConfig)
- pi0 — PI0Processor (modelo PI0Config)
- pix2struct — Pix2StructProcessor (modelo Pix2StructConfig)
- pixtral — PixtralProcessor (modelo PixtralVisionConfig)
- pocket_tts — PocketTTSProcessor (modelo PocketTTSConfig)
- pop2piano — Pop2PianoProcessor (modelo Pop2PianoConfig)
- pp_chart2table — PPChart2TableProcessor (modelo PPChart2TableConfig)
- pp_formulanet — PPFormulaNetProcessor (modelo PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRProcessor (modelo QianfanOCRConfig)
- qwen2_5_omni — Qwen2_5OmniProcessor (modelo Qwen2_5OmniConfig)
- qwen2_5_vl — Qwen2_5_VLProcessor (modelo Qwen2_5_VLConfig)
- qwen2_audio — Qwen2AudioProcessor (modelo Qwen2AudioConfig)
- qwen2_vl — Qwen2VLProcessor (modelo Qwen2VLConfig)
- qwen3_5 — Qwen3VLProcessor (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3VLProcessor (modelo Qwen3_5MoeConfig)
- qwen3_asr — Qwen3ASRProcessor (modelo Qwen3ASRConfig)
- qwen3_omni_moe — Qwen3OmniMoeProcessor (modelo Qwen3OmniMoeConfig)
- qwen3_vl — Qwen3VLProcessor (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLProcessor (modelo Qwen3VLMoeConfig)
- qwen4_exp — Qwen3VLProcessor (modelo Qwen4ExpConfig)
- sam — SamProcessor (modelo SamConfig)
- sam2 — Sam2Processor (modelo Sam2Config)
- sam2_video — Sam2VideoProcessor (modelo Sam2VideoConfig)
- sam3 — Sam3Processor (modelo Sam3Config)
- sam3_lite_text — Sam3Processor (modelo Sam3LiteTextConfig)
- sam3_tracker — Sam3TrackerProcessor (modelo Sam3TrackerConfig)
- sam3_tracker_video — Sam3TrackerVideoProcessor (modelo Sam3TrackerVideoConfig)
- sam3_video — Sam3VideoProcessor (modelo Sam3VideoConfig)
- sam_hq — SamHQProcessor (modelo SamHQConfig)
- seamless_m4t — SeamlessM4TProcessor (modelo SeamlessM4TConfig)
- sew — Wav2Vec2Processor (modelo SEWConfig)
- sew-d — Wav2Vec2Processor (modelo SEWDConfig)
- siglip — SiglipProcessor (modelo SiglipConfig)
- siglip2 — Siglip2Processor (modelo Siglip2Config)
- smolvlm — SmolVLMProcessor (modelo SmolVLMConfig)
- speech_to_text — Speech2TextProcessor (modelo Speech2TextConfig)
- speecht5 — SpeechT5Processor (modelo SpeechT5Config)
- step3p7 — Step3p7Processor (modelo Step3p7Config)
- t5gemma2 — Gemma3Processor (modelo T5Gemma2Config)
- t5gemma2_encoder — Gemma3Processor (modelo T5Gemma2EncoderConfig)
- tipsv2 — Tipsv2Processor (modelo Tipsv2Config)
- trocr — TrOCRProcessor (modelo TrOCRConfig)
- tvp — TvpProcessor (modelo TvpConfig)
- udop — UdopProcessor (modelo UdopConfig)
- ultravbert — Idefics3Processor (modelo UltraVBertConfig)
- unispeech — Wav2Vec2Processor (modelo UniSpeechConfig)
- unispeech-sat — Wav2Vec2Processor (modelo UniSpeechSatConfig)
- unlimited_ocr — UnlimitedOcrProcessor (modelo UnlimitedOcrConfig)
- vibevoice — VibeVoiceProcessor (modelo VibeVoiceConfig)
- vibevoice_asr — VibeVoiceAsrProcessor (modelo VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3Processor (modelo VideoLlama3Config)
- video_llava — VideoLlavaProcessor (modelo VideoLlavaConfig)
- videoprism — VideoPrismProcessor (modelo VideoPrismConfig)
- vilt — ViltProcessor (modelo ViltConfig)
- vipllava — LlavaProcessor (modelo VipLlavaConfig)
- vision-text-dual-encoder — VisionTextDualEncoderProcessor (modelo VisionTextDualEncoderConfig)
- voxtral — VoxtralProcessor (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeProcessor (modelo VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2Processor (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertProcessor (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2Processor (modelo Wav2Vec2ConformerConfig)
- wavlm — Wav2Vec2Processor (modelo WavLMConfig)
- whisper — WhisperProcessor (modelo WhisperConfig)
Es necesario pasar
token=Truecuando 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
< source >( 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
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración ASTConfig: ASTModel (modelo ASTConfig)
- Clase de configuración AXK1Config: AXK1Model (modelo AXK1Config)
- Clase de configuración AXK2Config: AXK2Model (modelo AXK2Config)
- Clase de configuración AfmoeConfig: AfmoeModel (modelo AfmoeConfig)
- Clase de configuración Aimv2Config: Aimv2Model (modelo Aimv2Config)
- Clase de configuración Aimv2VisionConfig: Aimv2VisionModel (modelo Aimv2VisionConfig)
- Clase de configuración AlbertConfig: AlbertModel (modelo AlbertConfig)
- Clase de configuración AlignConfig: AlignModel (modelo AlignConfig)
- Clase de configuración AltCLIPConfig: AltCLIPModel (modelo AltCLIPConfig)
- Clase de configuración ApertusConfig: ApertusModel (modelo ApertusConfig)
- Clase de configuración ArceeConfig: ArceeModel (modelo ArceeConfig)
- Clase de configuración AriaConfig: AriaModel (modelo AriaConfig)
- Clase de configuración AriaTextConfig: AriaTextModel (modelo AriaTextConfig)
- Clase de configuración AudioFlamingo3Config: AudioFlamingo3Model (modelo AudioFlamingo3Config)
- Clase de configuración AudioFlamingo3EncoderConfig: AudioFlamingo3Encoder (modelo AudioFlamingo3EncoderConfig)
- Clase de configuración AutoformerConfig: AutoformerModel (modelo AutoformerConfig)
- Clase de configuración AyaVisionConfig: AyaVisionModel (modelo AyaVisionConfig)
- Clase de configuración BailingHybridConfig: BailingHybridModel (modelo BailingHybridConfig)
- Clase de configuración BambaConfig: BambaModel (modelo BambaConfig)
- Clase de configuración BarkConfig: BarkModel (modelo BarkConfig)
- Clase de configuración BartConfig: BartModel (modelo BartConfig)
- Clase de configuración BeamConfig: BeamModel (modelo BeamConfig)
- Clase de configuración BeitConfig: BeitModel (modelo BeitConfig)
- Clase de configuración BertConfig: BertModel (modelo BertConfig)
- Clase de configuración BertGenerationConfig: BertGenerationEncoder (modelo BertGenerationConfig)
- Clase de configuración BigBirdConfig: BigBirdModel (modelo BigBirdConfig)
- Clase de configuración BigBirdPegasusConfig: BigBirdPegasusModel (modelo BigBirdPegasusConfig)
- Clase de configuración BioGptConfig: BioGptModel (modelo BioGptConfig)
- Clase de configuración BitConfig: BitModel (modelo BitConfig)
- Clase de configuración BitNetConfig: BitNetModel (modelo BitNetConfig)
- Clase de configuración BlenderbotConfig: BlenderbotModel (modelo BlenderbotConfig)
- Clase de configuración BlenderbotSmallConfig: BlenderbotSmallModel (modelo BlenderbotSmallConfig)
- Clase de configuración Blip2Config: Blip2Model (modelo Blip2Config)
- Clase de configuración Blip2QFormerConfig: Blip2QFormerModel (modelo Blip2QFormerConfig)
- Clase de configuración BlipConfig: BlipModel (modelo BlipConfig)
- Clase de configuración BloomConfig: BloomModel (modelo BloomConfig)
- Clase de configuración BltConfig: BltModel (modelo BltConfig)
- Clase de configuración BridgeTowerConfig: BridgeTowerModel (modelo BridgeTowerConfig)
- Clase de configuración BrosConfig: BrosModel (modelo BrosConfig)
- Clase de configuración CLIPConfig: CLIPModel (modelo CLIPConfig)
- Clase de configuración CLIPSegConfig: CLIPSegModel (modelo CLIPSegConfig)
- Clase de configuración CLIPTextConfig: CLIPTextModel (modelo CLIPTextConfig)
- Clase de configuración CLIPVisionConfig: CLIPVisionModel (modelo CLIPVisionConfig)
- Clase de configuración CTRLConfig: CTRLModel (modelo CTRLConfig)
- Clase de configuración CamembertConfig: CamembertModel (modelo CamembertConfig)
- Clase de configuración CanaryConfig: CanaryModel (modelo CanaryConfig)
- Clase de configuración CanineConfig: CanineModel (modelo CanineConfig)
- Clase de configuración ChameleonConfig: ChameleonModel (modelo ChameleonConfig)
- Clase de configuración ChineseCLIPConfig: ChineseCLIPModel (modelo ChineseCLIPConfig)
- Clase de configuración ChineseCLIPVisionConfig: ChineseCLIPVisionModel (modelo ChineseCLIPVisionConfig)
- Clase de configuración ClapConfig: ClapModel (modelo ClapConfig)
- Clase de configuración ClvpConfig: ClvpModelForConditionalGeneration (modelo ClvpConfig)
- Clase de configuración CodeGenConfig: CodeGenModel (modelo CodeGenConfig)
- Clase de configuración Cohere2Config: Cohere2Model (modelo Cohere2Config)
- Clase de configuración Cohere2MoeConfig: Cohere2MoeModel (modelo Cohere2MoeConfig)
- Clase de configuración Cohere2VisionConfig: Cohere2VisionModel (modelo Cohere2VisionConfig)
- Clase de configuración CohereAsrConfig: CohereAsrModel (modelo CohereAsrConfig)
- Clase de configuración CohereCompassConfig: CohereCompassModel (modelo CohereCompassConfig)
- Clase de configuración CohereCompassTextConfig: CohereCompassTextModel (modelo CohereCompassTextConfig)
- Clase de configuración CohereCompassVisionConfig: CohereCompassVisionModel (modelo CohereCompassVisionConfig)
- Clase de configuración CohereConfig: CohereModel (modelo CohereConfig)
- Clase de configuración ConditionalDetrConfig: ConditionalDetrModel (modelo ConditionalDetrConfig)
- Clase de configuración ConvBertConfig: ConvBertModel (modelo ConvBertConfig)
- Clase de configuración ConvNextConfig: ConvNextModel (modelo ConvNextConfig)
- Clase de configuración ConvNextV2Config: ConvNextV2Model (modelo ConvNextV2Config)
- Clase de configuración Cosmos3EdgeConfig: Cosmos3EdgeModel (modelo Cosmos3EdgeConfig)
- Clase de configuración Cosmos3EdgeTextConfig: Cosmos3EdgeTextModel (modelo Cosmos3EdgeTextConfig)
- Clase de configuración Cosmos3EdgeVisionConfig: Cosmos3EdgeVisionModel (modelo Cosmos3EdgeVisionConfig)
- Clase de configuración Cosmos3OmniConfig: Cosmos3OmniModel (modelo Cosmos3OmniConfig)
- Clase de configuración CpmAntConfig: CpmAntModel (modelo CpmAntConfig)
- Clase de configuración CsmConfig: CsmForConditionalGeneration (modelo CsmConfig)
- Clase de configuración CvtConfig: CvtModel (modelo CvtConfig)
- Clase de configuración CwmConfig: CwmModel (modelo CwmConfig)
- Clase de configuración DFineConfig: DFineModel (modelo DFineConfig)
- Clase de configuración DINOv3ConvNextConfig: DINOv3ConvNextModel (modelo DINOv3ConvNextConfig)
- Clase de configuración DINOv3ViTConfig: DINOv3ViTModel (modelo DINOv3ViTConfig)
- Clase de configuración DPRConfig: DPRQuestionEncoder (modelo DPRConfig)
- Clase de configuración DPTConfig: DPTModel (modelo DPTConfig)
- Clase de configuración DabDetrConfig: DabDetrModel (modelo DabDetrConfig)
- Clase de configuración DacConfig: DacModel (modelo DacConfig)
- Clase de configuración Data2VecAudioConfig: Data2VecAudioModel (modelo Data2VecAudioConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextModel (modelo Data2VecTextConfig)
- Clase de configuración Data2VecVisionConfig: Data2VecVisionModel (modelo Data2VecVisionConfig)
- Clase de configuración DbrxConfig: DbrxModel (modelo DbrxConfig)
- Clase de configuración DebertaConfig: DebertaModel (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2Model (modelo DebertaV2Config)
- Clase de configuración DecisionTransformerConfig: DecisionTransformerModel (modelo DecisionTransformerConfig)
- Clase de configuración DeepseekOcr2Config: DeepseekOcr2Model (modelo DeepseekOcr2Config)
- Clase de configuración DeepseekV2Config: DeepseekV2Model (modelo DeepseekV2Config)
- Clase de configuración DeepseekV32Config: DeepseekV32Model (modelo DeepseekV32Config)
- Clase de configuración DeepseekV3Config: DeepseekV3Model (modelo DeepseekV3Config)
- Clase de configuración DeepseekV4Config: DeepseekV4Model (modelo DeepseekV4Config)
- Clase de configuración DeepseekVLConfig: DeepseekVLModel (modelo DeepseekVLConfig)
- Clase de configuración DeepseekVLHybridConfig: DeepseekVLHybridModel (modelo DeepseekVLHybridConfig)
- Clase de configuración DeformableDetrConfig: DeformableDetrModel (modelo DeformableDetrConfig)
- Clase de configuración DeiTConfig: DeiTModel (modelo DeiTConfig)
- Clase de configuración Deimv2Config: Deimv2Model (modelo Deimv2Config)
- Clase de configuración DepthProConfig: DepthProModel (modelo DepthProConfig)
- Clase de configuración DetrConfig: DetrModel (modelo DetrConfig)
- Clase de configuración DiaConfig: DiaModel (modelo DiaConfig)
- Clase de configuración DiffLlamaConfig: DiffLlamaModel (modelo DiffLlamaConfig)
- Clase de configuración DiffusionGemmaConfig: DiffusionGemmaModel (modelo DiffusionGemmaConfig)
- Clase de configuración DinatConfig: DinatModel (modelo DinatConfig)
- Clase de configuración Dinov2Config: Dinov2Model (modelo Dinov2Config)
- Clase de configuración Dinov2WithRegistersConfig: Dinov2WithRegistersModel (modelo Dinov2WithRegistersConfig)
- Clase de configuración DistilBertConfig: DistilBertModel (modelo DistilBertConfig)
- Clase de configuración DogeConfig: DogeModel (modelo DogeConfig)
- Clase de configuración DonutSwinConfig: DonutSwinModel (modelo DonutSwinConfig)
- Clase de configuración Dots1Config: Dots1Model (modelo Dots1Config)
- Clase de configuración EdgeTamConfig: EdgeTamModel (modelo EdgeTamConfig)
- Clase de configuración EdgeTamVideoConfig: EdgeTamVideoModel (modelo EdgeTamVideoConfig)
- Clase de configuración EdgeTamVisionConfig: EdgeTamVisionModel (modelo EdgeTamVisionConfig)
- Clase de configuración EfficientLoFTRConfig: EfficientLoFTRModel (modelo EfficientLoFTRConfig)
- Clase de configuración EfficientNetConfig: EfficientNetModel (modelo EfficientNetConfig)
- Clase de configuración ElectraConfig: ElectraModel (modelo ElectraConfig)
- Clase de configuración EmbeddingGemma2Config: EmbeddingGemma2Model (modelo EmbeddingGemma2Config)
- Clase de configuración EmbeddingGemma2TextConfig: EmbeddingGemma2TextModel (modelo EmbeddingGemma2TextConfig)
- Clase de configuración Emu3Config: Emu3Model (modelo Emu3Config)
- Clase de configuración EncodecConfig: EncodecModel (modelo EncodecConfig)
- Clase de configuración Ernie4_5Config: Ernie4_5Model (modelo Ernie4_5Config)
- Clase de configuración Ernie4_5_MoeConfig: Ernie4_5_MoeModel (modelo Ernie4_5_MoeConfig)
- Clase de configuración Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeModel (modelo Ernie4_5_VLMoeConfig)
- Clase de configuración ErnieConfig: ErnieModel (modelo ErnieConfig)
- Clase de configuración EsmConfig: EsmModel (modelo EsmConfig)
- Clase de configuración EsmcConfig: EsmcModel (modelo EsmcConfig)
- Clase de configuración EuroBertConfig: EuroBertModel (modelo EuroBertConfig)
- Clase de configuración EvollaConfig: EvollaModel (modelo EvollaConfig)
- Clase de configuración Exaone4Config: Exaone4Model (modelo Exaone4Config)
- Clase de configuración Exaone4_5_Config: Exaone4_5_Model (modelo Exaone4_5_Config)
- Clase de configuración Exaone4_5_VisionConfig: Exaone4_5_VisionModel (modelo Exaone4_5_VisionConfig)
- Clase de configuración ExaoneMoeConfig: ExaoneMoeModel (modelo ExaoneMoeConfig)
- Clase de configuración FNetConfig: FNetModel (modelo FNetConfig)
- Clase de configuración FSMTConfig: FSMTModel (modelo FSMTConfig)
- Clase de configuración FalconConfig: FalconModel (modelo FalconConfig)
- Clase de configuración FalconH1Config: FalconH1Model (modelo FalconH1Config)
- Clase de configuración FalconMambaConfig: FalconMambaModel (modelo FalconMambaConfig)
- Clase de configuración FastSpeech2ConformerConfig: FastSpeech2ConformerModel (modelo FastSpeech2ConformerConfig)
- Clase de configuración FastSpeech2ConformerWithHifiGanConfig: FastSpeech2ConformerWithHifiGan (modelo FastSpeech2ConformerWithHifiGanConfig)
- Clase de configuración FastVlmConfig: FastVlmModel (modelo FastVlmConfig)
- Clase de configuración FlaubertConfig: FlaubertModel (modelo FlaubertConfig)
- Clase de configuración FlavaConfig: FlavaModel (modelo FlavaConfig)
- Clase de configuración FlexOlmoConfig: FlexOlmoModel (modelo FlexOlmoConfig)
- Clase de configuración FlintConfig: FlintModel (modelo FlintConfig)
- Clase de configuración Florence2Config: Florence2Model (modelo Florence2Config)
- Clase de configuración FocalNetConfig: FocalNetModel (modelo FocalNetConfig)
- Clase de configuración FunAsrNanoConfig: FunAsrNanoModel (modelo FunAsrNanoConfig)
- Clase de configuración FunAsrNanoEncoderConfig: FunAsrNanoEncoder (modelo FunAsrNanoEncoderConfig)
- Clase de configuración FunnelConfig: FunnelModel o FunnelBaseModel (modelo FunnelConfig)
- Clase de configuración FuyuConfig: FuyuModel (modelo FuyuConfig)
- Clase de configuración GLPNConfig: GLPNModel (modelo GLPNConfig)
- Clase de configuración GPT2Config: GPT2Model (modelo GPT2Config)
- Clase de configuración GPTBigCodeConfig: GPTBigCodeModel (modelo GPTBigCodeConfig)
- Clase de configuración GPTJConfig: GPTJModel (modelo GPTJConfig)
- Clase de configuración GPTNeoConfig: GPTNeoModel (modelo GPTNeoConfig)
- Clase de configuración GPTNeoXConfig: GPTNeoXModel (modelo GPTNeoXConfig)
- Clase de configuración GPTNeoXJapaneseConfig: GPTNeoXJapaneseModel (modelo GPTNeoXJapaneseConfig)
- Clase de configuración Gemma2Config: Gemma2Model (modelo Gemma2Config)
- Clase de configuración Gemma3Config: Gemma3Model (modelo Gemma3Config)
- Clase de configuración Gemma3TextConfig: Gemma3TextModel (modelo Gemma3TextConfig)
- Clase de configuración Gemma3nAudioConfig:
Gemma3nAudioEncoder(modelo Gemma3nAudioConfig) - Clase de configuración Gemma3nConfig: Gemma3nModel (modelo Gemma3nConfig)
- Clase de configuración Gemma3nTextConfig: Gemma3nTextModel (modelo Gemma3nTextConfig)
- Clase de configuración Gemma3nVisionConfig: TimmWrapperModel (modelo Gemma3nVisionConfig)
- Clase de configuración Gemma4AudioConfig: Gemma4AudioModel (modelo Gemma4AudioConfig)
- Clase de configuración Gemma4Config: Gemma4Model (modelo Gemma4Config)
- Clase de configuración Gemma4TextConfig: Gemma4TextModel (modelo Gemma4TextConfig)
- Clase de configuración Gemma4UnifiedConfig: Gemma4UnifiedModel (modelo Gemma4UnifiedConfig)
- Clase de configuración Gemma4UnifiedTextConfig: Gemma4UnifiedTextModel (modelo Gemma4UnifiedTextConfig)
- Clase de configuración Gemma4VisionConfig: Gemma4VisionModel (modelo Gemma4VisionConfig)
- Clase de configuración GemmaConfig: GemmaModel (modelo GemmaConfig)
- Clase de configuración GitConfig: GitModel (modelo de GitConfig)
- Clase de configuración Glm46VConfig: Glm46VModel (modelo Glm46VConfig)
- Clase de configuración Glm4Config: Glm4Model (modelo Glm4Config)
- Clase de configuración Glm4MoeConfig: Glm4MoeModel (modelo Glm4MoeConfig)
- Clase de configuración Glm4MoeLiteConfig: Glm4MoeLiteModel (modelo Glm4MoeLiteConfig)
- Clase de configuración Glm4vConfig: Glm4vModel (modelo Glm4vConfig)
- Clase de configuración Glm4vMoeConfig: Glm4vMoeModel (modelo Glm4vMoeConfig)
- Clase de configuración Glm4vMoeTextConfig: Glm4vMoeTextModel (modelo Glm4vMoeTextConfig)
- Clase de configuración Glm4vMoeVisionConfig: Glm4vMoeVisionModel (modelo Glm4vMoeVisionConfig)
- Clase de configuración Glm4vTextConfig: Glm4vTextModel (modelo Glm4vTextConfig)
- Clase de configuración Glm4vVisionConfig: Glm4vVisionModel (modelo Glm4vVisionConfig)
- Clase de configuración Glm5NextConfig: Glm5NextModel (modelo Glm5NextConfig)
- Clase de configuración Glm5NextTextConfig: Glm5NextTextModel (modelo Glm5NextTextConfig)
- Clase de configuración Glm5NextVisionConfig: Glm5NextVisionModel (modelo Glm5NextVisionConfig)
- Clase de configuración GlmAsrConfig: GlmAsrModel (modelo GlmAsrConfig)
- Clase de configuración GlmAsrEncoderConfig: GlmAsrEncoder (modelo GlmAsrEncoderConfig)
- Clase de configuración GlmConfig: GlmModel (modelo GlmConfig)
- Clase de configuración GlmImageConfig: GlmImageModel (modelo GlmImageConfig)
- Clase de configuración GlmImageTextConfig: GlmImageTextModel (modelo GlmImageTextConfig)
- Clase de configuración GlmImageVQVAEConfig: GlmImageVQVAE (modelo GlmImageVQVAEConfig)
- Clase de configuración GlmImageVisionConfig: GlmImageVisionModel (modelo GlmImageVisionConfig)
- Clase de configuración GlmMoeDsaConfig: GlmMoeDsaModel (modelo GlmMoeDsaConfig)
- Clase de configuración GlmOcrConfig: GlmOcrModel (modelo GlmOcrConfig)
- Clase de configuración GlmOcrTextConfig: GlmOcrTextModel (modelo GlmOcrTextConfig)
- Clase de configuración GlmOcrVisionConfig: GlmOcrVisionModel (modelo GlmOcrVisionConfig)
- Clase de configuración GlmgaConfig: Glm46VModel (modelo GlmgaConfig)
- Clase de configuración GotOcr2Config: GotOcr2Model (modelo GotOcr2Config)
- Clase de configuración GptOssConfig: GptOssModel (modelo GptOssConfig)
- Clase de configuración GradiumPhononTTSConfig: GradiumPhononTTSModel (modelo GradiumPhononTTSConfig)
- Clase de configuración Granite4VisionConfig: Granite4VisionModel (modelo Granite4VisionConfig)
- Clase de configuración GraniteConfig: GraniteModel (modelo GraniteConfig)
- Clase de configuración GraniteMoeConfig: GraniteMoeModel (modelo GraniteMoeConfig)
- Clase de configuración GraniteMoeHybridConfig: GraniteMoeHybridModel (modelo GraniteMoeHybridConfig)
- Clase de configuración GraniteMoeSWAConfig: GraniteMoeSWAModel (modelo GraniteMoeSWAConfig)
- Clase de configuración GraniteMoeSharedConfig: GraniteMoeSharedModel (modelo GraniteMoeSharedConfig)
- Clase de configuración GraniteSWAConfig: GraniteSWAModel (modelo GraniteSWAConfig)
- Clase de configuración GraniteSpeech5CTCConfig: GraniteSpeech5ForCTC (modelo GraniteSpeech5CTCConfig)
- Clase de configuración GraniteSpeech5EncoderConfig: GraniteSpeech5Encoder (modelo GraniteSpeech5EncoderConfig)
- Clase de configuración GraniteSpeechConfig: GraniteSpeechModel (modelo GraniteSpeechConfig)
- Clase de configuración GraniteSpeechPlusConfig: GraniteSpeechPlusModel (modelo GraniteSpeechPlusConfig)
- Clase de configuración GroundingDinoConfig: GroundingDinoModel (modelo GroundingDinoConfig)
- Clase de configuración GroupViTConfig: GroupViTModel (modelo GroupViTConfig)
- Clase de configuración GteConfig: GteModel (modelo GteConfig)
- Clase de configuración HGNetV2Config: HGNetV2Backbone (modelo HGNetV2Config)
- Clase de configuración HYV3Config: HYV3Model (modelo HYV3Config)
- Clase de configuración HYV4Config: HYV4Model (modelo HYV4Config)
- Clase de configuración HeliumConfig: HeliumModel (modelo HeliumConfig)
- Clase de configuración HieraConfig: HieraModel (modelo HieraConfig)
- Clase de configuración HiggsAudioV2Config: HiggsAudioV2ForConditionalGeneration (modelo HiggsAudioV2Config)
- Clase de configuración HiggsAudioV2TokenizerConfig: HiggsAudioV2TokenizerModel (modelo HiggsAudioV2TokenizerConfig)
- Clase de configuración HrmTextConfig: HrmTextModel (modelo HrmTextConfig)
- Clase de configuración HubertConfig: HubertModel (modelo HubertConfig)
- Clase de configuración HunYuanDenseV1Config: HunYuanDenseV1Model (modelo HunYuanDenseV1Config)
- Clase de configuración HunYuanMoEV1Config: HunYuanMoEV1Model (modelo HunYuanMoEV1Config)
- Clase de configuración HunYuanVLConfig: HunYuanVLModel (modelo HunYuanVLConfig)
- Clase de configuración HunYuanVLTextConfig: HunYuanVLTextModel (modelo HunYuanVLTextConfig)
- Clase de configuración HunYuanVLVisionConfig: HunYuanVLVisionTransformer (modelo HunYuanVLVisionConfig)
- Clase de configuración HyperCLOVAXConfig: HyperCLOVAXModel (modelo HyperCLOVAXConfig)
- Clase de configuración HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2Model (modelo HyperCLOVAXVisionV2Config)
- Clase de configuración IBertConfig: IBertModel (modelo IBertConfig)
- Clase de configuración IJepaConfig: IJepaModel (modelo IJepaConfig)
- Clase de configuración Idefics2Config: Idefics2Model (modelo Idefics2Config)
- Clase de configuración Idefics3Config: Idefics3Model (modelo Idefics3Config)
- Clase de configuración Idefics3VisionConfig: Idefics3VisionTransformer (modelo Idefics3VisionConfig)
- Clase de configuración IdeficsConfig: IdeficsModel (modelo IdeficsConfig)
- Clase de configuración ImageGPTConfig: ImageGPTModel (modelo ImageGPTConfig)
- Clase de configuración InformerConfig: InformerModel (modelo InformerConfig)
- Clase de configuración InklingConfig: InklingModel (modelo InklingConfig)
- Clase de configuración InklingTextConfig: InklingTextModel (modelo InklingTextConfig)
- Clase de configuración InstructBlipConfig: InstructBlipModel (modelo InstructBlipConfig)
- Clase de configuración InstructBlipVideoConfig: InstructBlipVideoModel (modelo InstructBlipVideoConfig)
- Clase de configuración InternVLConfig: InternVLModel (modelo InternVLConfig)
- Clase de configuración InternVLVisionConfig: InternVLVisionModel (modelo InternVLVisionConfig)
- Clase de configuración Jais2Config: Jais2Model (modelo Jais2Config)
- Clase de configuración JambaConfig: JambaModel (modelo JambaConfig)
- Clase de configuración JanusConfig: JanusModel (modelo JanusConfig)
- Clase de configuración JetMoeConfig: JetMoeModel (modelo JetMoeConfig)
- Clase de configuración JinaEmbeddingsV3Config: JinaEmbeddingsV3Model (modelo JinaEmbeddingsV3Config)
- Clase de configuración KimiLinearConfig: KimiLinearModel (modelo KimiLinearConfig)
- Clase de configuración Kimi_K25Config: Kimi_K25Model (modelo Kimi_K25Config)
- Clase de configuración Kimi_K25VisionConfig: Kimi_K25VisionModel (modelo Kimi_K25VisionConfig)
- Clase de configuración Kolibri1Config: Kolibri1Model (modelo Kolibri1Config)
- Clase de configuración Kosmos2Config: Kosmos2Model (modelo Kosmos2Config)
- Clase de configuración Kosmos2_5Config: Kosmos2_5Model (modelo Kosmos2_5Config)
- Clase de configuración KyutaiSpeechToTextConfig: KyutaiSpeechToTextModel (modelo KyutaiSpeechToTextConfig)
- Clase de configuración LEDConfig: LEDModel (modelo LEDConfig)
- Clase de configuración LagunaConfig: LagunaModel (modelo LagunaConfig)
- Clase de configuración LasrCTCConfig: LasrForCTC (modelo LasrCTCConfig)
- Clase de configuración LasrEncoderConfig: LasrEncoder (modelo LasrEncoderConfig)
- Clase de configuración LayoutLMConfig: LayoutLMModel (modelo LayoutLMConfig)
- Clase de configuración LayoutLMv2Config: LayoutLMv2Model (modelo LayoutLMv2Config)
- Clase de configuración LayoutLMv3Config: LayoutLMv3Model (modelo LayoutLMv3Config)
- Clase de configuración LevitConfig: LevitModel (modelo LevitConfig)
- Clase de configuración Lfm2Config: Lfm2Model (modelo Lfm2Config)
- Clase de configuración Lfm2MoeConfig: Lfm2MoeModel (modelo Lfm2MoeConfig)
- Clase de configuración Lfm2VlConfig: Lfm2VlModel (modelo Lfm2VlConfig)
- Clase de configuración Lfm3Config: Lfm3Model (modelo Lfm3Config)
- Clase de configuración LightGlueConfig: LightGlueForKeypointMatching (modelo LightGlueConfig)
- Clase de configuración LightOnOcrConfig: LightOnOcrModel (modelo LightOnOcrConfig)
- Clase de configuración LiltConfig: LiltModel (modelo LiltConfig)
- Clase de configuración Llama4Config: Llama4ForConditionalGeneration (modelo Llama4Config)
- Clase de configuración Llama4TextConfig: Llama4TextModel (modelo Llama4TextConfig)
- Clase de configuración LlamaConfig: LlamaModel (modelo LlamaConfig)
- Clase de configuración LlavaConfig: LlavaModel (modelo LlavaConfig)
- Clase de configuración LlavaNextConfig: LlavaNextModel (modelo LlavaNextConfig)
- Clase de configuración LlavaNextVideoConfig: LlavaNextVideoModel (modelo LlavaNextVideoConfig)
- Clase de configuración LlavaOnevisionConfig: LlavaOnevisionModel (modelo LlavaOnevisionConfig)
- Clase de configuración LongT5Config: LongT5Model (modelo LongT5Config)
- Clase de configuración LongcatFlashConfig: LongcatFlashModel (modelo LongcatFlashConfig)
- Clase de configuración LongformerConfig: LongformerModel (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeModel (modelo LukeConfig)
- Clase de configuración LwDetrConfig: LwDetrModel (modelo LwDetrConfig)
- Clase de configuración LxmertConfig: LxmertModel (modelo LxmertConfig)
- Clase de configuración M2M100Config: M2M100Model (modelo M2M100Config)
- Clase de configuración MBartConfig: MBartModel (modelo MBartConfig)
- Clase de configuración MLCDVisionConfig: MLCDVisionModel (modelo MLCDVisionConfig)
- Clase de configuración MMGroundingDinoConfig: MMGroundingDinoModel (modelo MMGroundingDinoConfig)
- Clase de configuración MPNetConfig: MPNetModel (modelo MPNetConfig)
- Clase de configuración MT5Config: MT5Model (modelo MT5Config)
- Clase de configuración Mamba2Config: Mamba2Model (modelo Mamba2Config)
- Clase de configuración MambaConfig: MambaModel (modelo MambaConfig)
- Clase de configuración MarianConfig: MarianModel (modelo MarianConfig)
- Clase de configuración MarkupLMConfig: MarkupLMModel (modelo MarkupLMConfig)
- Clase de configuración Mask2FormerConfig: Mask2FormerModel (modelo Mask2FormerConfig)
- Clase de configuración MaskFormerConfig: MaskFormerModel (modelo MaskFormerConfig)
- Clase de configuración
MaskFormerSwinConfig:MaskFormerSwinModel(modelo MaskFormerSwinConfig) - Clase de configuración MegatronBertConfig: MegatronBertModel (modelo MegatronBertConfig)
- Clase de configuración MellumConfig: MellumModel (modelo MellumConfig)
- Clase de configuración MetaClip2Config: MetaClip2Model (modelo MetaClip2Config)
- Clase de configuración MgpstrConfig: MgpstrForSceneTextRecognition (modelo MgpstrConfig)
- Clase de configuración MiMoV2FlashConfig: MiMoV2FlashModel (modelo MiMoV2FlashConfig)
- Clase de configuración MimiConfig: MimiModel (modelo MimiConfig)
- Clase de configuración MimiDecoderConfig: MimiDecoderModel (modelo MimiDecoderConfig)
- Clase de configuración MimiEncoderConfig: MimiEncoderModel (modelo MimiEncoderConfig)
- Clase de configuración MiniCPM3Config: MiniCPM3Model (modelo MiniCPM3Config)
- Clase de configuración MiniCPMOcrConfig: MiniCPMOcrModel (modelo MiniCPMOcrConfig)
- Clase de configuración MiniCPMOcrVisionConfig: MiniCPMOcrVisionModel (modelo MiniCPMOcrVisionConfig)
- Clase de configuración MiniCPMV4_6Config: MiniCPMV4_6Model (modelo MiniCPMV4_6Config)
- Clase de configuración MiniCPMV4_7Config: MiniCPMV4_7Model (modelo MiniCPMV4_7Config)
- Clase de configuración MiniCPMV4_7VisionConfig: MiniCPMV4_7VisionModel (modelo MiniCPMV4_7VisionConfig)
- Clase de configuración MiniMaxConfig: MiniMaxModel (modelo MiniMaxConfig)
- Clase de configuración MiniMaxM2Config: MiniMaxM2Model (modelo MiniMaxM2Config)
- Clase de configuración MiniMaxM3VLConfig: MiniMaxM3VLModel (modelo MiniMaxM3VLConfig)
- Clase de configuración MiniMaxM3VLTextConfig: MiniMaxM3VLTextModel (modelo MiniMaxM3VLTextConfig)
- Clase de configuración Ministral3Config: Ministral3Model (modelo Ministral3Config)
- Clase de configuración MinistralConfig: MinistralModel (modelo MinistralConfig)
- Clase de configuración Mistral3Config: Mistral3Model (modelo Mistral3Config)
- Clase de configuración Mistral4Config: Mistral4Model (modelo Mistral4Config)
- Clase de configuración MistralConfig: MistralModel (modelo MistralConfig)
- Clase de configuración MistralLarge4Config: MistralLarge4Model (modelo MistralLarge4Config)
- Clase de configuración MistralLarge4TextConfig: MistralLarge4TextModel (modelo MistralLarge4TextConfig)
- Clase de configuración MixtralConfig: MixtralModel (modelo MixtralConfig)
- Clase de configuración MllamaConfig: MllamaModel (modelo MllamaConfig)
- Clase de configuración MobileBertConfig: MobileBertModel (modelo MobileBertConfig)
- Clase de configuración MobileNetV1Config: MobileNetV1Model (modelo MobileNetV1Config)
- Clase de configuración MobileNetV2Config: MobileNetV2Model (modelo MobileNetV2Config)
- Clase de configuración MobileViTConfig: MobileViTModel (modelo MobileViTConfig)
- Clase de configuración MobileViTV2Config: MobileViTV2Model (modelo MobileViTV2Config)
- Clase de configuración ModernBertConfig: ModernBertModel (modelo ModernBertConfig)
- Clase de configuración ModernBertDecoderConfig: ModernBertDecoderModel (modelo ModernBertDecoderConfig)
- Clase de configuración ModernVBertConfig: ModernVBertModel (modelo ModernVBertConfig)
- Clase de configuración Molmo2Config: Molmo2Model (modelo Molmo2Config)
- Clase de configuración Molmo2TextConfig: Molmo2TextModel (modelo Molmo2TextConfig)
- Clase de configuración MoonshineConfig: MoonshineModel (modelo MoonshineConfig)
- Clase de configuración MoonshineStreamingConfig: MoonshineStreamingModel (modelo MoonshineStreamingConfig)
- Clase de configuración MoshiConfig: MoshiModel (modelo MoshiConfig)
- Clase de configuración MossTranscribeDiarizeAudioConfig: MossTranscribeDiarizeAudioModel (modelo MossTranscribeDiarizeAudioConfig)
- Clase de configuración MossTranscribeDiarizeConfig: MossTranscribeDiarizeModel (modelo MossTranscribeDiarizeConfig)
- Clase de configuración MptConfig: MptModel (modelo MptConfig)
- Clase de configuración MraConfig: MraModel (modelo MraConfig)
- Clase de configuración MuseGlimmerAssistantConfig: MuseGlimmerAssistantModel (modelo MuseGlimmerAssistantConfig)
- Clase de configuración MuseGlimmerConfig: MuseGlimmerModel (modelo MuseGlimmerConfig)
- Clase de configuración MuseGlimmerTextConfig: MuseGlimmerTextModel (modelo MuseGlimmerTextConfig)
- Clase de configuración MuseGlimmerVisionConfig: MuseGlimmerVisionModel (modelo MuseGlimmerVisionConfig)
- Clase de configuración MuseSparkAudioConfig: MuseSparkAudioModel (modelo MuseSparkAudioConfig)
- Clase de configuración MuseSparkConfig: MuseSparkModel (modelo MuseSparkConfig)
- Clase de configuración MuseSparkTextConfig: MuseSparkTextModel (modelo MuseSparkTextConfig)
- Clase de configuración MuseSparkVisionConfig: MuseSparkVisionModel (modelo MuseSparkVisionConfig)
- Clase de configuración MusicFlamingoConfig: MusicFlamingoModel (modelo MusicFlamingoConfig)
- Clase de configuración MusicgenConfig: MusicgenModel (modelo MusicgenConfig)
- Clase de configuración MusicgenMelodyConfig: MusicgenMelodyModel (modelo MusicgenMelodyConfig)
- Clase de configuración MvpConfig: MvpModel (modelo MvpConfig)
- Clase de configuración NanoChatConfig: NanoChatModel (modelo NanoChatConfig)
- Clase de configuración Nemotron3DiarizationAudioConfig: Nemotron3DiarizationAudioModel (modelo Nemotron3DiarizationAudioConfig)
- Clase de configuración Nemotron3DiarizationConfig: Nemotron3DiarizationModel (modelo Nemotron3DiarizationConfig)
- Clase de configuración Nemotron3_5AsrConfig: Nemotron3_5AsrForRNNT (modelo Nemotron3_5AsrConfig)
- Clase de configuración Nemotron3_5TranscribeAsrAudioConfig: Nemotron3_5TranscribeAsrAudioModel (modelo Nemotron3_5TranscribeAsrAudioConfig)
- Clase de configuración Nemotron3_5TranscribeAudioConfig: Nemotron3_5TranscribeAudioModel (modelo Nemotron3_5TranscribeAudioConfig)
- Clase de configuración Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeModel (modelo Nemotron3_5TranscribeConfig)
- Clase de configuración Nemotron3_5TranscribeWordTimestampConfig: Nemotron3_5TranscribeWordTimestampModel (modelo Nemotron3_5TranscribeWordTimestampConfig)
- Clase de configuración NemotronAsrStreamingConfig: NemotronAsrStreamingForRNNT (modelo NemotronAsrStreamingConfig)
- Clase de configuración NemotronAsrStreamingEncoderConfig: NemotronAsrStreamingEncoder (modelo NemotronAsrStreamingEncoderConfig)
- Clase de configuración NemotronConfig: NemotronModel (modelo NemotronConfig)
- Clase de configuración NemotronHConfig: NemotronHModel (modelo NemotronHConfig)
- Clase de configuración NeoMMEConfig: NeoMMEModel (modelo NeoMMEConfig)
- Clase de configuración NeuCodecConfig: NeuCodecModel (modelo NeuCodecConfig)
- Clase de configuración NllbMoeConfig: NllbMoeModel (modelo NllbMoeConfig)
- Clase de configuración NomicBertConfig: NomicBertModel (modelo NomicBertConfig)
- Clase de configuración NystromformerConfig: NystromformerModel (modelo NystromformerConfig)
- Clase de configuración OPTConfig: OPTModel (modelo OPTConfig)
- Clase de configuración Olmo2Config: Olmo2Model (modelo Olmo2Config)
- Clase de configuración Olmo3Config: Olmo3Model (modelo Olmo3Config)
- Clase de configuración OlmoConfig: OlmoModel (modelo OlmoConfig)
- Clase de configuración OlmoHybridConfig: OlmoHybridModel (modelo OlmoHybridConfig)
- Clase de configuración OlmoeConfig: OlmoeModel (modelo OlmoeConfig)
- Clase de configuración OmDetTurboConfig: OmDetTurboForObjectDetection (modelo OmDetTurboConfig)
- Clase de configuración OneFormerConfig: OneFormerModel (modelo OneFormerConfig)
- Clase de configuración OpenAIGPTConfig: OpenAIGPTModel (modelo OpenAIGPTConfig)
- Clase de configuración OpenAIPrivacyFilterConfig: OpenAIPrivacyFilterModel (modelo OpenAIPrivacyFilterConfig)
- Clase de configuración Ovis2Config: Ovis2Model (modelo Ovis2Config)
- Clase de configuración OwlViTConfig: OwlViTModel (modelo OwlViTConfig)
- Clase de configuración Owlv2Config: Owlv2Model (modelo Owlv2Config)
- Clase de configuración PI0Config: PI0Model (modelo PI0Config)
- Clase de configuración PLBartConfig: PLBartModel (modelo PLBartConfig)
- Clase de configuración PPDocLayoutV3Config: PPDocLayoutV3Model (modelo PPDocLayoutV3Config)
- Clase de configuración PPDocLayoutV4Config: PPDocLayoutV4Model (modelo PPDocLayoutV4Config)
- Clase de configuración PPOCRV5MobileRecConfig: PPOCRV5MobileRecModel (modelo PPOCRV5MobileRecConfig)
- Clase de configuración PPOCRV5ServerRecConfig: PPOCRV5ServerRecModel (modelo PPOCRV5ServerRecConfig)
- Clase de configuración PPOCRV6MediumDetConfig: PPOCRV6MediumDetModel (modelo PPOCRV6MediumDetConfig)
- Clase de configuración PPOCRV6SmallDetConfig: PPOCRV6SmallDetModel (modelo PPOCRV6SmallDetConfig)
- Clase de configuración PPOCRV6SmallRecConfig: PPOCRV6SmallRecModel (modelo PPOCRV6SmallRecConfig)
- Clase de configuración PPOCRV6TinyRecConfig: PPOCRV6TinyRecModel (modelo PPOCRV6TinyRecConfig)
- Clase de configuración PaddleOCRVLConfig: PaddleOCRVLModel (modelo PaddleOCRVLConfig)
- Clase de configuración PaliGemmaConfig: PaliGemmaModel (modelo PaliGemmaConfig)
- Clase de configuración ParakeetCTCConfig: ParakeetForCTC (modelo ParakeetCTCConfig)
- Clase de configuración ParakeetEncoderConfig: ParakeetEncoder (modelo ParakeetEncoderConfig)
- Clase de configuración ParakeetRNNTConfig: ParakeetForRNNT (modelo ParakeetRNNTConfig)
- Clase de configuración ParakeetTDTConfig: ParakeetForTDT (modelo ParakeetTDTConfig)
- Clase de configuración PatchTSMixerConfig: PatchTSMixerModel (modelo PatchTSMixerConfig)
- Clase de configuración PatchTSTConfig: PatchTSTModel (modelo PatchTSTConfig)
- Clase de configuración PeAudioConfig: PeAudioModel (modelo PeAudioConfig)
- Clase de configuración PeAudioEncoderConfig: PeAudioEncoder (modelo PeAudioEncoderConfig)
- Clase de configuración PeAudioVideoConfig: PeAudioVideoModel (modelo PeAudioVideoConfig)
- Clase de configuración PeAudioVideoEncoderConfig: PeAudioVideoEncoder (modelo PeAudioVideoEncoderConfig)
- Clase de configuración PeVideoConfig: PeVideoModel (modelo PeVideoConfig)
- Clase de configuración PeVideoEncoderConfig: PeVideoEncoder (modelo PeVideoEncoderConfig)
- Clase de configuración PegasusConfig: PegasusModel (modelo PegasusConfig)
- Clase de configuración PegasusXConfig: PegasusXModel (modelo PegasusXConfig)
- Clase de configuración PerceiverConfig: PerceiverModel (modelo PerceiverConfig)
- Clase de configuración PerceptionLMConfig: PerceptionLMModel (modelo PerceptionLMConfig)
- Clase de configuración PersimmonConfig: PersimmonModel (modelo PersimmonConfig)
- Clase de configuración Phi3Config: Phi3Model (modelo Phi3Config)
- Clase de configuración Phi4MultimodalConfig: Phi4MultimodalModel (modelo Phi4MultimodalConfig)
- Clase de configuración PhiConfig: PhiModel (modelo PhiConfig)
- Clase de configuración PhimoeConfig: PhimoeModel (modelo PhimoeConfig)
- Clase de configuración PixioConfig: PixioModel (modelo PixioConfig)
- Clase de configuración PixtralVisionConfig: PixtralVisionModel (modelo PixtralVisionConfig)
- Clase de configuración PocketTTSAudioTokenizerConfig: PocketTTSAudioTokenizerModel (modelo PocketTTSAudioTokenizerConfig)
- Clase de configuración PocketTTSAudioTokenizerDecoderConfig: PocketTTSAudioTokenizerDecoderModel (modelo PocketTTSAudioTokenizerDecoderConfig)
- Clase de configuración PocketTTSAudioTokenizerEncoderConfig: PocketTTSAudioTokenizerEncoderModel (modelo PocketTTSAudioTokenizerEncoderConfig)
- Clase de configuración PocketTTSConfig: PocketTTSModel (modelo PocketTTSConfig)
- Clase de configuración PoolFormerConfig: PoolFormerModel (modelo PoolFormerConfig)
- Clase de configuración ProphetNetConfig: ProphetNetModel (modelo ProphetNetConfig)
- Clase de configuración PvtConfig: PvtModel (modelo PvtConfig)
- Clase de configuración PvtV2Config: PvtV2Model (modelo PvtV2Config)
- Clase de configuración QianfanOCRConfig: QianfanOCRModel (modelo QianfanOCRConfig)
- Clase de configuración QianfanOCRVisionConfig: QianfanOCRVisionModel (modelo QianfanOCRVisionConfig)
- Clase de configuración Qwen2AudioConfig: Qwen2AudioModel (modelo Qwen2AudioConfig)
- Clase de configuración Qwen2AudioEncoderConfig: Qwen2AudioEncoder (modelo Qwen2AudioEncoderConfig)
- Clase de configuración Qwen2Config: Qwen2Model (modelo Qwen2Config)
- Clase de configuración Qwen2MoeConfig: Qwen2MoeModel (modelo Qwen2MoeConfig)
- Clase de configuración Qwen2VLConfig: Qwen2VLModel (modelo Qwen2VLConfig)
- Clase de configuración Qwen2VLTextConfig: Qwen2VLTextModel (modelo Qwen2VLTextConfig)
- Clase de configuración Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerModel (modelo Qwen2_5OmniThinkerConfig)
- Clase de configuración Qwen2_5_VLConfig: Qwen2_5_VLModel (modelo Qwen2_5_VLConfig)
- Clase de configuración Qwen2_5_VLTextConfig: Qwen2_5_VLTextModel (modelo Qwen2_5_VLTextConfig)
- Clase de configuración Qwen2_5_VLVisionConfig: Qwen2_5_VisionTransformerPretrainedModel (modelo Qwen2_5_VLVisionConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRModel (modelo Qwen3ASRConfig)
- Clase de configuración Qwen3ASREncoderConfig: Qwen3ASREncoder (modelo Qwen3ASREncoderConfig)
- Clase de configuración Qwen3Config: Qwen3Model (modelo Qwen3Config)
- Clase de configuración Qwen3MoeConfig: Qwen3MoeModel (modelo Qwen3MoeConfig)
- Clase de configuración Qwen3NextConfig: Qwen3NextModel (modelo Qwen3NextConfig)
- Clase de configuración Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerModel (modelo Qwen3OmniMoeThinkerConfig)
- Clase de configuración Qwen3VLConfig: Qwen3VLModel (modelo Qwen3VLConfig)
- Clase de configuración Qwen3VLMoeConfig: Qwen3VLMoeModel (modelo Qwen3VLMoeConfig)
- Clase de configuración Qwen3VLMoeTextConfig: Qwen3VLMoeTextModel (modelo Qwen3VLMoeTextConfig)
- Clase de configuración Qwen3VLMoeVisionConfig: Qwen3VLMoeVisionModel (modelo Qwen3VLMoeVisionConfig)
- Clase de configuración Qwen3VLTextConfig: Qwen3VLTextModel (modelo Qwen3VLTextConfig)
- Clase de configuración Qwen3VLVisionConfig: Qwen3VLVisionModel (modelo Qwen3VLVisionConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5Model (modelo Qwen3_5Config)
- Clase de configuración Qwen3_5MoeConfig: Qwen3_5MoeModel (modelo Qwen3_5MoeConfig)
- Clase de configuración Qwen3_5MoeTextConfig: Qwen3_5MoeTextModel (modelo Qwen3_5MoeTextConfig)
- Clase de configuración Qwen3_5MoeVisionConfig: Qwen3_5MoeVisionModel (modelo Qwen3_5MoeVisionConfig)
- Clase de configuración Qwen3_5TextConfig: Qwen3_5TextModel (modelo Qwen3_5TextConfig)
- Clase de configuración Qwen3_5VisionConfig: Qwen3_5VisionModel (modelo Qwen3_5VisionConfig)
- Clase de configuración Qwen4ExpConfig: Qwen4ExpModel (modelo Qwen4ExpConfig)
- Clase de configuración Qwen4ExpTextConfig: Qwen4ExpTextModel (modelo Qwen4ExpTextConfig)
- Clase de configuración Qwen4ExpVisionConfig: Qwen4ExpVisionModel (modelo Qwen4ExpVisionConfig)
- Clase de configuración RTDetrConfig: RTDetrModel (modelo RTDetrConfig)
- Clase de configuración RTDetrV2Config: RTDetrV2Model (modelo RTDetrV2Config)
- Clase de configuración RadioConfig: RadioModel (modelo RadioConfig)
- Clase de configuración RecurrentGemmaConfig: RecurrentGemmaModel (modelo RecurrentGemmaConfig)
- Clase de configuración ReformerConfig: ReformerModel (modelo ReformerConfig)
- Clase de configuración RegNetConfig: RegNetModel (modelo RegNetConfig)
- Clase de configuración RemBertConfig: RemBertModel (modelo RemBertConfig)
- Clase de configuración ResNetConfig: ResNetModel (modelo ResNetConfig)
- Clase de configuración RfDetrConfig: RfDetrModel (modelo RfDetrConfig)
- Clase de configuración RoCBertConfig: RoCBertModel (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerModel (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaModel (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormModel (modelo RobertaPreLayerNormConfig)
- Clase de configuración RwkvConfig: RwkvModel (modelo RwkvConfig)
- Clase de configuración SEWConfig: SEWModel (modelo SEWConfig)
- Clase de configuración SEWDConfig: SEWDModel (modelo SEWDConfig)
- Clase de configuración Sam2Config: Sam2Model (modelo Sam2Config)
- Clase de configuración Sam2HieraDetConfig: Sam2HieraDetModel (modelo Sam2HieraDetConfig)
- Clase de configuración Sam2VideoConfig: Sam2VideoModel (modelo Sam2VideoConfig)
- Clase de configuración Sam2VisionConfig: Sam2VisionModel (modelo Sam2VisionConfig)
- Clase de configuración Sam3Config: Sam3Model (modelo Sam3Config)
- Clase de configuración Sam3LiteTextConfig: Sam3LiteTextModel (modelo Sam3LiteTextConfig)
- Clase de configuración Sam3LiteTextTextConfig: Sam3LiteTextTextModel (modelo Sam3LiteTextTextConfig)
- Clase de configuración Sam3TrackerConfig: Sam3TrackerModel (modelo Sam3TrackerConfig)
- Clase de configuración Sam3TrackerVideoConfig: Sam3TrackerVideoModel (modelo Sam3TrackerVideoConfig)
- Clase de configuración Sam3ViTConfig: Sam3ViTModel (modelo Sam3ViTConfig)
- Clase de configuración Sam3VideoConfig: Sam3VideoModel (modelo Sam3VideoConfig)
- Clase de configuración Sam3VisionConfig: Sam3VisionModel (modelo Sam3VisionConfig)
- Clase de configuración SamConfig: SamModel (modelo SamConfig)
- Clase de configuración SamHQConfig: SamHQModel (modelo SamHQConfig)
- Clase de configuración SamHQVisionConfig: SamHQVisionModel (modelo SamHQVisionConfig)
- Clase de configuración SamVisionConfig: SamVisionModel (modelo SamVisionConfig)
- Clase de configuración Sapiens2Config: Sapiens2Model (modelo Sapiens2Config)
- Clase de configuración SeamlessM4TConfig: SeamlessM4TModel (modelo SeamlessM4TConfig)
- Clase de configuración SeamlessM4Tv2Config: SeamlessM4Tv2Model (modelo SeamlessM4Tv2Config)
- Clase de configuración SeedOssConfig: SeedOssModel (modelo SeedOssConfig)
- Clase de configuración SegGptConfig: SegGptModel (modelo SegGptConfig)
- Clase de configuración SegformerConfig: SegformerModel (modelo SegformerConfig)
- Clase de configuración Siglip2Config: Siglip2Model (modelo Siglip2Config)
- Clase de configuración Siglip2VisionConfig: Siglip2VisionModel (modelo Siglip2VisionConfig)
- Clase de configuración SiglipConfig: SiglipModel (modelo SiglipConfig)
- Clase de configuración SiglipVisionConfig: SiglipVisionModel (modelo SiglipVisionConfig)
- Clase de configuración SmolLM3Config: SmolLM3Model (modelo SmolLM3Config)
- Clase de configuración SmolVLMConfig: SmolVLMModel (modelo SmolVLMConfig)
- Clase de configuración SmolVLMVisionConfig: SmolVLMVisionTransformer (modelo SmolVLMVisionConfig)
- Clase de configuración SolarOpenConfig: SolarOpenModel (modelo SolarOpenConfig)
- Clase de configuración Speech2TextConfig: Speech2TextModel (modelo Speech2TextConfig)
- Clase de configuración SpeechT5Config: SpeechT5Model (modelo SpeechT5Config)
- Clase de configuración SplinterConfig: SplinterModel (modelo SplinterConfig)
- Clase de configuración SqueezeBertConfig: SqueezeBertModel (modelo SqueezeBertConfig)
- Clase de configuración StableLmConfig: StableLmModel (modelo StableLmConfig)
- Clase de configuración Starcoder2Config: Starcoder2Model (modelo Starcoder2Config)
- Clase de configuración Step3p7Config: Step3p7Model (modelo Step3p7Config)
- Clase de configuración SwiftFormerConfig: SwiftFormerModel (modelo SwiftFormerConfig)
- Clase de configuración Swin2SRConfig: Swin2SRModel (modelo Swin2SRConfig)
- Clase de configuración SwinConfig: SwinModel (modelo SwinConfig)
- Clase de configuración Swinv2Config: Swinv2Model (modelo Swinv2Config)
- Clase de configuración SwitchTransformersConfig: SwitchTransformersModel (modelo SwitchTransformersConfig)
- Clase de configuración T5Config: T5Model (modelo T5Config)
- Clase de configuración T5Gemma2Config: T5Gemma2Model (modelo T5Gemma2Config)
- Clase de configuración T5Gemma2EncoderConfig:
T5Gemma2Encoder(modelo T5Gemma2EncoderConfig) - Clase de configuración T5GemmaConfig: T5GemmaModel (modelo T5GemmaConfig)
- Clase de configuración TableTransformerConfig: TableTransformerModel (modelo TableTransformerConfig)
- Clase de configuración TapasConfig: TapasModel (modelo TapasConfig)
- Clase de configuración TextNetConfig: TextNetModel (modelo TextNetConfig)
- Clase de configuración TimeSeriesTransformerConfig: TimeSeriesTransformerModel (modelo TimeSeriesTransformerConfig)
- Clase de configuración TimesFm2_5Config: TimesFm2_5Model (modelo TimesFm2_5Config)
- Clase de configuración TimesFmConfig: TimesFmModel (modelo TimesFmConfig)
- Clase de configuración TimesformerConfig: TimesformerModel (modelo TimesformerConfig)
- Clase de configuración TimmBackboneConfig: TimmBackbone (modelo TimmBackboneConfig)
- Clase de configuración TimmWrapperConfig: TimmWrapperModel (modelo TimmWrapperConfig)
- Clase de configuración Tipsv2Config: Tipsv2Model (modelo Tipsv2Config)
- Clase de configuración Tipsv2TextConfig: Tipsv2TextModel (modelo Tipsv2TextConfig)
- Clase de configuración Tipsv2VisionConfig: Tipsv2VisionModel (modelo Tipsv2VisionConfig)
- Clase de configuración TvpConfig: TvpModel (modelo TvpConfig)
- Clase de configuración UMT5Config: UMT5Model (modelo UMT5Config)
- Clase de configuración UVDocConfig: UVDocModel (modelo UVDocConfig)
- Clase de configuración UdopConfig: UdopModel (modelo UdopConfig)
- Clase de configuración UltraVBertConfig: UltraVBertModel (modelo UltraVBertConfig)
- Clase de configuración UltrabertConfig: UltrabertModel (modelo UltrabertConfig)
- Clase de configuración UniSpeechConfig: UniSpeechModel (modelo UniSpeechConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatModel (modelo UniSpeechSatConfig)
- Clase de configuración UnivNetConfig: UnivNetModel (modelo UnivNetConfig)
- Clase de configuración UnlimitedOcrConfig: UnlimitedOcrModel (modelo UnlimitedOcrConfig)
- Clase de configuración VJEPA2Config: VJEPA2Model (modelo VJEPA2Config)
- Clase de configuración VaultGemmaConfig: VaultGemmaModel (modelo VaultGemmaConfig)
- Clase de configuración ViTConfig: ViTModel (modelo ViTConfig)
- Clase de configuración ViTMAEConfig: ViTMAEModel (modelo ViTMAEConfig)
- Clase de configuración ViTMSNConfig: ViTMSNModel (modelo ViTMSNConfig)
- Clase de configuración VibeVoiceAcousticTokenizerConfig: VibeVoiceAcousticTokenizerModel (modelo VibeVoiceAcousticTokenizerConfig)
- Clase de configuración VibeVoiceAcousticTokenizerDecoderConfig: VibeVoiceAcousticTokenizerDecoderModel (modelo VibeVoiceAcousticTokenizerDecoderConfig)
- Clase de configuración VibeVoiceAcousticTokenizerEncoderConfig: VibeVoiceAcousticTokenizerEncoderModel (modelo VibeVoiceAcousticTokenizerEncoderConfig)
- Clase de configuración VibeVoiceAsrConfig: VibeVoiceAsrModel (modelo VibeVoiceAsrConfig)
- Clase de configuración VibeVoiceConfig: VibeVoiceForConditionalGeneration (modelo VibeVoiceConfig)
- Clase de configuración VideoLlama3Config: VideoLlama3Model (modelo VideoLlama3Config)
- Clase de configuración VideoLlama3VisionConfig: VideoLlama3VisionModel (modelo VideoLlama3VisionConfig)
- Clase de configuración VideoLlavaConfig: VideoLlavaModel (modelo VideoLlavaConfig)
- Clase de configuración VideoMAEConfig: VideoMAEModel (modelo VideoMAEConfig)
- Clase de configuración VideoPrismConfig: VideoPrismClipModel (modelo VideoPrismConfig)
- Clase de configuración VideoPrismVisionConfig: VideoPrismVisionModel (modelo VideoPrismVisionConfig)
- Clase de configuración ViltConfig: ViltModel (modelo ViltConfig)
- Clase de configuración VipLlavaConfig: VipLlavaModel (modelo VipLlavaConfig)
- Clase de configuración VisionTextDualEncoderConfig: VisionTextDualEncoderModel (modelo VisionTextDualEncoderConfig)
- Clase de configuración VisualBertConfig: VisualBertModel (modelo VisualBertConfig)
- Clase de configuración VitDetConfig: VitDetModel (modelo VitDetConfig)
- Clase de configuración VitsConfig: VitsModel (modelo VitsConfig)
- Clase de configuración VivitConfig: VivitModel (modelo VivitConfig)
- Clase de configuración VoxtralConfig: VoxtralModel (modelo VoxtralConfig)
- Clase de configuración VoxtralEncoderConfig: VoxtralEncoder (modelo VoxtralEncoderConfig)
- Clase de configuración VoxtralRealtimeConfig: VoxtralRealtimeModel (modelo VoxtralRealtimeConfig)
- Clase de configuración VoxtralRealtimeEncoderConfig: VoxtralRealtimeEncoder (modelo VoxtralRealtimeEncoderConfig)
- Clase de configuración VoxtralRealtimeTextConfig:
VoxtralRealtimeTextModel(modelo VoxtralRealtimeTextConfig) - Clase de configuración Wav2Vec2BertConfig: Wav2Vec2BertModel (modelo Wav2Vec2BertConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2Model (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerModel (modelo Wav2Vec2ConformerConfig)
- Clase de configuración WavLMConfig: WavLMModel (modelo WavLMConfig)
- Clase de configuración WhisperConfig: WhisperModel (modelo WhisperConfig)
- Clase de configuración XCLIPConfig: XCLIPModel (modelo XCLIPConfig)
- Clase de configuración XGLMConfig: XGLMModel (modelo XGLMConfig)
- Clase de configuración XLMConfig: XLMModel (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaModel (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLModel (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetModel (modelo XLNetConfig)
- Clase de configuración Xcodec2Config: Xcodec2Model (modelo Xcodec2Config)
- Clase de configuración XcodecConfig: XcodecModel (modelo XcodecConfig)
- Clase de configuración XmodConfig: XmodModel (modelo XmodConfig)
- Clase de configuración YolosConfig: YolosModel (modelo YolosConfig)
- Clase de configuración YosoConfig: YosoModel (modelo YosoConfig)
- Clase de configuración YoutuConfig: YoutuModel (modelo YoutuConfig)
- Clase de configuración Zamba2Config: Zamba2Model (modelo Zamba2Config)
- Clase de configuración ZambaConfig: ZambaModel (modelo ZambaConfig)
- Clase de configuración ZayaConfig: ZayaModel (modelo ZayaConfig)
- Clase de configuración xLSTMConfig: xLSTMModel (modelo xLSTMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- afmoe — AfmoeModel (modelo AfmoeConfig)
- aimv2 — Aimv2Model (modelo Aimv2Config)
- aimv2_vision_model — Aimv2VisionModel (modelo Aimv2VisionConfig)
- albert — AlbertModel (modelo AlbertConfig)
- align — AlignModel (modelo AlignConfig)
- altclip — AltCLIPModel (modelo AltCLIPConfig)
- apertus — ApertusModel (modelo ApertusConfig)
- arcee — ArceeModel (modelo ArceeConfig)
- aria — AriaModel (modelo AriaConfig)
- aria_text — AriaTextModel (modelo AriaTextConfig)
- audio-spectrogram-transformer — ASTModel (modelo ASTConfig)
- audioflamingo3 — AudioFlamingo3Model (modelo AudioFlamingo3Config)
- audioflamingo3_encoder — AudioFlamingo3Encoder (modelo AudioFlamingo3EncoderConfig)
- autoformer — AutoformerModel (modelo AutoformerConfig)
- axk1 — AXK1Model (modelo AXK1Config)
- axk2 — AXK2Model (modelo AXK2Config)
- aya_vision — AyaVisionModel (modelo AyaVisionConfig)
- bailing_hybrid — BailingHybridModel (modelo BailingHybridConfig)
- bamba — BambaModel (modelo BambaConfig)
- bark — BarkModel (modelo BarkConfig)
- bart — BartModel (modelo BartConfig)
- beam — BeamModel (modelo BeamConfig)
- beit — BeitModel (modelo BeitConfig)
- bert — BertModel (modelo BertConfig)
- bert-generation — BertGenerationEncoder (modelo BertGenerationConfig)
- big_bird — BigBirdModel (modelo BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusModel (modelo BigBirdPegasusConfig)
- biogpt — BioGptModel (modelo BioGptConfig)
- bit — BitModel (modelo BitConfig)
- bitnet — BitNetModel (modelo BitNetConfig)
- blenderbot — BlenderbotModel (modelo BlenderbotConfig)
- blenderbot-small — BlenderbotSmallModel (modelo BlenderbotSmallConfig)
- blip — BlipModel (modelo BlipConfig)
- blip-2 — Blip2Model (modelo Blip2Config)
- blip_2_qformer — Blip2QFormerModel (modelo Blip2QFormerConfig)
- bloom — BloomModel (modelo BloomConfig)
- blt — BltModel (modelo BltConfig)
- bridgetower — BridgeTowerModel (modelo BridgeTowerConfig)
- bros — BrosModel (modelo BrosConfig)
- camembert — CamembertModel (modelo CamembertConfig)
- canary — CanaryModel (modelo CanaryConfig)
- canine — CanineModel (modelo CanineConfig)
- chameleon — ChameleonModel (modelo ChameleonConfig)
- chinese_clip — ChineseCLIPModel (modelo ChineseCLIPConfig)
- chinese_clip_vision_model — ChineseCLIPVisionModel (modelo ChineseCLIPVisionConfig)
- clap — ClapModel (modelo ClapConfig)
- clip — CLIPModel (modelo CLIPConfig)
- clip_text_model — CLIPTextModel (modelo CLIPTextConfig)
- clip_vision_model — CLIPVisionModel (modelo CLIPVisionConfig)
- clipseg — CLIPSegModel (modelo CLIPSegConfig)
- clvp — ClvpModelForConditionalGeneration (modelo ClvpConfig)
- codegen — CodeGenModel (modelo CodeGenConfig)
- cohere — CohereModel (modelo CohereConfig)
- cohere2 — Cohere2Model (modelo Cohere2Config)
- cohere2_moe — Cohere2MoeModel (modelo Cohere2MoeConfig)
- cohere2_vision — Cohere2VisionModel (modelo Cohere2VisionConfig)
- cohere_asr — CohereAsrModel (modelo CohereAsrConfig)
- cohere_compass — CohereCompassModel (modelo CohereCompassConfig)
- cohere_compass_text — CohereCompassTextModel (modelo CohereCompassTextConfig)
- cohere_compass_vision — CohereCompassVisionModel (modelo CohereCompassVisionConfig)
- conditional_detr — ConditionalDetrModel (modelo ConditionalDetrConfig)
- convbert — ConvBertModel (modelo ConvBertConfig)
- convnext — ConvNextModel (modelo ConvNextConfig)
- convnextv2 — ConvNextV2Model (modelo ConvNextV2Config)
- cosmos3_edge — Cosmos3EdgeModel (modelo Cosmos3EdgeConfig)
- cosmos3_edge_text — Cosmos3EdgeTextModel (modelo Cosmos3EdgeTextConfig)
- cosmos3_edge_vision — Cosmos3EdgeVisionModel (modelo Cosmos3EdgeVisionConfig)
- cosmos3_omni — Cosmos3OmniModel (modelo Cosmos3OmniConfig)
- cpmant — CpmAntModel (modelo CpmAntConfig)
- csm — CsmForConditionalGeneration (modelo CsmConfig)
- ctrl — CTRLModel (modelo CTRLConfig)
- cvt — CvtModel (modelo CvtConfig)
- cwm — CwmModel (modelo CwmConfig)
- d_fine — DFineModel (modelo DFineConfig)
- dab-detr — DabDetrModel (modelo DabDetrConfig)
- dac — DacModel (modelo DacConfig)
- data2vec-audio — Data2VecAudioModel (modelo Data2VecAudioConfig)
- data2vec-text — Data2VecTextModel (modelo Data2VecTextConfig)
- data2vec-vision — Data2VecVisionModel (modelo Data2VecVisionConfig)
- dbrx — DbrxModel (modelo DbrxConfig)
- deberta — DebertaModel (modelo DebertaConfig)
- deberta-v2 — DebertaV2Model (modelo DebertaV2Config)
- decision_transformer — DecisionTransformerModel (modelo DecisionTransformerConfig)
- deepseek_ocr2 — DeepseekOcr2Model (modelo DeepseekOcr2Config)
- deepseek_v2 — DeepseekV2Model (modelo DeepseekV2Config)
- deepseek_v3 — DeepseekV3Model (modelo DeepseekV3Config)
- deepseek_v32 — DeepseekV32Model (modelo DeepseekV32Config)
- deepseek_v4 — DeepseekV4Model (modelo DeepseekV4Config)
- deepseek_vl — DeepseekVLModel (modelo DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridModel (modelo DeepseekVLHybridConfig)
- deformable_detr — DeformableDetrModel (modelo DeformableDetrConfig)
- deimv2 — Deimv2Model (modelo Deimv2Config)
- deit — DeiTModel (modelo DeiTConfig)
- depth_pro — DepthProModel (modelo DepthProConfig)
- detr — DetrModel (modelo DetrConfig)
- dia — DiaModel (modelo DiaConfig)
- diffllama — DiffLlamaModel (modelo DiffLlamaConfig)
- diffusion_gemma — DiffusionGemmaModel (modelo DiffusionGemmaConfig)
- dinat — DinatModel (modelo DinatConfig)
- dinov2 — Dinov2Model (modelo Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersModel (modelo Dinov2WithRegistersConfig)
- dinov3_convnext — DINOv3ConvNextModel (modelo DINOv3ConvNextConfig)
- dinov3_vit — DINOv3ViTModel (modelo DINOv3ViTConfig)
- distilbert — DistilBertModel (modelo DistilBertConfig)
- doge — DogeModel (modelo DogeConfig)
- donut-swin — DonutSwinModel (modelo DonutSwinConfig)
- dots1 — Dots1Model (modelo Dots1Config)
- dpr — DPRQuestionEncoder (modelo DPRConfig)
- dpt — DPTModel (modelo DPTConfig)
- edgetam — EdgeTamModel (modelo EdgeTamConfig)
- edgetam_video — EdgeTamVideoModel (modelo EdgeTamVideoConfig)
- edgetam_vision_model — EdgeTamVisionModel (modelo EdgeTamVisionConfig)
- efficientloftr — EfficientLoFTRModel (modelo EfficientLoFTRConfig)
- efficientnet — EfficientNetModel (modelo EfficientNetConfig)
- electra — ElectraModel (modelo ElectraConfig)
- embedding_gemma2 — EmbeddingGemma2Model (modelo EmbeddingGemma2Config)
- embedding_gemma2_text — EmbeddingGemma2TextModel (modelo EmbeddingGemma2TextConfig)
- emu3 — Emu3Model (modelo Emu3Config)
- encodec — EncodecModel (modelo EncodecConfig)
- ernie — ErnieModel (modelo ErnieConfig)
- ernie4_5 — Ernie4_5Model (modelo Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeModel (modelo Ernie4_5_MoeConfig)
- ernie4_5_vl_moe — Ernie4_5_VLMoeModel (modelo Ernie4_5_VLMoeConfig)
- esm — EsmModel (modelo EsmConfig)
- esmc — EsmcModel (modelo EsmcConfig)
- eurobert — EuroBertModel (modelo EuroBertConfig)
- evolla — EvollaModel (modelo EvollaConfig)
- exaone4 — Exaone4Model (modelo Exaone4Config)
- exaone4_5 — Exaone4_5_Model (modelo Exaone4_5_Config)
- exaone4_5_vision — Exaone4_5_VisionModel (modelo Exaone4_5_VisionConfig)
- exaone_moe — ExaoneMoeModel (modelo ExaoneMoeConfig)
- falcon — FalconModel (modelo FalconConfig)
- falcon_h1 — FalconH1Model (modelo FalconH1Config)
- falcon_mamba — FalconMambaModel (modelo FalconMambaConfig)
- fast_vlm — FastVlmModel (modelo FastVlmConfig)
- fastspeech2_conformer — FastSpeech2ConformerModel (modelo FastSpeech2ConformerConfig)
- fastspeech2_conformer_with_hifigan — FastSpeech2ConformerWithHifiGan (modelo FastSpeech2ConformerWithHifiGanConfig)
- flaubert — FlaubertModel (modelo FlaubertConfig)
- flava — FlavaModel (modelo FlavaConfig)
- flex_olmo — FlexOlmoModel (modelo FlexOlmoConfig)
- flint — FlintModel (modelo FlintConfig)
- florence2 — Florence2Model (modelo Florence2Config)
- fnet — FNetModel (modelo FNetConfig)
- focalnet — FocalNetModel (modelo FocalNetConfig)
- fsmt — FSMTModel (modelo FSMTConfig)
- fun_asr_nano — FunAsrNanoModel (modelo FunAsrNanoConfig)
- fun_asr_nano_encoder — FunAsrNanoEncoder (modelo FunAsrNanoEncoderConfig)
- funnel — FunnelModel o FunnelBaseModel (modelo FunnelConfig)
- fuyu — FuyuModel (modelo FuyuConfig)
- gemma — GemmaModel (modelo GemmaConfig)
- gemma2 — Gemma2Model (modelo Gemma2Config)
- gemma3 — Gemma3Model (modelo Gemma3Config)
- gemma3_text — Gemma3TextModel (modelo Gemma3TextConfig)
- gemma3n — Gemma3nModel (modelo Gemma3nConfig)
- gemma3n_audio —
Gemma3nAudioEncoder(modelo Gemma3nAudioConfig) - gemma3n_text — Gemma3nTextModel (modelo Gemma3nTextConfig)
- gemma3n_vision — TimmWrapperModel (modelo Gemma3nVisionConfig)
- gemma4 — Gemma4Model (modelo Gemma4Config)
- gemma4_audio — Gemma4AudioModel (modelo Gemma4AudioConfig)
- gemma4_text — Gemma4TextModel (modelo Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedModel (modelo Gemma4UnifiedConfig)
- gemma4_unified_text — Gemma4UnifiedTextModel (modelo Gemma4UnifiedTextConfig)
- gemma4_vision — Gemma4VisionModel (modelo Gemma4VisionConfig)
- git — GitModel (modelo GitConfig)
- glm — GlmModel (modelo GlmConfig)
- glm4 — Glm4Model (modelo Glm4Config)
- glm46v — Glm46VModel (modelo Glm46VConfig)
- glm4_moe — Glm4MoeModel (modelo Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteModel (modelo Glm4MoeLiteConfig)
- glm4v — Glm4vModel (modelo Glm4vConfig)
- glm4v_moe — Glm4vMoeModel (modelo Glm4vMoeConfig)
- glm4v_moe_text — Glm4vMoeTextModel (modelo Glm4vMoeTextConfig)
- glm4v_moe_vision — Glm4vMoeVisionModel (modelo Glm4vMoeVisionConfig)
- glm4v_text — Glm4vTextModel (modelo Glm4vTextConfig)
- glm4v_vision — Glm4vVisionModel (modelo Glm4vVisionConfig)
- glm5_next — Glm5NextModel (modelo Glm5NextConfig)
- glm5_next_text — Glm5NextTextModel (modelo Glm5NextTextConfig)
- glm5_next_vision — Glm5NextVisionModel (modelo Glm5NextVisionConfig)
- glm_image — GlmImageModel (modelo GlmImageConfig)
- glm_image_text — GlmImageTextModel (modelo GlmImageTextConfig)
- glm_image_vision — GlmImageVisionModel (modelo GlmImageVisionConfig)
- glm_image_vqmodel — GlmImageVQVAE (modelo GlmImageVQVAEConfig)
- glm_moe_dsa — GlmMoeDsaModel (modelo GlmMoeDsaConfig)
- glm_ocr — GlmOcrModel (modelo GlmOcrConfig)
- glm_ocr_text — GlmOcrTextModel (modelo GlmOcrTextConfig)
- glm_ocr_vision — GlmOcrVisionModel (modelo GlmOcrVisionConfig)
- glmasr — GlmAsrModel (modelo GlmAsrConfig)
- glmasr_encoder — GlmAsrEncoder (modelo GlmAsrEncoderConfig)
- glmga — Glm46VModel (modelo GlmgaConfig)
- glpn — GLPNModel (modelo GLPNConfig)
- got_ocr2 — GotOcr2Model (modelo GotOcr2Config)
- gpt-sw3 — GPT2Model (modelo GPT2Config)
- gpt2 — GPT2Model (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeModel (modelo GPTBigCodeConfig)
- gpt_neo — GPTNeoModel (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXModel (modelo GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseModel (modelo GPTNeoXJapaneseConfig)
- gpt_oss — GptOssModel (modelo GptOssConfig)
- gptj — GPTJModel (modelo GPTJConfig)
- gradium_phonon_tts — GradiumPhononTTSModel (modelo GradiumPhononTTSConfig)
- granite — GraniteModel (modelo GraniteConfig)
- granite4_vision — Granite4VisionModel (modelo Granite4VisionConfig)
- granite_speech — GraniteSpeechModel (modelo GraniteSpeechConfig)
- granite_speech5_ctc — GraniteSpeech5ForCTC (modelo GraniteSpeech5CTCConfig)
- granite_speech5_encoder — GraniteSpeech5Encoder (modelo GraniteSpeech5EncoderConfig)
- granite_speech_plus — GraniteSpeechPlusModel (modelo GraniteSpeechPlusConfig)
- granite_swa — GraniteSWAModel (modelo GraniteSWAConfig)
- granitemoe — GraniteMoeModel (modelo GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAModel (modelo GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridModel (modelo GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedModel (modelo GraniteMoeSharedConfig)
- grounding-dino — GroundingDinoModel (modelo GroundingDinoConfig)
- groupvit — GroupViTModel (modelo GroupViTConfig)
- gte — GteModel (modelo GteConfig)
- helium — HeliumModel (modelo HeliumConfig)
- hgnet_v2 — HGNetV2Backbone (modelo HGNetV2Config)
- hiera — HieraModel (modelo HieraConfig)
- higgs_audio_v2 — HiggsAudioV2ForConditionalGeneration (modelo HiggsAudioV2Config)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerModel (modelo HiggsAudioV2TokenizerConfig)
- hrm_text — HrmTextModel (modelo HrmTextConfig)
- hubert — HubertModel (modelo HubertConfig)
- hunyuan_v1_dense — HunYuanDenseV1Model (modelo HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1Model (modelo HunYuanMoEV1Config)
- hunyuan_vl — HunYuanVLModel (modelo HunYuanVLConfig)
- hunyuan_vl_text — HunYuanVLTextModel (modelo HunYuanVLTextConfig)
- hunyuan_vl_vision — HunYuanVLVisionTransformer (modelo HunYuanVLVisionConfig)
- hy_v3 — HYV3Model (modelo HYV3Config)
- hy_v4 — HYV4Model (modelo HYV4Config)
- hyperclovax — HyperCLOVAXModel (modelo HyperCLOVAXConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2Model (modelo HyperCLOVAXVisionV2Config)
- ibert — IBertModel (modelo IBertConfig)
- idefics — IdeficsModel (modelo IdeficsConfig)
- idefics2 — Idefics2Model (modelo Idefics2Config)
- idefics3 — Idefics3Model (modelo Idefics3Config)
- idefics3_vision — Idefics3VisionTransformer (modelo Idefics3VisionConfig)
- ijepa — IJepaModel (modelo IJepaConfig)
- imagegpt — ImageGPTModel (modelo ImageGPTConfig)
- informer — InformerModel (modelo InformerConfig)
- inkling_mm_model — InklingModel (modelo InklingConfig)
- inkling_text — InklingTextModel (modelo InklingTextConfig)
- instructblip — InstructBlipModel (modelo InstructBlipConfig)
- instructblipvideo — InstructBlipVideoModel (modelo InstructBlipVideoConfig)
- internvl — InternVLModel (modelo InternVLConfig)
- internvl_vision — InternVLVisionModel (modelo InternVLVisionConfig)
- jais2 — Jais2Model (modelo Jais2Config)
- jamba — JambaModel (modelo JambaConfig)
- janus — JanusModel (modelo JanusConfig)
- jetmoe — JetMoeModel (modelo JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3Model (modelo JinaEmbeddingsV3Config)
- kimi_k25 — Kimi_K25Model (modelo Kimi_K25Config)
- kimi_k25_vision — Kimi_K25VisionModel (modelo Kimi_K25VisionConfig)
- kimi_linear — KimiLinearModel (modelo KimiLinearConfig)
- kolibri1 — Kolibri1Model (modelo Kolibri1Config)
- kosmos-2 — Kosmos2Model (modelo Kosmos2Config)
- kosmos-2.5 — Kosmos2_5Model (modelo Kosmos2_5Config)
- kyutai_speech_to_text — KyutaiSpeechToTextModel (modelo KyutaiSpeechToTextConfig)
- laguna — LagunaModel (modelo LagunaConfig)
- lasr_ctc — LasrForCTC (modelo LasrCTCConfig)
- lasr_encoder — LasrEncoder (modelo LasrEncoderConfig)
- layoutlm — LayoutLMModel (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2Model (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3Model (modelo LayoutLMv3Config)
- led — LEDModel (modelo LEDConfig)
- levit — LevitModel (modelo LevitConfig)
- lfm2 — Lfm2Model (modelo Lfm2Config)
- lfm2_moe — Lfm2MoeModel (modelo Lfm2MoeConfig)
- lfm2_vl — Lfm2VlModel (modelo Lfm2VlConfig)
- lfm3 — Lfm3Model (modelo Lfm3Config)
- lightglue — LightGlueForKeypointMatching (modelo LightGlueConfig)
- lighton_ocr — LightOnOcrModel (modelo LightOnOcrConfig)
- lilt — LiltModel (modelo LiltConfig)
- llama — LlamaModel (modelo LlamaConfig)
- llama4 — Llama4ForConditionalGeneration (modelo Llama4Config)
- llama4_text — Llama4TextModel (modelo Llama4TextConfig)
- llava — LlavaModel (modelo LlavaConfig)
- llava_next — LlavaNextModel (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoModel (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionModel (modelo LlavaOnevisionConfig)
- longcat_flash — LongcatFlashModel (modelo LongcatFlashConfig)
- longformer — LongformerModel (modelo LongformerConfig)
- longt5 — LongT5Model (modelo LongT5Config)
- luke — LukeModel (modelo LukeConfig)
- lw_detr — LwDetrModel (modelo LwDetrConfig)
- lxmert — LxmertModel (modelo LxmertConfig)
- m2m_100 — M2M100Model (modelo M2M100Config)
- mamba — MambaModel (modelo MambaConfig)
- mamba2 — Mamba2Model (modelo Mamba2Config)
- marian — MarianModel (modelo MarianConfig)
- markuplm — MarkupLMModel (modelo MarkupLMConfig)
- mask2former — Mask2FormerModel (modelo Mask2FormerConfig)
- maskformer — MaskFormerModel (modelo MaskFormerConfig)
- maskformer-swin —
MaskFormerSwinModel(modelo MaskFormerSwinConfig) - mbart — MBartModel (modelo MBartConfig)
- megatron-bert — MegatronBertModel (modelo MegatronBertConfig)
- mellum — MellumModel (modelo MellumConfig)
- metaclip_2 — MetaClip2Model (modelo MetaClip2Config)
- mgp-str — MgpstrForSceneTextRecognition (modelo MgpstrConfig)
- mimi — MimiModel (modelo MimiConfig)
- mimi_decoder — MimiDecoderModel (modelo MimiDecoderConfig)
- mimi_encoder — MimiEncoderModel (modelo MimiEncoderConfig)
- mimo_v2_flash — MiMoV2FlashModel (modelo MiMoV2FlashConfig)
- minicpm3 — MiniCPM3Model (modelo MiniCPM3Config)
- minicpm_ocr — MiniCPMOcrModel (modelo MiniCPMOcrConfig)
- minicpm_ocr_vision — MiniCPMOcrVisionModel (modelo MiniCPMOcrVisionConfig)
- minicpmv4_6 — MiniCPMV4_6Model (modelo MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7Model (modelo MiniCPMV4_7Config)
- minicpmv4_7_vision — MiniCPMV4_7VisionModel (modelo MiniCPMV4_7VisionConfig)
- minimax — MiniMaxModel (modelo MiniMaxConfig)
- minimax_m2 — MiniMaxM2Model (modelo MiniMaxM2Config)
- minimax_m3_vl — MiniMaxM3VLModel (modelo MiniMaxM3VLConfig)
- minimax_m3_vl_text — MiniMaxM3VLTextModel (modelo MiniMaxM3VLTextConfig)
- ministral — MinistralModel (modelo MinistralConfig)
- ministral3 — Ministral3Model (modelo Ministral3Config)
- mistral — MistralModel (modelo MistralConfig)
- mistral3 — Mistral3Model (modelo Mistral3Config)
- mistral4 — Mistral4Model (modelo Mistral4Config)
- mistral_large4 — MistralLarge4Model (modelo MistralLarge4Config)
- mistral_large4_text — MistralLarge4TextModel (modelo MistralLarge4TextConfig)
- mixtral — MixtralModel (modelo MixtralConfig)
- mlcd — MLCDVisionModel (modelo MLCDVisionConfig)
- mlcd_vision_model — MLCDVisionModel (modelo MLCDVisionConfig)
- mllama — MllamaModel (modelo MllamaConfig)
- mm-grounding-dino — MMGroundingDinoModel (modelo MMGroundingDinoConfig)
- mobilebert — MobileBertModel (modelo MobileBertConfig)
- mobilenet_v1 — MobileNetV1Model (modelo MobileNetV1Config)
- mobilenet_v2 — MobileNetV2Model (modelo MobileNetV2Config)
- mobilevit — MobileViTModel (modelo MobileViTConfig)
- mobilevitv2 — MobileViTV2Model (modelo MobileViTV2Config)
- modernbert — ModernBertModel (modelo ModernBertConfig)
- modernbert-decoder — ModernBertDecoderModel (modelo ModernBertDecoderConfig)
- modernvbert — ModernVBertModel (modelo ModernVBertConfig)
- molmo2 — Molmo2Model (modelo Molmo2Config)
- molmo2_text — Molmo2TextModel (modelo Molmo2TextConfig)
- moonshine — MoonshineModel (modelo MoonshineConfig)
- moonshine_streaming — MoonshineStreamingModel (modelo MoonshineStreamingConfig)
- moshi — MoshiModel (modelo MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeModel (modelo MossTranscribeDiarizeConfig)
- moss_transcribe_diarize_audio — MossTranscribeDiarizeAudioModel (modelo MossTranscribeDiarizeAudioConfig)
- mpnet — MPNetModel (modelo MPNetConfig)
- mpt — MptModel (modelo MptConfig)
- mra — MraModel (modelo MraConfig)
- mt5 — MT5Model (modelo MT5Config)
- muse_glimmer — MuseGlimmerModel (modelo MuseGlimmerConfig)
- muse_glimmer_assistant — MuseGlimmerAssistantModel (modelo MuseGlimmerAssistantConfig)
- muse_glimmer_text — MuseGlimmerTextModel (modelo MuseGlimmerTextConfig)
- muse_glimmer_vision — MuseGlimmerVisionModel (modelo MuseGlimmerVisionConfig)
- muse_spark — MuseSparkModel (modelo MuseSparkConfig)
- muse_spark_audio — MuseSparkAudioModel (modelo MuseSparkAudioConfig)
- muse_spark_text — MuseSparkTextModel (modelo MuseSparkTextConfig)
- muse_spark_vision — MuseSparkVisionModel (modelo MuseSparkVisionConfig)
- musicflamingo — MusicFlamingoModel (modelo MusicFlamingoConfig)
- musicgen — MusicgenModel (modelo MusicgenConfig)
- musicgen_melody — MusicgenMelodyModel (modelo MusicgenMelodyConfig)
- mvp — MvpModel (modelo MvpConfig)
- nanochat — NanoChatModel (modelo NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeModel (modelo Nemotron3_5TranscribeConfig)
- nemotron — NemotronModel (modelo NemotronConfig)
- nemotron3_5_asr — Nemotron3_5AsrForRNNT (modelo Nemotron3_5AsrConfig)
- nemotron3_5_transcribe_asr_audio — Nemotron3_5TranscribeAsrAudioModel (modelo Nemotron3_5TranscribeAsrAudioConfig)
- nemotron3_5_transcribe_audio — Nemotron3_5TranscribeAudioModel (modelo Nemotron3_5TranscribeAudioConfig)
- nemotron3_5_transcribe_word_timestamp — Nemotron3_5TranscribeWordTimestampModel (modelo Nemotron3_5TranscribeWordTimestampConfig)
- nemotron3_diarization — Nemotron3DiarizationModel (modelo Nemotron3DiarizationConfig)
- nemotron3_diarization_audio — Nemotron3DiarizationAudioModel (modelo Nemotron3DiarizationAudioConfig)
- nemotron_asr_streaming — NemotronAsrStreamingForRNNT (modelo NemotronAsrStreamingConfig)
- nemotron_asr_streaming_encoder — NemotronAsrStreamingEncoder (modelo NemotronAsrStreamingEncoderConfig)
- nemotron_h — NemotronHModel (modelo NemotronHConfig)
- neomme — NeoMMEModel (modelo NeoMMEConfig)
- neucodec — NeuCodecModel (modelo NeuCodecConfig)
- nllb-moe — NllbMoeModel (modelo NllbMoeConfig)
- nomic_bert — NomicBertModel (modelo NomicBertConfig)
- nystromformer — NystromformerModel (modelo NystromformerConfig)
- olmo — OlmoModel (modelo OlmoConfig)
- olmo2 — Olmo2Model (modelo Olmo2Config)
- olmo3 — Olmo3Model (modelo Olmo3Config)
- olmo_hybrid — OlmoHybridModel (modelo OlmoHybridConfig)
- olmoe — OlmoeModel (modelo OlmoeConfig)
- omdet-turbo — OmDetTurboForObjectDetection (modelo OmDetTurboConfig)
- oneformer — OneFormerModel (modelo OneFormerConfig)
- openai-gpt — OpenAIGPTModel (modelo OpenAIGPTConfig)
- openai_privacy_filter — OpenAIPrivacyFilterModel (modelo OpenAIPrivacyFilterConfig)
- opt — OPTModel (modelo OPTConfig)
- ovis2 — Ovis2Model (modelo Ovis2Config)
- owlv2 — Owlv2Model (modelo Owlv2Config)
- owlvit — OwlViTModel (modelo OwlViTConfig)
- paddleocr_vl — PaddleOCRVLModel (modelo PaddleOCRVLConfig)
- paligemma — PaliGemmaModel (modelo PaliGemmaConfig)
- parakeet_ctc — ParakeetForCTC (modelo ParakeetCTCConfig)
- parakeet_encoder — ParakeetEncoder (modelo ParakeetEncoderConfig)
- parakeet_rnnt — ParakeetForRNNT (modelo ParakeetRNNTConfig)
- parakeet_tdt — ParakeetForTDT (modelo ParakeetTDTConfig)
- patchtsmixer — PatchTSMixerModel (modelo PatchTSMixerConfig)
- patchtst — PatchTSTModel (modelo PatchTSTConfig)
- pe_audio — PeAudioModel (modelo PeAudioConfig)
- pe_audio_encoder — PeAudioEncoder (modelo PeAudioEncoderConfig)
- pe_audio_video — PeAudioVideoModel (modelo PeAudioVideoConfig)
- pe_audio_video_encoder — PeAudioVideoEncoder (modelo PeAudioVideoEncoderConfig)
- pe_video — PeVideoModel (modelo PeVideoConfig)
- pe_video_encoder — PeVideoEncoder (modelo PeVideoEncoderConfig)
- pegasus — PegasusModel (modelo PegasusConfig)
- pegasus_x — PegasusXModel (modelo PegasusXConfig)
- perceiver — PerceiverModel (modelo PerceiverConfig)
- perception_lm — PerceptionLMModel (modelo PerceptionLMConfig)
- persimmon — PersimmonModel (modelo PersimmonConfig)
- phi — PhiModel (modelo PhiConfig)
- phi3 — Phi3Model (modelo Phi3Config)
- phi4_multimodal — Phi4MultimodalModel (modelo Phi4MultimodalConfig)
- phimoe — PhimoeModel (modelo PhimoeConfig)
- pi0 — PI0Model (modelo PI0Config)
- pixio — PixioModel (modelo PixioConfig)
- pixtral — PixtralVisionModel (modelo PixtralVisionConfig)
- plbart — PLBartModel (modelo PLBartConfig)
- pocket_tts — PocketTTSModel (modelo PocketTTSConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerModel (modelo PocketTTSAudioTokenizerConfig)
- pocket_tts_audio_tokenizer_decoder — PocketTTSAudioTokenizerDecoderModel (modelo PocketTTSAudioTokenizerDecoderConfig)
- pocket_tts_audio_tokenizer_encoder — PocketTTSAudioTokenizerEncoderModel (modelo PocketTTSAudioTokenizerEncoderConfig)
- poolformer — PoolFormerModel (modelo PoolFormerConfig)
- pp_doclayout_v3 — PPDocLayoutV3Model (modelo PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4Model (modelo PPDocLayoutV4Config)
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecModel (modelo PPOCRV5MobileRecConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecModel (modelo PPOCRV5ServerRecConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetModel (modelo PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetModel (modelo PPOCRV6SmallDetConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecModel (modelo PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecModel (modelo PPOCRV6TinyRecConfig)
- prophetnet — ProphetNetModel (modelo ProphetNetConfig)
- pvt — PvtModel (modelo PvtConfig)
- pvt_v2 — PvtV2Model (modelo PvtV2Config)
- qianfan_ocr — QianfanOCRModel (modelo QianfanOCRConfig)
- qianfan_ocr_vision — QianfanOCRVisionModel (modelo QianfanOCRVisionConfig)
- qwen2 — Qwen2Model (modelo Qwen2Config)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerModel (modelo Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLModel (modelo Qwen2_5_VLConfig)
- qwen2_5_vl_text — Qwen2_5_VLTextModel (modelo Qwen2_5_VLTextConfig)
- qwen2_5_vl_vision — Qwen2_5_VisionTransformerPretrainedModel (modelo Qwen2_5_VLVisionConfig)
- qwen2_audio — Qwen2AudioModel (modelo Qwen2AudioConfig)
- qwen2_audio_encoder — Qwen2AudioEncoder (modelo Qwen2AudioEncoderConfig)
- qwen2_moe — Qwen2MoeModel (modelo Qwen2MoeConfig)
- qwen2_vl — Qwen2VLModel (modelo Qwen2VLConfig)
- qwen2_vl_text — Qwen2VLTextModel (modelo Qwen2VLTextConfig)
- qwen3 — Qwen3Model (modelo Qwen3Config)
- qwen3_5 — Qwen3_5Model (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeModel (modelo Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeTextModel (modelo Qwen3_5MoeTextConfig)
- qwen3_5_moe_vision — Qwen3_5MoeVisionModel (modelo Qwen3_5MoeVisionConfig)
- qwen3_5_text — Qwen3_5TextModel (modelo Qwen3_5TextConfig)
- qwen3_5_vision — Qwen3_5VisionModel (modelo Qwen3_5VisionConfig)
- qwen3_asr — Qwen3ASRModel (modelo Qwen3ASRConfig)
- qwen3_asr_encoder — Qwen3ASREncoder (modelo Qwen3ASREncoderConfig)
- qwen3_moe — Qwen3MoeModel (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextModel (modelo Qwen3NextConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerModel (modelo Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLModel (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeModel (modelo Qwen3VLMoeConfig)
- qwen3_vl_moe_text — Qwen3VLMoeTextModel (modelo Qwen3VLMoeTextConfig)
- qwen3_vl_moe_vision — Qwen3VLMoeVisionModel (modelo Qwen3VLMoeVisionConfig)
- qwen3_vl_text — Qwen3VLTextModel (modelo Qwen3VLTextConfig)
- qwen3_vl_vision — Qwen3VLVisionModel (modelo Qwen3VLVisionConfig)
- qwen4_exp — Qwen4ExpModel (modelo Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpTextModel (modelo Qwen4ExpTextConfig)
- qwen4_exp_vision — Qwen4ExpVisionModel (modelo Qwen4ExpVisionConfig)
- radio — RadioModel (modelo RadioConfig)
- recurrent_gemma — RecurrentGemmaModel (modelo RecurrentGemmaConfig)
- reformer — ReformerModel (modelo ReformerConfig)
- regnet — RegNetModel (modelo RegNetConfig)
- rembert — RemBertModel (modelo RemBertConfig)
- resnet — ResNetModel (modelo ResNetConfig)
- rf_detr — RfDetrModel (modelo RfDetrConfig)
- roberta — RobertaModel (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormModel (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertModel (modelo RoCBertConfig)
- roformer — RoFormerModel (modelo RoFormerConfig)
- rt_detr — RTDetrModel (modelo RTDetrConfig)
- rt_detr_v2 — RTDetrV2Model (modelo RTDetrV2Config)
- rwkv — RwkvModel (modelo RwkvConfig)
- sam — SamModel (modelo SamConfig)
- sam2 — Sam2Model (modelo Sam2Config)
- sam2_hiera_det_model — Sam2HieraDetModel (modelo Sam2HieraDetConfig)
- sam2_video — Sam2VideoModel (modelo Sam2VideoConfig)
- sam2_vision_model — Sam2VisionModel (modelo Sam2VisionConfig)
- sam3 — Sam3Model (modelo Sam3Config)
- sam3_lite_text — Sam3LiteTextModel (modelo Sam3LiteTextConfig)
- sam3_lite_text_text_model — Sam3LiteTextTextModel (modelo Sam3LiteTextTextConfig)
- sam3_tracker — Sam3TrackerModel (modelo Sam3TrackerConfig)
- sam3_tracker_video — Sam3TrackerVideoModel (modelo Sam3TrackerVideoConfig)
- sam3_video — Sam3VideoModel (modelo Sam3VideoConfig)
- sam3_vision_model — Sam3VisionModel (modelo Sam3VisionConfig)
- sam3_vit_model — Sam3ViTModel (modelo Sam3ViTConfig)
- sam_hq — SamHQModel (modelo SamHQConfig)
- sam_hq_vision_model — SamHQVisionModel (modelo SamHQVisionConfig)
- sam_vision_model — SamVisionModel (modelo SamVisionConfig)
- sapiens2 — Sapiens2Model (modelo Sapiens2Config)
- seamless_m4t — SeamlessM4TModel (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2Model (modelo SeamlessM4Tv2Config)
- seed_oss — SeedOssModel (modelo SeedOssConfig)
- segformer — SegformerModel (modelo SegformerConfig)
- seggpt — SegGptModel (modelo SegGptConfig)
- sew — SEWModel (modelo SEWConfig)
- sew-d — SEWDModel (modelo SEWDConfig)
- siglip — SiglipModel (modelo SiglipConfig)
- siglip2 — Siglip2Model (modelo Siglip2Config)
- siglip2_vision_model — Siglip2VisionModel (modelo Siglip2VisionConfig)
- siglip_vision_model — SiglipVisionModel (modelo SiglipVisionConfig)
- smollm3 — SmolLM3Model (modelo SmolLM3Config)
- smolvlm — SmolVLMModel (modelo SmolVLMConfig)
- smolvlm_vision — SmolVLMVisionTransformer (modelo SmolVLMVisionConfig)
- solar_open — SolarOpenModel (modelo SolarOpenConfig)
- speech_to_text — Speech2TextModel (modelo Speech2TextConfig)
- speecht5 — SpeechT5Model (modelo SpeechT5Config)
- splinter — SplinterModel (modelo SplinterConfig)
- squeezebert — SqueezeBertModel (modelo SqueezeBertConfig)
- stablelm — StableLmModel (modelo StableLmConfig)
- starcoder2 — Starcoder2Model (modelo Starcoder2Config)
- step3p7 — Step3p7Model (modelo Step3p7Config)
- swiftformer — SwiftFormerModel (modelo SwiftFormerConfig)
- swin — SwinModel (modelo SwinConfig)
- swin2sr — Swin2SRModel (modelo Swin2SRConfig)
- swinv2 — Swinv2Model (modelo Swinv2Config)
- switch_transformers — SwitchTransformersModel (modelo SwitchTransformersConfig)
- t5 — T5Model (modelo T5Config)
- t5gemma — T5GemmaModel (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2Model (modelo T5Gemma2Config)
- t5gemma2_encoder —
T5Gemma2Encoder(modelo T5Gemma2EncoderConfig) - table-transformer — TableTransformerModel (modelo TableTransformerConfig)
- tapas — TapasModel (modelo TapasConfig)
- textnet — TextNetModel (modelo TextNetConfig)
- time_series_transformer — TimeSeriesTransformerModel (modelo TimeSeriesTransformerConfig)
- timesfm — TimesFmModel (modelo TimesFmConfig)
- timesfm2_5 — TimesFm2_5Model (modelo TimesFm2_5Config)
- timesformer — TimesformerModel (modelo TimesformerConfig)
- timm_backbone — TimmBackbone (modelo TimmBackboneConfig)
- timm_wrapper — TimmWrapperModel (modelo TimmWrapperConfig)
- tipsv2 — Tipsv2Model (modelo Tipsv2Config)
- tipsv2_text_model — Tipsv2TextModel (modelo Tipsv2TextConfig)
- tipsv2_vision_model — Tipsv2VisionModel (modelo Tipsv2VisionConfig)
- tvp — TvpModel (modelo TvpConfig)
- udop — UdopModel (modelo UdopConfig)
- ultrabert — UltrabertModel (modelo UltrabertConfig)
- ultravbert — UltraVBertModel (modelo UltraVBertConfig)
- umt5 — UMT5Model (modelo UMT5Config)
- unispeech — UniSpeechModel (modelo UniSpeechConfig)
- unispeech-sat — UniSpeechSatModel (modelo UniSpeechSatConfig)
- univnet — UnivNetModel (modelo UnivNetConfig)
- unlimited_ocr — UnlimitedOcrModel (modelo UnlimitedOcrConfig)
- uvdoc — UVDocModel (modelo UVDocConfig)
- vaultgemma — VaultGemmaModel (modelo VaultGemmaConfig)
- vibevoice — VibeVoiceForConditionalGeneration (modelo VibeVoiceConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerModel (modelo VibeVoiceAcousticTokenizerConfig)
- vibevoice_acoustic_tokenizer_decoder — VibeVoiceAcousticTokenizerDecoderModel (modelo VibeVoiceAcousticTokenizerDecoderConfig)
- vibevoice_acoustic_tokenizer_encoder — VibeVoiceAcousticTokenizerEncoderModel (modelo VibeVoiceAcousticTokenizerEncoderConfig)
- vibevoice_asr — VibeVoiceAsrModel (modelo VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3Model (modelo VideoLlama3Config)
- video_llama_3_vision — VideoLlama3VisionModel (modelo VideoLlama3VisionConfig)
- video_llava — VideoLlavaModel (modelo VideoLlavaConfig)
- videomae — VideoMAEModel (modelo VideoMAEConfig)
- videoprism — VideoPrismClipModel (modelo VideoPrismConfig)
- videoprism_vision_model — VideoPrismVisionModel (modelo VideoPrismVisionConfig)
- vilt — ViltModel (modelo ViltConfig)
- vipllava — VipLlavaModel (modelo VipLlavaConfig)
- vision-text-dual-encoder — VisionTextDualEncoderModel (modelo VisionTextDualEncoderConfig)
- visual_bert — VisualBertModel (modelo VisualBertConfig)
- vit — ViTModel (modelo ViTConfig)
- vit_mae — ViTMAEModel (modelo ViTMAEConfig)
- vit_msn — ViTMSNModel (modelo ViTMSNConfig)
- vitdet — VitDetModel (modelo VitDetConfig)
- vits — VitsModel (modelo VitsConfig)
- vivit — VivitModel (modelo VivitConfig)
- vjepa2 — VJEPA2Model (modelo VJEPA2Config)
- voxtral — VoxtralModel (modelo VoxtralConfig)
- voxtral_encoder — VoxtralEncoder (modelo VoxtralEncoderConfig)
- voxtral_realtime — VoxtralRealtimeModel (modelo VoxtralRealtimeConfig)
- voxtral_realtime_encoder — VoxtralRealtimeEncoder (modelo VoxtralRealtimeEncoderConfig)
- voxtral_realtime_text —
VoxtralRealtimeTextModel(modelo VoxtralRealtimeTextConfig) - wav2vec2 — Wav2Vec2Model (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertModel (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerModel (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMModel (modelo WavLMConfig)
- whisper — WhisperModel (modelo WhisperConfig)
- xclip — XCLIPModel (modelo XCLIPConfig)
- xcodec — XcodecModel (modelo XcodecConfig)
- xcodec2 — Xcodec2Model (modelo Xcodec2Config)
- xglm — XGLMModel (modelo XGLMConfig)
- xlm — XLMModel (modelo XLMConfig)
- xlm-roberta — XLMRobertaModel (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLModel (modelo XLMRobertaXLConfig)
- xlnet — XLNetModel (modelo XLNetConfig)
- xlstm — xLSTMModel (modelo xLSTMConfig)
- xmod — XmodModel (modelo XmodConfig)
- yolos — YolosModel (modelo YolosConfig)
- yoso — YosoModel (modelo YosoConfig)
- youtu — YoutuModel (modelo YoutuConfig)
- zamba — ZambaModel (modelo ZambaConfig)
- zamba2 — Zamba2Model (modelo Zamba2Config)
- zaya — ZayaModel (modelo ZayaConfig)
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
TrueClases de preentrenamiento genéricas
Las siguientes clases automáticas están disponibles para instanciar un modelo con una cabeza de preentrenamiento.
AutoModelForPreTraining
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AlbertConfig: AlbertForPreTraining (modelo AlbertConfig)
- Clase de configuración AudioFlamingo3Config: AudioFlamingo3ForConditionalGeneration (modelo AudioFlamingo3Config)
- Clase de configuración BartConfig: BartForConditionalGeneration (modelo BartConfig)
- Clase de configuración BertConfig: BertForPreTraining (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForPreTraining (modelo BigBirdConfig)
- Clase de configuración BloomConfig: BloomForCausalLM (modelo BloomConfig)
- Clase de configuración CTRLConfig: CTRLLMHeadModel (modelo CTRLConfig)
- Clase de configuración CamembertConfig: CamembertForMaskedLM (modelo CamembertConfig)
- Clase de configuración ColModernVBertConfig: ColModernVBertForRetrieval (modelo ColModernVBertConfig)
- Clase de configuración ColPaliConfig: ColPaliForRetrieval (modelo ColPaliConfig)
- Clase de configuración ColQwen2Config: ColQwen2ForRetrieval (modelo ColQwen2Config)
- Clase de configuración Data2VecTextConfig: Data2VecTextForMaskedLM (modelo Data2VecTextConfig)
- Clase de configuración DebertaConfig: DebertaForMaskedLM (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForMaskedLM (modelo DebertaV2Config)
- Clase de configuración DistilBertConfig: DistilBertForMaskedLM (modelo DistilBertConfig)
- Clase de configuración ElectraConfig: ElectraForPreTraining (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForPreTraining (modelo ErnieConfig)
- Clase de configuración EvollaConfig: EvollaForProteinText2Text (modelo EvollaConfig)
- Clase de configuración Exaone4Config: Exaone4ForCausalLM (modelo Exaone4Config)
- Clase de configuración ExaoneMoeConfig: ExaoneMoeForCausalLM (modelo ExaoneMoeConfig)
- Clase de configuración FNetConfig: FNetForPreTraining (modelo FNetConfig)
- Clase de configuración FSMTConfig: FSMTForConditionalGeneration (modelo FSMTConfig)
- Clase de configuración FalconMambaConfig: FalconMambaForCausalLM (modelo FalconMambaConfig)
- Clase de configuración FlaubertConfig: FlaubertWithLMHeadModel (modelo FlaubertConfig)
- Clase de configuración FlavaConfig: FlavaForPreTraining (modelo FlavaConfig)
- Clase de configuración Florence2Config: Florence2ForConditionalGeneration (modelo Florence2Config)
- Clase de configuración FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- Clase de configuración FunnelConfig: FunnelForPreTraining (modelo FunnelConfig)
- Clase de configuración GPT2Config: GPT2LMHeadModel (modelo GPT2Config)
- Clase de configuración GPTBigCodeConfig: GPTBigCodeForCausalLM (modelo GPTBigCodeConfig)
- Clase de configuración Gemma3Config: Gemma3ForConditionalGeneration (modelo Gemma3Config)
- Clase de configuración Gemma4Config: Gemma4ForConditionalGeneration (modelo Gemma4Config)
- Clase de configuración Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- Clase de configuración GlmAsrConfig: GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- Clase de configuración HieraConfig: HieraForPreTraining (modelo HieraConfig)
- Clase de configuración IBertConfig: IBertForMaskedLM (modelo IBertConfig)
- Clase de configuración Idefics2Config: Idefics2ForConditionalGeneration (modelo Idefics2Config)
- Clase de configuración Idefics3Config: Idefics3ForConditionalGeneration (modelo Idefics3Config)
- Clase de configuración IdeficsConfig: IdeficsForVisionText2Text (modelo IdeficsConfig)
- Clase de configuración InklingConfig: InklingForConditionalGeneration (modelo InklingConfig)
- Clase de configuración JanusConfig: JanusForConditionalGeneration (modelo JanusConfig)
- Clase de configuración LayoutLMConfig: LayoutLMForMaskedLM (modelo LayoutLMConfig)
- Clase de configuración LlavaConfig: LlavaForConditionalGeneration (modelo LlavaConfig)
- Clase de configuración LlavaNextConfig: LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- Clase de configuración LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- Clase de configuración LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- Clase de configuración LongformerConfig: LongformerForMaskedLM (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForMaskedLM (modelo LukeConfig)
- Clase de configuración LxmertConfig: LxmertForPreTraining (modelo LxmertConfig)
- Clase de configuración MPNetConfig: MPNetForMaskedLM (modelo MPNetConfig)
- Clase de configuración Mamba2Config: Mamba2ForCausalLM (modelo Mamba2Config)
- Clase de configuración MambaConfig: MambaForCausalLM (modelo MambaConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForPreTraining (modelo MegatronBertConfig)
- Clase de configuración Mistral3Config: Mistral3ForConditionalGeneration (modelo Mistral3Config)
- Clase de configuración Mistral4Config: Mistral4ForCausalLM (modelo Mistral4Config)
- Clase de configuración MistralLarge4Config: MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- Clase de configuración MllamaConfig: MllamaForConditionalGeneration (modelo MllamaConfig)
- Clase de configuración MobileBertConfig: MobileBertForPreTraining (modelo MobileBertConfig)
- Clase de configuración MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- Clase de configuración MptConfig: MptForCausalLM (modelo MptConfig)
- Clase de configuración MraConfig: MraForMaskedLM (modelo MraConfig)
- Clase de configuración MusicFlamingoConfig: MusicFlamingoForConditionalGeneration (modelo MusicFlamingoConfig)
- Clase de configuración MvpConfig: MvpForConditionalGeneration (modelo MvpConfig)
- Clase de configuración NanoChatConfig: NanoChatForCausalLM (modelo NanoChatConfig)
- Clase de configuración Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- Clase de configuración NllbMoeConfig: NllbMoeForConditionalGeneration (modelo NllbMoeConfig)
- Clase de configuración OpenAIGPTConfig: OpenAIGPTLMHeadModel (modelo OpenAIGPTConfig)
- Clase de configuración PaliGemmaConfig: PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- Clase de configuración Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- Clase de configuración RoCBertConfig: RoCBertForPreTraining (modelo RoCBertConfig)
- Clase de configuración RobertaConfig: RobertaForMaskedLM (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForMaskedLM (modelo RobertaPreLayerNormConfig)
- Clase de configuración RwkvConfig: RwkvForCausalLM (modelo RwkvConfig)
- Clase de configuración SplinterConfig: SplinterForPreTraining (modelo SplinterConfig)
- Clase de configuración SqueezeBertConfig: SqueezeBertForMaskedLM (modelo SqueezeBertConfig)
- Clase de configuración SwitchTransformersConfig: SwitchTransformersForConditionalGeneration (modelo SwitchTransformersConfig)
- Clase de configuración T5Config: T5ForConditionalGeneration (modelo T5Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- Clase de configuración T5GemmaConfig: T5GemmaForConditionalGeneration (modelo T5GemmaConfig)
- Clase de configuración TapasConfig: TapasForMaskedLM (modelo TapasConfig)
- Clase de configuración UniSpeechConfig: UniSpeechForPreTraining (modelo UniSpeechConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatForPreTraining (modelo UniSpeechSatConfig)
- Clase de configuración ViTMAEConfig: ViTMAEForPreTraining (modelo ViTMAEConfig)
- Clase de configuración VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- Clase de configuración VideoLlavaConfig: VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- Clase de configuración VideoMAEConfig: VideoMAEForPreTraining (modelo VideoMAEConfig)
- Clase de configuración VipLlavaConfig: VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- Clase de configuración VisualBertConfig: VisualBertForPreTraining (modelo VisualBertConfig)
- Clase de configuración VoxtralConfig: VoxtralForConditionalGeneration (modelo VoxtralConfig)
- Clase de configuración VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2ForPreTraining (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerForPreTraining (modelo Wav2Vec2ConformerConfig)
- Clase de configuración XLMConfig: XLMWithLMHeadModel (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForMaskedLM (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForMaskedLM (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetLMHeadModel (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForMaskedLM (modelo XmodConfig)
- Clase de configuración xLSTMConfig: xLSTMForCausalLM (modelo xLSTMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForPreTraining (modelo AlbertConfig)
- audioflamingo3 — AudioFlamingo3ForConditionalGeneration (modelo AudioFlamingo3Config)
- bart — BartForConditionalGeneration (modelo BartConfig)
- bert — BertForPreTraining (modelo BertConfig)
- big_bird — BigBirdForPreTraining (modelo BigBirdConfig)
- bloom — BloomForCausalLM (modelo BloomConfig)
- camembert — CamembertForMaskedLM (modelo CamembertConfig)
- colmodernvbert — ColModernVBertForRetrieval (modelo ColModernVBertConfig)
- colpali — ColPaliForRetrieval (modelo ColPaliConfig)
- colqwen2 — ColQwen2ForRetrieval (modelo ColQwen2Config)
- ctrl — CTRLLMHeadModel (modelo CTRLConfig)
- data2vec-text — Data2VecTextForMaskedLM (modelo Data2VecTextConfig)
- deberta — DebertaForMaskedLM (modelo DebertaConfig)
- deberta-v2 — DebertaV2ForMaskedLM (modelo DebertaV2Config)
- distilbert — DistilBertForMaskedLM (modelo DistilBertConfig)
- electra — ElectraForPreTraining (modelo ElectraConfig)
- ernie — ErnieForPreTraining (modelo ErnieConfig)
- evolla — EvollaForProteinText2Text (modelo EvollaConfig)
- exaone4 — Exaone4ForCausalLM (modelo Exaone4Config)
- exaone_moe — ExaoneMoeForCausalLM (modelo ExaoneMoeConfig)
- falcon_mamba — FalconMambaForCausalLM (modelo FalconMambaConfig)
- flaubert — FlaubertWithLMHeadModel (modelo FlaubertConfig)
- flava — FlavaForPreTraining (modelo FlavaConfig)
- florence2 — Florence2ForConditionalGeneration (modelo Florence2Config)
- fnet — FNetForPreTraining (modelo FNetConfig)
- fsmt — FSMTForConditionalGeneration (modelo FSMTConfig)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- funnel — FunnelForPreTraining (modelo FunnelConfig)
- gemma3 — Gemma3ForConditionalGeneration (modelo Gemma3Config)
- gemma4 — Gemma4ForConditionalGeneration (modelo Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- glmasr — GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- gpt-sw3 — GPT2LMHeadModel (modelo GPT2Config)
- gpt2 — GPT2LMHeadModel (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeForCausalLM (modelo GPTBigCodeConfig)
- hiera — HieraForPreTraining (modelo HieraConfig)
- ibert — IBertForMaskedLM (modelo IBertConfig)
- idefics — IdeficsForVisionText2Text (modelo IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (modelo Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (modelo Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (modelo InklingConfig)
- janus — JanusForConditionalGeneration (modelo JanusConfig)
- layoutlm — LayoutLMForMaskedLM (modelo LayoutLMConfig)
- llava — LlavaForConditionalGeneration (modelo LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- longformer — LongformerForMaskedLM (modelo LongformerConfig)
- luke — LukeForMaskedLM (modelo LukeConfig)
- lxmert — LxmertForPreTraining (modelo LxmertConfig)
- mamba — MambaForCausalLM (modelo MambaConfig)
- mamba2 — Mamba2ForCausalLM (modelo Mamba2Config)
- megatron-bert — MegatronBertForPreTraining (modelo MegatronBertConfig)
- mistral3 — Mistral3ForConditionalGeneration (modelo Mistral3Config)
- mistral4 — Mistral4ForCausalLM (modelo Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (modelo MllamaConfig)
- mobilebert — MobileBertForPreTraining (modelo MobileBertConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- mpnet — MPNetForMaskedLM (modelo MPNetConfig)
- mpt — MptForCausalLM (modelo MptConfig)
- mra — MraForMaskedLM (modelo MraConfig)
- musicflamingo — MusicFlamingoForConditionalGeneration (modelo MusicFlamingoConfig)
- mvp — MvpForConditionalGeneration (modelo MvpConfig)
- nanochat — NanoChatForCausalLM (modelo NanoChatConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- nllb-moe — NllbMoeForConditionalGeneration (modelo NllbMoeConfig)
- openai-gpt — OpenAIGPTLMHeadModel (modelo OpenAIGPTConfig)
- paligemma — PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- roberta — RobertaForMaskedLM (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMaskedLM (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForPreTraining (modelo RoCBertConfig)
- rwkv — RwkvForCausalLM (modelo RwkvConfig)
- splinter — SplinterForPreTraining (modelo SplinterConfig)
- squeezebert — SqueezeBertForMaskedLM (modelo SqueezeBertConfig)
- switch_transformers — SwitchTransformersForConditionalGeneration (modelo SwitchTransformersConfig)
- t5 — T5ForConditionalGeneration (modelo T5Config)
- t5gemma — T5GemmaForConditionalGeneration (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- tapas — TapasForMaskedLM (modelo TapasConfig)
- unispeech — UniSpeechForPreTraining (modelo UniSpeechConfig)
- unispeech-sat — UniSpeechSatForPreTraining (modelo UniSpeechSatConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- video_llava — VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- videomae — VideoMAEForPreTraining (modelo VideoMAEConfig)
- vipllava — VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- visual_bert — VisualBertForPreTraining (modelo VisualBertConfig)
- vit_mae — ViTMAEForPreTraining (modelo ViTMAEConfig)
- voxtral — VoxtralForConditionalGeneration (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- wav2vec2 — Wav2Vec2ForPreTraining (modelo Wav2Vec2Config)
- wav2vec2-conformer — Wav2Vec2ConformerForPreTraining (modelo Wav2Vec2ConformerConfig)
- xlm — XLMWithLMHeadModel (modelo XLMConfig)
- xlm-roberta — XLMRobertaForMaskedLM (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMaskedLM (modelo XLMRobertaXLConfig)
- xlnet — XLNetLMHeadModel (modelo XLNetConfig)
- xlstm — xLSTMForCausalLM (modelo xLSTMConfig)
- xmod — XmodForMaskedLM (modelo XmodConfig)
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
TrueProcesamiento del Lenguaje Natural
Las siguientes clases automáticas están disponibles para las siguientes tareas de procesamiento de lenguaje natural.
AutoModelForCausalLM
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AXK1Config: AXK1ForCausalLM (modelo AXK1Config)
- Clase de configuración AXK2Config: AXK2ForCausalLM (modelo AXK2Config)
- Clase de configuración AfmoeConfig: AfmoeForCausalLM (modelo AfmoeConfig)
- Clase de configuración ApertusConfig: ApertusForCausalLM (modelo ApertusConfig)
- Clase de configuración ArceeConfig: ArceeForCausalLM (modelo ArceeConfig)
- Clase de configuración AriaTextConfig: AriaTextForCausalLM (modelo AriaTextConfig)
- Clase de configuración BailingHybridConfig: BailingHybridForCausalLM (modelo BailingHybridConfig)
- Clase de configuración BambaConfig: BambaForCausalLM (modelo BambaConfig)
- Clase de configuración BartConfig: BartForCausalLM (modelo BartConfig)
- Clase de configuración BeamConfig: BeamForCausalLM (modelo BeamConfig)
- Clase de configuración BertConfig: BertLMHeadModel (modelo BertConfig)
- Clase de configuración BertGenerationConfig: BertGenerationDecoder (modelo BertGenerationConfig)
- Clase de configuración BigBirdConfig: BigBirdForCausalLM (modelo BigBirdConfig)
- Clase de configuración BigBirdPegasusConfig: BigBirdPegasusForCausalLM (modelo BigBirdPegasusConfig)
- Clase de configuración BioGptConfig: BioGptForCausalLM (modelo BioGptConfig)
- Clase de configuración BitNetConfig: BitNetForCausalLM (modelo BitNetConfig)
- Clase de configuración BlenderbotConfig: BlenderbotForCausalLM (modelo BlenderbotConfig)
- Clase de configuración BlenderbotSmallConfig: BlenderbotSmallForCausalLM (modelo BlenderbotSmallConfig)
- Clase de configuración BloomConfig: BloomForCausalLM (modelo BloomConfig)
- Clase de configuración BltConfig: BltForCausalLM (modelo BltConfig)
- Clase de configuración CTRLConfig: CTRLLMHeadModel (modelo CTRLConfig)
- Clase de configuración CamembertConfig: CamembertForCausalLM (modelo CamembertConfig)
- Clase de configuración CodeGenConfig: CodeGenForCausalLM (modelo CodeGenConfig)
- Clase de configuración Cohere2Config: Cohere2ForCausalLM (modelo Cohere2Config)
- Clase de configuración Cohere2MoeConfig: Cohere2MoeForCausalLM (modelo Cohere2MoeConfig)
- Clase de configuración CohereCompassTextConfig: CohereCompassForCausalLM (modelo CohereCompassTextConfig)
- Clase de configuración CohereConfig: CohereForCausalLM (modelo CohereConfig)
- Clase de configuración CpmAntConfig: CpmAntForCausalLM (modelo CpmAntConfig)
- Clase de configuración CwmConfig: CwmForCausalLM (modelo CwmConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForCausalLM (modelo Data2VecTextConfig)
- Clase de configuración DbrxConfig: DbrxForCausalLM (modelo DbrxConfig)
- Clase de configuración DeepseekV2Config: DeepseekV2ForCausalLM (modelo DeepseekV2Config)
- Clase de configuración DeepseekV32Config: DeepseekV32ForCausalLM (modelo DeepseekV32Config)
- Clase de configuración DeepseekV3Config: DeepseekV3ForCausalLM (modelo DeepseekV3Config)
- Clase de configuración DeepseekV4Config: DeepseekV4ForCausalLM (modelo DeepseekV4Config)
- Clase de configuración DiffLlamaConfig: DiffLlamaForCausalLM (modelo DiffLlamaConfig)
- Clase de configuración DogeConfig: DogeForCausalLM (modelo DogeConfig)
- Clase de configuración Dots1Config: Dots1ForCausalLM (modelo Dots1Config)
- Clase de configuración ElectraConfig: ElectraForCausalLM (modelo ElectraConfig)
- Clase de configuración Emu3Config: Emu3ForCausalLM (modelo Emu3Config)
- Clase de configuración Ernie4_5Config: Ernie4_5ForCausalLM (modelo Ernie4_5Config)
- Clase de configuración Ernie4_5_MoeConfig: Ernie4_5_MoeForCausalLM (modelo Ernie4_5_MoeConfig)
- Clase de configuración ErnieConfig: ErnieForCausalLM (modelo ErnieConfig)
- Clase de configuración Exaone4Config: Exaone4ForCausalLM (modelo Exaone4Config)
- Clase de configuración ExaoneMoeConfig: ExaoneMoeForCausalLM (modelo ExaoneMoeConfig)
- Clase de configuración FalconConfig: FalconForCausalLM (modelo FalconConfig)
- Clase de configuración FalconH1Config: FalconH1ForCausalLM (modelo FalconH1Config)
- Clase de configuración FalconMambaConfig: FalconMambaForCausalLM (modelo FalconMambaConfig)
- Clase de configuración FlexOlmoConfig: FlexOlmoForCausalLM (modelo FlexOlmoConfig)
- Clase de configuración FlintConfig: FlintForCausalLM (modelo FlintConfig)
- Clase de configuración FuyuConfig: FuyuForCausalLM (modelo FuyuConfig)
- Clase de configuración GPT2Config: GPT2LMHeadModel (modelo GPT2Config)
- Clase de configuración GPTBigCodeConfig: GPTBigCodeForCausalLM (modelo GPTBigCodeConfig)
- Clase de configuración GPTJConfig: GPTJForCausalLM (modelo GPTJConfig)
- Clase de configuración GPTNeoConfig: GPTNeoForCausalLM (modelo GPTNeoConfig)
- Clase de configuración GPTNeoXConfig: GPTNeoXForCausalLM (modelo GPTNeoXConfig)
- Clase de configuración GPTNeoXJapaneseConfig: GPTNeoXJapaneseForCausalLM (modelo GPTNeoXJapaneseConfig)
- Clase de configuración Gemma2Config: Gemma2ForCausalLM (modelo Gemma2Config)
- Clase de configuración Gemma3Config: Gemma3ForConditionalGeneration (modelo Gemma3Config)
- Clase de configuración Gemma3TextConfig: Gemma3ForCausalLM (modelo Gemma3TextConfig)
- Clase de configuración Gemma3nConfig: Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- Clase de configuración Gemma3nTextConfig: Gemma3nForCausalLM (modelo Gemma3nTextConfig)
- Clase de configuración Gemma4AssistantConfig: Gemma4AssistantForCausalLM (modelo Gemma4AssistantConfig)
- Clase de configuración Gemma4Config: Gemma4ForConditionalGeneration (modelo Gemma4Config)
- Clase de configuración Gemma4TextConfig: Gemma4ForCausalLM (modelo Gemma4TextConfig)
- Clase de configuración Gemma4UnifiedAssistantConfig: Gemma4UnifiedAssistantForCausalLM (modelo Gemma4UnifiedAssistantConfig)
- Clase de configuración Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- Clase de configuración Gemma4UnifiedTextConfig: Gemma4UnifiedForCausalLM (modelo Gemma4UnifiedTextConfig)
- Clase de configuración GemmaConfig: GemmaForCausalLM (modelo GemmaConfig)
- Clase de configuración GitConfig: GitForCausalLM (modelo GitConfig)
- Clase de configuración Glm4Config: Glm4ForCausalLM (modelo Glm4Config)
- Clase de configuración Glm4MoeConfig: Glm4MoeForCausalLM (modelo Glm4MoeConfig)
- Clase de configuración Glm4MoeLiteConfig: Glm4MoeLiteForCausalLM (modelo Glm4MoeLiteConfig)
- Clase de configuración GlmConfig: GlmForCausalLM (modelo GlmConfig)
- Clase de configuración GlmMoeDsaConfig: GlmMoeDsaForCausalLM (modelo GlmMoeDsaConfig)
- Clase de configuración GotOcr2Config: GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- Clase de configuración GptOssConfig: GptOssForCausalLM (modelo GptOssConfig)
- Clase de configuración GraniteConfig: GraniteForCausalLM (modelo GraniteConfig)
- Clase de configuración GraniteMoeConfig: GraniteMoeForCausalLM (modelo GraniteMoeConfig)
- Clase de configuración GraniteMoeHybridConfig: GraniteMoeHybridForCausalLM (modelo GraniteMoeHybridConfig)
- Clase de configuración GraniteMoeSWAConfig: GraniteMoeSWAForCausalLM (modelo GraniteMoeSWAConfig)
- Clase de configuración GraniteMoeSharedConfig: GraniteMoeSharedForCausalLM (modelo GraniteMoeSharedConfig)
- Clase de configuración GraniteSWAConfig: GraniteSWAForCausalLM (modelo GraniteSWAConfig)
- Clase de configuración HYV3Config: HYV3ForCausalLM (modelo HYV3Config)
- Clase de configuración HYV4Config: HYV4ForCausalLM (modelo HYV4Config)
- Clase de configuración HeliumConfig: HeliumForCausalLM (modelo HeliumConfig)
- Clase de configuración HrmTextConfig: HrmTextForCausalLM (modelo HrmTextConfig)
- Clase de configuración HunYuanDenseV1Config: HunYuanDenseV1ForCausalLM (modelo HunYuanDenseV1Config)
- Clase de configuración HunYuanMoEV1Config: HunYuanMoEV1ForCausalLM (modelo HunYuanMoEV1Config)
- Clase de configuración HyperCLOVAXConfig: HyperCLOVAXForCausalLM (modelo HyperCLOVAXConfig)
- Clase de configuración InklingTextConfig: InklingForCausalLM (modelo InklingTextConfig)
- Clase de configuración Jais2Config: Jais2ForCausalLM (modelo Jais2Config)
- Clase de configuración JambaConfig: JambaForCausalLM (modelo JambaConfig)
- Clase de configuración JetMoeConfig: JetMoeForCausalLM (modelo JetMoeConfig)
- Clase de configuración KimiLinearConfig: KimiLinearForCausalLM (modelo KimiLinearConfig)
- Clase de configuración Kolibri1Config: Kolibri1ForCausalLM (modelo Kolibri1Config)
- Clase de configuración LagunaConfig: LagunaForCausalLM (modelo LagunaConfig)
- Clase de configuración Lfm2Config: Lfm2ForCausalLM (modelo Lfm2Config)
- Clase de configuración Lfm2MoeConfig: Lfm2MoeForCausalLM (modelo Lfm2MoeConfig)
- Clase de configuración Lfm3Config: Lfm3ForCausalLM (modelo Lfm3Config)
- Clase de configuración Llama4Config: Llama4ForCausalLM (modelo Llama4Config)
- Clase de configuración Llama4TextConfig: Llama4ForCausalLM (modelo Llama4TextConfig)
- Clase de configuración LlamaConfig: LlamaForCausalLM (modelo LlamaConfig)
- Clase de configuración LongcatFlashConfig: LongcatFlashForCausalLM (modelo LongcatFlashConfig)
- Clase de configuración MBartConfig: MBartForCausalLM (modelo MBartConfig)
- Clase de configuración Mamba2Config: Mamba2ForCausalLM (modelo Mamba2Config)
- Clase de configuración MambaConfig: MambaForCausalLM (modelo MambaConfig)
- Clase de configuración MarianConfig: MarianForCausalLM (modelo MarianConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForCausalLM (modelo MegatronBertConfig)
- Clase de configuración MellumConfig: MellumForCausalLM (modelo MellumConfig)
- Clase de configuración MiMoV2FlashConfig: MiMoV2FlashForCausalLM (modelo MiMoV2FlashConfig)
- Clase de configuración MiniCPM3Config: MiniCPM3ForCausalLM (modelo MiniCPM3Config)
- Clase de configuración MiniMaxConfig: MiniMaxForCausalLM (modelo MiniMaxConfig)
- Clase de configuración MiniMaxM2Config: MiniMaxM2ForCausalLM (modelo MiniMaxM2Config)
- Clase de configuración MiniMaxM3VLTextConfig: MiniMaxM3VLForCausalLM (modelo MiniMaxM3VLTextConfig)
- Clase de configuración Ministral3Config: Ministral3ForCausalLM (modelo Ministral3Config)
- Clase de configuración MinistralConfig: MinistralForCausalLM (modelo MinistralConfig)
- Clase de configuración MistralConfig: MistralForCausalLM (modelo MistralConfig)
- Clase de configuración MixtralConfig: MixtralForCausalLM (modelo MixtralConfig)
- Clase de configuración MllamaConfig: MllamaForCausalLM (modelo MllamaConfig)
- Clase de configuración ModernBertDecoderConfig: ModernBertDecoderForCausalLM (modelo ModernBertDecoderConfig)
- Clase de configuración MoshiConfig: MoshiForCausalLM (modelo MoshiConfig)
- Clase de configuración MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- Clase de configuración MptConfig: MptForCausalLM (modelo MptConfig)
- Clase de configuración MusicgenConfig: MusicgenForCausalLM (modelo MusicgenConfig)
- Clase de configuración MusicgenMelodyConfig: MusicgenMelodyForCausalLM (modelo MusicgenMelodyConfig)
- Clase de configuración MvpConfig: MvpForCausalLM (modelo MvpConfig)
- Clase de configuración NanoChatConfig: NanoChatForCausalLM (modelo NanoChatConfig)
- Clase de configuración NemotronConfig: NemotronForCausalLM (modelo NemotronConfig)
- Clase de configuración NemotronHConfig: NemotronHForCausalLM (modelo NemotronHConfig)
- Clase de configuración OPTConfig: OPTForCausalLM (modelo OPTConfig)
- Clase de configuración Olmo2Config: Olmo2ForCausalLM (modelo Olmo2Config)
- Clase de configuración Olmo3Config: Olmo3ForCausalLM (modelo Olmo3Config)
- Clase de configuración OlmoConfig: OlmoForCausalLM (modelo OlmoConfig)
- Clase de configuración OlmoHybridConfig: OlmoHybridForCausalLM (modelo OlmoHybridConfig)
- Clase de configuración OlmoeConfig: OlmoeForCausalLM (modelo OlmoeConfig)
- Clase de configuración OpenAIGPTConfig: OpenAIGPTLMHeadModel (modelo OpenAIGPTConfig)
- Clase de configuración PLBartConfig: PLBartForCausalLM (modelo PLBartConfig)
- Clase de configuración PegasusConfig: PegasusForCausalLM (modelo PegasusConfig)
- Clase de configuración PersimmonConfig: PersimmonForCausalLM (modelo PersimmonConfig)
- Clase de configuración Phi3Config: Phi3ForCausalLM (modelo Phi3Config)
- Clase de configuración Phi4MultimodalConfig: Phi4MultimodalForCausalLM (modelo Phi4MultimodalConfig)
- Clase de configuración PhiConfig: PhiForCausalLM (modelo PhiConfig)
- Clase de configuración PhimoeConfig: PhimoeForCausalLM (modelo PhimoeConfig)
- Clase de configuración ProphetNetConfig: ProphetNetForCausalLM (modelo ProphetNetConfig)
- Clase de configuración Qwen2Config: Qwen2ForCausalLM (modelo Qwen2Config)
- Clase de configuración Qwen2MoeConfig: Qwen2MoeForCausalLM (modelo Qwen2MoeConfig)
- Clase de configuración Qwen3Config: Qwen3ForCausalLM (modelo Qwen3Config)
- Clase de configuración Qwen3MoeConfig: Qwen3MoeForCausalLM (modelo Qwen3MoeConfig)
- Clase de configuración Qwen3NextConfig: Qwen3NextForCausalLM (modelo Qwen3NextConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5ForCausalLM (modelo Qwen3_5Config)
- Clase de configuración Qwen3_5MoeConfig: Qwen3_5MoeForCausalLM (modelo Qwen3_5MoeConfig)
- Clase de configuración Qwen3_5MoeTextConfig: Qwen3_5MoeForCausalLM (modelo Qwen3_5MoeTextConfig)
- Clase de configuración Qwen3_5TextConfig: Qwen3_5ForCausalLM (modelo Qwen3_5TextConfig)
- Clase de configuración Qwen4ExpConfig: Qwen4ExpForCausalLM (modelo Qwen4ExpConfig)
- Clase de configuración Qwen4ExpTextConfig: Qwen4ExpForCausalLM (modelo Qwen4ExpTextConfig)
- Clase de configuración RecurrentGemmaConfig: RecurrentGemmaForCausalLM (modelo RecurrentGemmaConfig)
- Clase de configuración ReformerConfig: ReformerModelWithLMHead (modelo ReformerConfig)
- Clase de configuración RemBertConfig: RemBertForCausalLM (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForCausalLM (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForCausalLM (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForCausalLM (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForCausalLM (modelo RobertaPreLayerNormConfig)
- Clase de configuración RwkvConfig: RwkvForCausalLM (modelo RwkvConfig)
- Clase de configuración SeedOssConfig: SeedOssForCausalLM (modelo SeedOssConfig)
- Clase de configuración SmolLM3Config: SmolLM3ForCausalLM (modelo SmolLM3Config)
- Clase de configuración SolarOpenConfig: SolarOpenForCausalLM (modelo SolarOpenConfig)
- Clase de configuración StableLmConfig: StableLmForCausalLM (modelo StableLmConfig)
- Clase de configuración Starcoder2Config: Starcoder2ForCausalLM (modelo Starcoder2Config)
- Clase de configuración TrOCRConfig: TrOCRForCausalLM (modelo TrOCRConfig)
- Clase de configuración VaultGemmaConfig: VaultGemmaForCausalLM (modelo VaultGemmaConfig)
- Clase de configuración WhisperConfig: WhisperForCausalLM (modelo WhisperConfig)
- Clase de configuración XGLMConfig: XGLMForCausalLM (modelo XGLMConfig)
- Clase de configuración XLMConfig: XLMWithLMHeadModel (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForCausalLM (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForCausalLM (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetLMHeadModel (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForCausalLM (modelo XmodConfig)
- Clase de configuración YoutuConfig: YoutuForCausalLM (modelo YoutuConfig)
- Clase de configuración Zamba2Config: Zamba2ForCausalLM (modelo Zamba2Config)
- Clase de configuración ZambaConfig: ZambaForCausalLM (modelo ZambaConfig)
- Clase de configuración ZayaConfig: ZayaForCausalLM (modelo ZayaConfig)
- Clase de configuración xLSTMConfig: xLSTMForCausalLM (modelo xLSTMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- afmoe — AfmoeForCausalLM (modelo AfmoeConfig)
- apertus — ApertusForCausalLM (modelo ApertusConfig)
- arcee — ArceeForCausalLM (modelo ArceeConfig)
- aria_text — AriaTextForCausalLM (modelo AriaTextConfig)
- axk1 — AXK1ForCausalLM (modelo AXK1Config)
- axk2 — AXK2ForCausalLM (modelo AXK2Config)
- bailing_hybrid — BailingHybridForCausalLM (modelo BailingHybridConfig)
- bamba — BambaForCausalLM (modelo BambaConfig)
- bart — BartForCausalLM (modelo BartConfig)
- beam — BeamForCausalLM (modelo BeamConfig)
- bert — BertLMHeadModel (modelo BertConfig)
- bert-generation — BertGenerationDecoder (modelo BertGenerationConfig)
- big_bird — BigBirdForCausalLM (modelo BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForCausalLM (modelo BigBirdPegasusConfig)
- biogpt — BioGptForCausalLM (modelo BioGptConfig)
- bitnet — BitNetForCausalLM (modelo BitNetConfig)
- blenderbot — BlenderbotForCausalLM (modelo BlenderbotConfig)
- blenderbot-small — BlenderbotSmallForCausalLM (modelo BlenderbotSmallConfig)
- bloom — BloomForCausalLM (modelo BloomConfig)
- blt — BltForCausalLM (modelo BltConfig)
- camembert — CamembertForCausalLM (modelo CamembertConfig)
- codegen — CodeGenForCausalLM (modelo CodeGenConfig)
- cohere — CohereForCausalLM (modelo CohereConfig)
- cohere2 — Cohere2ForCausalLM (modelo Cohere2Config)
- cohere2_moe — Cohere2MoeForCausalLM (modelo Cohere2MoeConfig)
- cohere_compass_text — CohereCompassForCausalLM (modelo CohereCompassTextConfig)
- cpmant — CpmAntForCausalLM (modelo CpmAntConfig)
- ctrl — CTRLLMHeadModel (modelo CTRLConfig)
- cwm — CwmForCausalLM (modelo CwmConfig)
- data2vec-text — Data2VecTextForCausalLM (modelo Data2VecTextConfig)
- dbrx — DbrxForCausalLM (modelo DbrxConfig)
- deepseek_v2 — DeepseekV2ForCausalLM (modelo DeepseekV2Config)
- deepseek_v3 — DeepseekV3ForCausalLM (modelo DeepseekV3Config)
- deepseek_v32 — DeepseekV32ForCausalLM (modelo DeepseekV32Config)
- deepseek_v4 — DeepseekV4ForCausalLM (modelo DeepseekV4Config)
- diffllama — DiffLlamaForCausalLM (modelo DiffLlamaConfig)
- doge — DogeForCausalLM (modelo DogeConfig)
- dots1 — Dots1ForCausalLM (modelo Dots1Config)
- electra — ElectraForCausalLM (modelo ElectraConfig)
- emu3 — Emu3ForCausalLM (modelo Emu3Config)
- ernie — ErnieForCausalLM (modelo ErnieConfig)
- ernie4_5 — Ernie4_5ForCausalLM (modelo Ernie4_5Config)
- ernie4_5_moe — Ernie4_5_MoeForCausalLM (modelo Ernie4_5_MoeConfig)
- exaone4 — Exaone4ForCausalLM (modelo Exaone4Config)
- exaone_moe — ExaoneMoeForCausalLM (modelo ExaoneMoeConfig)
- falcon — FalconForCausalLM (modelo FalconConfig)
- falcon_h1 — FalconH1ForCausalLM (modelo FalconH1Config)
- falcon_mamba — FalconMambaForCausalLM (modelo FalconMambaConfig)
- flex_olmo — FlexOlmoForCausalLM (modelo FlexOlmoConfig)
- flint — FlintForCausalLM (modelo FlintConfig)
- fuyu — FuyuForCausalLM (modelo FuyuConfig)
- gemma — GemmaForCausalLM (modelo GemmaConfig)
- gemma2 — Gemma2ForCausalLM (modelo Gemma2Config)
- gemma3 — Gemma3ForConditionalGeneration (modelo Gemma3Config)
- gemma3_text — Gemma3ForCausalLM (modelo Gemma3TextConfig)
- gemma3n — Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- gemma3n_text — Gemma3nForCausalLM (modelo Gemma3nTextConfig)
- gemma4 — Gemma4ForConditionalGeneration (modelo Gemma4Config)
- gemma4_assistant — Gemma4AssistantForCausalLM (modelo Gemma4AssistantConfig)
- gemma4_text — Gemma4ForCausalLM (modelo Gemma4TextConfig)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- gemma4_unified_assistant — Gemma4UnifiedAssistantForCausalLM (modelo Gemma4UnifiedAssistantConfig)
- gemma4_unified_text — Gemma4UnifiedForCausalLM (modelo Gemma4UnifiedTextConfig)
- git — GitForCausalLM (modelo GitConfig)
- glm — GlmForCausalLM (modelo GlmConfig)
- glm4 — Glm4ForCausalLM (modelo Glm4Config)
- glm4_moe — Glm4MoeForCausalLM (modelo Glm4MoeConfig)
- glm4_moe_lite — Glm4MoeLiteForCausalLM (modelo Glm4MoeLiteConfig)
- glm_moe_dsa — GlmMoeDsaForCausalLM (modelo GlmMoeDsaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- gpt-sw3 — GPT2LMHeadModel (modelo GPT2Config)
- gpt2 — GPT2LMHeadModel (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeForCausalLM (modelo GPTBigCodeConfig)
- gpt_neo — GPTNeoForCausalLM (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXForCausalLM (modelo GPTNeoXConfig)
- gpt_neox_japanese — GPTNeoXJapaneseForCausalLM (modelo GPTNeoXJapaneseConfig)
- gpt_oss — GptOssForCausalLM (modelo GptOssConfig)
- gptj — GPTJForCausalLM (modelo GPTJConfig)
- granite — GraniteForCausalLM (modelo GraniteConfig)
- granite_swa — GraniteSWAForCausalLM (modelo GraniteSWAConfig)
- granitemoe — GraniteMoeForCausalLM (modelo GraniteMoeConfig)
- granitemoe_swa — GraniteMoeSWAForCausalLM (modelo GraniteMoeSWAConfig)
- granitemoehybrid — GraniteMoeHybridForCausalLM (modelo GraniteMoeHybridConfig)
- granitemoeshared — GraniteMoeSharedForCausalLM (modelo GraniteMoeSharedConfig)
- helium — HeliumForCausalLM (modelo HeliumConfig)
- hrm_text — HrmTextForCausalLM (modelo HrmTextConfig)
- hunyuan_v1_dense — HunYuanDenseV1ForCausalLM (modelo HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1ForCausalLM (modelo HunYuanMoEV1Config)
- hy_v3 — HYV3ForCausalLM (modelo HYV3Config)
- hy_v4 — HYV4ForCausalLM (modelo HYV4Config)
- hyperclovax — HyperCLOVAXForCausalLM (modelo HyperCLOVAXConfig)
- inkling_text — InklingForCausalLM (modelo InklingTextConfig)
- jais2 — Jais2ForCausalLM (modelo Jais2Config)
- jamba — JambaForCausalLM (modelo JambaConfig)
- jetmoe — JetMoeForCausalLM (modelo JetMoeConfig)
- kimi_linear — KimiLinearForCausalLM (modelo KimiLinearConfig)
- kolibri1 — Kolibri1ForCausalLM (modelo Kolibri1Config)
- laguna — LagunaForCausalLM (modelo LagunaConfig)
- lfm2 — Lfm2ForCausalLM (modelo Lfm2Config)
- lfm2_moe — Lfm2MoeForCausalLM (modelo Lfm2MoeConfig)
- lfm3 — Lfm3ForCausalLM (modelo Lfm3Config)
- llama — LlamaForCausalLM (modelo LlamaConfig)
- llama4 — Llama4ForCausalLM (modelo Llama4Config)
- llama4_text — Llama4ForCausalLM (modelo Llama4TextConfig)
- longcat_flash — LongcatFlashForCausalLM (modelo LongcatFlashConfig)
- mamba — MambaForCausalLM (modelo MambaConfig)
- mamba2 — Mamba2ForCausalLM (modelo Mamba2Config)
- marian — MarianForCausalLM (modelo MarianConfig)
- mbart — MBartForCausalLM (modelo MBartConfig)
- megatron-bert — MegatronBertForCausalLM (modelo MegatronBertConfig)
- mellum — MellumForCausalLM (modelo MellumConfig)
- mimo_v2_flash — MiMoV2FlashForCausalLM (modelo MiMoV2FlashConfig)
- minicpm3 — MiniCPM3ForCausalLM (modelo MiniCPM3Config)
- minimax — MiniMaxForCausalLM (modelo MiniMaxConfig)
- minimax_m2 — MiniMaxM2ForCausalLM (modelo MiniMaxM2Config)
- minimax_m3_vl_text — MiniMaxM3VLForCausalLM (modelo MiniMaxM3VLTextConfig)
- ministral — MinistralForCausalLM (modelo MinistralConfig)
- ministral3 — Ministral3ForCausalLM (modelo Ministral3Config)
- mistral — MistralForCausalLM (modelo MistralConfig)
- mixtral — MixtralForCausalLM (modelo MixtralConfig)
- mllama — MllamaForCausalLM (modelo MllamaConfig)
- modernbert-decoder — ModernBertDecoderForCausalLM (modelo ModernBertDecoderConfig)
- moshi — MoshiForCausalLM (modelo MoshiConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- mpt — MptForCausalLM (modelo MptConfig)
- musicgen — MusicgenForCausalLM (modelo MusicgenConfig)
- musicgen_melody — MusicgenMelodyForCausalLM (modelo MusicgenMelodyConfig)
- mvp — MvpForCausalLM (modelo MvpConfig)
- nanochat — NanoChatForCausalLM (modelo NanoChatConfig)
- nemotron — NemotronForCausalLM (modelo NemotronConfig)
- nemotron_h — NemotronHForCausalLM (modelo NemotronHConfig)
- olmo — OlmoForCausalLM (modelo OlmoConfig)
- olmo2 — Olmo2ForCausalLM (modelo Olmo2Config)
- olmo3 — Olmo3ForCausalLM (modelo Olmo3Config)
- olmo_hybrid — OlmoHybridForCausalLM (modelo OlmoHybridConfig)
- olmoe — OlmoeForCausalLM (modelo OlmoeConfig)
- openai-gpt — OpenAIGPTLMHeadModel (modelo OpenAIGPTConfig)
- opt — OPTForCausalLM (modelo OPTConfig)
- pegasus — PegasusForCausalLM (modelo PegasusConfig)
- persimmon — PersimmonForCausalLM (modelo PersimmonConfig)
- phi — PhiForCausalLM (modelo PhiConfig)
- phi3 — Phi3ForCausalLM (modelo Phi3Config)
- phi4_multimodal — Phi4MultimodalForCausalLM (modelo Phi4MultimodalConfig)
- phimoe — PhimoeForCausalLM (modelo PhimoeConfig)
- plbart — PLBartForCausalLM (modelo PLBartConfig)
- prophetnet — ProphetNetForCausalLM (modelo ProphetNetConfig)
- qwen2 — Qwen2ForCausalLM (modelo Qwen2Config)
- qwen2_moe — Qwen2MoeForCausalLM (modelo Qwen2MoeConfig)
- qwen3 — Qwen3ForCausalLM (modelo Qwen3Config)
- qwen3_5 — Qwen3_5ForCausalLM (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForCausalLM (modelo Qwen3_5MoeConfig)
- qwen3_5_moe_text — Qwen3_5MoeForCausalLM (modelo Qwen3_5MoeTextConfig)
- qwen3_5_text — Qwen3_5ForCausalLM (modelo Qwen3_5TextConfig)
- qwen3_moe — Qwen3MoeForCausalLM (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextForCausalLM (modelo Qwen3NextConfig)
- qwen4_exp — Qwen4ExpForCausalLM (modelo Qwen4ExpConfig)
- qwen4_exp_text — Qwen4ExpForCausalLM (modelo Qwen4ExpTextConfig)
- recurrent_gemma — RecurrentGemmaForCausalLM (modelo RecurrentGemmaConfig)
- reformer — ReformerModelWithLMHead (modelo ReformerConfig)
- rembert — RemBertForCausalLM (modelo RemBertConfig)
- roberta — RobertaForCausalLM (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForCausalLM (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForCausalLM (modelo RoCBertConfig)
- roformer — RoFormerForCausalLM (modelo RoFormerConfig)
- rwkv — RwkvForCausalLM (modelo RwkvConfig)
- seed_oss — SeedOssForCausalLM (modelo SeedOssConfig)
- smollm3 — SmolLM3ForCausalLM (modelo SmolLM3Config)
- solar_open — SolarOpenForCausalLM (modelo SolarOpenConfig)
- stablelm — StableLmForCausalLM (modelo StableLmConfig)
- starcoder2 — Starcoder2ForCausalLM (modelo Starcoder2Config)
- trocr — TrOCRForCausalLM (modelo TrOCRConfig)
- vaultgemma — VaultGemmaForCausalLM (modelo VaultGemmaConfig)
- whisper — WhisperForCausalLM (modelo WhisperConfig)
- xglm — XGLMForCausalLM (modelo XGLMConfig)
- xlm — XLMWithLMHeadModel (modelo XLMConfig)
- xlm-roberta — XLMRobertaForCausalLM (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForCausalLM (modelo XLMRobertaXLConfig)
- xlnet — XLNetLMHeadModel (modelo XLNetConfig)
- xlstm — xLSTMForCausalLM (modelo xLSTMConfig)
- xmod — XmodForCausalLM (modelo XmodConfig)
- youtu — YoutuForCausalLM (modelo YoutuConfig)
- zamba — ZambaForCausalLM (modelo ZambaConfig)
- zamba2 — Zamba2ForCausalLM (modelo Zamba2Config)
- zaya — ZayaForCausalLM (modelo ZayaConfig)
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
TrueAutoModelForMaskedLM
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AlbertConfig: AlbertForMaskedLM (modelo AlbertConfig)
- Clase de configuración BartConfig: BartForConditionalGeneration (modelo BartConfig)
- Clase de configuración BertConfig: BertForMaskedLM (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForMaskedLM (modelo BigBirdConfig)
- Clase de configuración CamembertConfig: CamembertForMaskedLM (modelo CamembertConfig)
- Clase de configuración ConvBertConfig: ConvBertForMaskedLM (modelo ConvBertConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForMaskedLM (modelo Data2VecTextConfig)
- Clase de configuración DebertaConfig: DebertaForMaskedLM (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForMaskedLM (modelo DebertaV2Config)
- Clase de configuración DistilBertConfig: DistilBertForMaskedLM (modelo DistilBertConfig)
- Clase de configuración ElectraConfig: ElectraForMaskedLM (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForMaskedLM (modelo ErnieConfig)
- Clase de configuración EsmConfig: EsmForMaskedLM (modelo EsmConfig)
- Clase de configuración EsmcConfig: EsmcForMaskedLM (modelo EsmcConfig)
- Clase de configuración EuroBertConfig: EuroBertForMaskedLM (modelo EuroBertConfig)
- Clase de configuración FNetConfig: FNetForMaskedLM (modelo FNetConfig)
- Clase de configuración FlaubertConfig: FlaubertWithLMHeadModel (modelo FlaubertConfig)
- Clase de configuración FunnelConfig: FunnelForMaskedLM (modelo FunnelConfig)
- Clase de configuración GteConfig: GteForMaskedLM (modelo GteConfig)
- Clase de configuración IBertConfig: IBertForMaskedLM (modelo IBertConfig)
- Clase de configuración JinaEmbeddingsV3Config: JinaEmbeddingsV3ForMaskedLM (modelo JinaEmbeddingsV3Config)
- Clase de configuración LayoutLMConfig: LayoutLMForMaskedLM (modelo LayoutLMConfig)
- Clase de configuración LongformerConfig: LongformerForMaskedLM (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForMaskedLM (modelo LukeConfig)
- Clase de configuración MBartConfig: MBartForConditionalGeneration (modelo MBartConfig)
- Clase de configuración MPNetConfig: MPNetForMaskedLM (modelo MPNetConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForMaskedLM (modelo MegatronBertConfig)
- Clase de configuración MobileBertConfig: MobileBertForMaskedLM (modelo MobileBertConfig)
- Clase de configuración ModernBertConfig: ModernBertForMaskedLM (modelo ModernBertConfig)
- Clase de configuración ModernVBertConfig: ModernVBertForMaskedLM (modelo ModernVBertConfig)
- Clase de configuración MraConfig: MraForMaskedLM (modelo MraConfig)
- Clase de configuración MvpConfig: MvpForConditionalGeneration (modelo MvpConfig)
- Clase de configuración NeoMMEConfig: NeoMMEForMaskedLM (modelo NeoMMEConfig)
- Clase de configuración NomicBertConfig: NomicBertForMaskedLM (modelo NomicBertConfig)
- Clase de configuración NystromformerConfig: NystromformerForMaskedLM (modelo NystromformerConfig)
- Clase de configuración PerceiverConfig: PerceiverForMaskedLM (modelo PerceiverConfig)
- Clase de configuración ReformerConfig: ReformerForMaskedLM (modelo ReformerConfig)
- Clase de configuración RemBertConfig: RemBertForMaskedLM (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForMaskedLM (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForMaskedLM (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForMaskedLM (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForMaskedLM (modelo RobertaPreLayerNormConfig)
- Clase de configuración SqueezeBertConfig: SqueezeBertForMaskedLM (modelo SqueezeBertConfig)
- Clase de configuración TapasConfig: TapasForMaskedLM (modelo TapasConfig)
- Clase de configuración UltraVBertConfig: UltraVBertForMaskedLM (modelo UltraVBertConfig)
- Clase de configuración UltrabertConfig: UltrabertForMaskedLM (modelo UltrabertConfig)
- Clase de configuración XLMConfig: XLMWithLMHeadModel (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForMaskedLM (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForMaskedLM (modelo XLMRobertaXLConfig)
- Clase de configuración XmodConfig: XmodForMaskedLM (modelo XmodConfig)
- Clase de configuración YosoConfig: YosoForMaskedLM (modelo YosoConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForMaskedLM (modelo AlbertConfig)
- bart — BartForConditionalGeneration (modelo BartConfig)
- bert — BertForMaskedLM (modelo BertConfig)
- big_bird — BigBirdForMaskedLM (modelo BigBirdConfig)
- camembert — CamembertForMaskedLM (modelo CamembertConfig)
- convbert — ConvBertForMaskedLM (modelo ConvBertConfig)
- data2vec-text — Data2VecTextForMaskedLM (modelo Data2VecTextConfig)
- deberta — DebertaForMaskedLM (modelo DebertaConfig)
- deberta-v2 — DebertaV2ForMaskedLM (modelo DebertaV2Config)
- distilbert — DistilBertForMaskedLM (modelo DistilBertConfig)
- electra — ElectraForMaskedLM (modelo ElectraConfig)
- ernie — ErnieForMaskedLM (modelo ErnieConfig)
- esm — EsmForMaskedLM (modelo EsmConfig)
- esmc — EsmcForMaskedLM (modelo EsmcConfig)
- eurobert — EuroBertForMaskedLM (modelo EuroBertConfig)
- flaubert — FlaubertWithLMHeadModel (modelo FlaubertConfig)
- fnet — FNetForMaskedLM (modelo FNetConfig)
- funnel — FunnelForMaskedLM (modelo FunnelConfig)
- gte — GteForMaskedLM (modelo GteConfig)
- ibert — IBertForMaskedLM (modelo IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForMaskedLM (modelo JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForMaskedLM (modelo LayoutLMConfig)
- longformer — LongformerForMaskedLM (modelo LongformerConfig)
- luke — LukeForMaskedLM (modelo LukeConfig)
- mbart — MBartForConditionalGeneration (modelo MBartConfig)
- megatron-bert — MegatronBertForMaskedLM (modelo MegatronBertConfig)
- mobilebert — MobileBertForMaskedLM (modelo MobileBertConfig)
- modernbert — ModernBertForMaskedLM (modelo ModernBertConfig)
- modernvbert — ModernVBertForMaskedLM (modelo ModernVBertConfig)
- mpnet — MPNetForMaskedLM (modelo MPNetConfig)
- mra — MraForMaskedLM (modelo MraConfig)
- mvp — MvpForConditionalGeneration (modelo MvpConfig)
- neomme — NeoMMEForMaskedLM (modelo NeoMMEConfig)
- nomic_bert — NomicBertForMaskedLM (modelo NomicBertConfig)
- nystromformer — NystromformerForMaskedLM (modelo NystromformerConfig)
- perceiver — PerceiverForMaskedLM (modelo PerceiverConfig)
- reformer — ReformerForMaskedLM (modelo ReformerConfig)
- rembert — RemBertForMaskedLM (modelo RemBertConfig)
- roberta — RobertaForMaskedLM (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMaskedLM (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForMaskedLM (modelo RoCBertConfig)
- roformer — RoFormerForMaskedLM (modelo RoFormerConfig)
- squeezebert — SqueezeBertForMaskedLM (modelo SqueezeBertConfig)
- tapas — TapasForMaskedLM (modelo TapasConfig)
- ultrabert — UltrabertForMaskedLM (modelo UltrabertConfig)
- ultravbert — UltraVBertForMaskedLM (modelo UltraVBertConfig)
- xlm — XLMWithLMHeadModel (modelo XLMConfig)
- xlm-roberta — XLMRobertaForMaskedLM (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMaskedLM (modelo XLMRobertaXLConfig)
- xmod — XmodForMaskedLM (modelo XmodConfig)
- yoso — YosoForMaskedLM (modelo YosoConfig)
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
TrueAutoModelForMaskGeneration
AutoModelForSeq2SeqLM
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AudioFlamingo3Config: AudioFlamingo3ForConditionalGeneration (modelo AudioFlamingo3Config)
- Clase de configuración BartConfig: BartForConditionalGeneration (modelo BartConfig)
- Clase de configuración BigBirdPegasusConfig: BigBirdPegasusForConditionalGeneration (modelo BigBirdPegasusConfig)
- Clase de configuración BlenderbotConfig: BlenderbotForConditionalGeneration (modelo BlenderbotConfig)
- Clase de configuración BlenderbotSmallConfig: BlenderbotSmallForConditionalGeneration (modelo BlenderbotSmallConfig)
- Clase de configuración EncoderDecoderConfig: EncoderDecoderModel (modelo EncoderDecoderConfig)
- Clase de configuración FSMTConfig: FSMTForConditionalGeneration (modelo FSMTConfig)
- Clase de configuración GlmAsrConfig: GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- Clase de configuración GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- Clase de configuración GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- Clase de configuración LEDConfig: LEDForConditionalGeneration (modelo LEDConfig)
- Clase de configuración LongT5Config: LongT5ForConditionalGeneration (modelo LongT5Config)
- Clase de configuración M2M100Config: M2M100ForConditionalGeneration (modelo M2M100Config)
- Clase de configuración MBartConfig: MBartForConditionalGeneration (modelo MBartConfig)
- Clase de configuración MT5Config: MT5ForConditionalGeneration (modelo MT5Config)
- Clase de configuración MarianConfig: MarianMTModel (modelo MarianConfig)
- Clase de configuración MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- Clase de configuración MusicFlamingoConfig: MusicFlamingoForConditionalGeneration (modelo MusicFlamingoConfig)
- Clase de configuración MvpConfig: MvpForConditionalGeneration (modelo MvpConfig)
- Clase de configuración Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- Clase de configuración NllbMoeConfig: NllbMoeForConditionalGeneration (modelo NllbMoeConfig)
- Clase de configuración PLBartConfig: PLBartForConditionalGeneration (modelo PLBartConfig)
- Clase de configuración PegasusConfig: PegasusForConditionalGeneration (modelo PegasusConfig)
- Clase de configuración PegasusXConfig: PegasusXForConditionalGeneration (modelo PegasusXConfig)
- Clase de configuración ProphetNetConfig: ProphetNetForConditionalGeneration (modelo ProphetNetConfig)
- Clase de configuración Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- Clase de configuración SeamlessM4TConfig: SeamlessM4TForTextToText (modelo SeamlessM4TConfig)
- Clase de configuración SeamlessM4Tv2Config: SeamlessM4Tv2ForTextToText (modelo SeamlessM4Tv2Config)
- Clase de configuración SwitchTransformersConfig: SwitchTransformersForConditionalGeneration (modelo SwitchTransformersConfig)
- Clase de configuración T5Config: T5ForConditionalGeneration (modelo T5Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- Clase de configuración T5GemmaConfig: T5GemmaForConditionalGeneration (modelo T5GemmaConfig)
- Clase de configuración UMT5Config: UMT5ForConditionalGeneration (modelo UMT5Config)
- Clase de configuración VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- Clase de configuración VoxtralConfig: VoxtralForConditionalGeneration (modelo VoxtralConfig)
- Clase de configuración VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- audioflamingo3 — AudioFlamingo3ForConditionalGeneration (modelo AudioFlamingo3Config)
- bart — BartForConditionalGeneration (modelo BartConfig)
- bigbird_pegasus — BigBirdPegasusForConditionalGeneration (modelo BigBirdPegasusConfig)
- blenderbot — BlenderbotForConditionalGeneration (modelo BlenderbotConfig)
- blenderbot-small — BlenderbotSmallForConditionalGeneration (modelo BlenderbotSmallConfig)
- encoder-decoder — EncoderDecoderModel (modelo EncoderDecoderConfig)
- fsmt — FSMTForConditionalGeneration (modelo FSMTConfig)
- glmasr — GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- led — LEDForConditionalGeneration (modelo LEDConfig)
- longt5 — LongT5ForConditionalGeneration (modelo LongT5Config)
- m2m_100 — M2M100ForConditionalGeneration (modelo M2M100Config)
- marian — MarianMTModel (modelo MarianConfig)
- mbart — MBartForConditionalGeneration (modelo MBartConfig)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- mt5 — MT5ForConditionalGeneration (modelo MT5Config)
- musicflamingo — MusicFlamingoForConditionalGeneration (modelo MusicFlamingoConfig)
- mvp — MvpForConditionalGeneration (modelo MvpConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- nllb-moe — NllbMoeForConditionalGeneration (modelo NllbMoeConfig)
- pegasus — PegasusForConditionalGeneration (modelo PegasusConfig)
- pegasus_x — PegasusXForConditionalGeneration (modelo PegasusXConfig)
- plbart — PLBartForConditionalGeneration (modelo PLBartConfig)
- prophetnet — ProphetNetForConditionalGeneration (modelo ProphetNetConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- seamless_m4t — SeamlessM4TForTextToText (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2ForTextToText (modelo SeamlessM4Tv2Config)
- switch_transformers — SwitchTransformersForConditionalGeneration (modelo SwitchTransformersConfig)
- t5 — T5ForConditionalGeneration (modelo T5Config)
- t5gemma — T5GemmaForConditionalGeneration (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- umt5 — UMT5ForConditionalGeneration (modelo UMT5Config)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- voxtral — VoxtralForConditionalGeneration (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
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
TrueAutoModelForSequenceClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AXK1Config: AXK1ForSequenceClassification (modelo AXK1Config)
- Clase de configuración AXK2Config: AXK2ForSequenceClassification (modelo AXK2Config)
- Clase de configuración AlbertConfig: AlbertForSequenceClassification (modelo AlbertConfig)
- Clase de configuración ArceeConfig: ArceeForSequenceClassification (modelo ArceeConfig)
- Clase de configuración BartConfig: BartForSequenceClassification (modelo BartConfig)
- Clase de configuración BertConfig: BertForSequenceClassification (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForSequenceClassification (modelo BigBirdConfig)
- Clase de configuración BigBirdPegasusConfig: BigBirdPegasusForSequenceClassification (modelo BigBirdPegasusConfig)
- Clase de configuración BioGptConfig: BioGptForSequenceClassification (modelo BioGptConfig)
- Clase de configuración BloomConfig: BloomForSequenceClassification (modelo BloomConfig)
- Clase de configuración CTRLConfig: CTRLForSequenceClassification (modelo CTRLConfig)
- Clase de configuración CamembertConfig: CamembertForSequenceClassification (modelo CamembertConfig)
- Clase de configuración CanineConfig: CanineForSequenceClassification (modelo CanineConfig)
- Clase de configuración CohereCompassTextConfig: CohereCompassTextForSequenceClassification (modelo CohereCompassTextConfig)
- Clase de configuración ConvBertConfig: ConvBertForSequenceClassification (modelo ConvBertConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForSequenceClassification (modelo Data2VecTextConfig)
- Clase de configuración DebertaConfig: DebertaForSequenceClassification (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForSequenceClassification (modelo DebertaV2Config)
- Clase de configuración DeepseekV2Config: DeepseekV2ForSequenceClassification (modelo DeepseekV2Config)
- Clase de configuración DeepseekV3Config: DeepseekV3ForSequenceClassification (modelo DeepseekV3Config)
- Clase de configuración DiffLlamaConfig: DiffLlamaForSequenceClassification (modelo DiffLlamaConfig)
- Clase de configuración DistilBertConfig: DistilBertForSequenceClassification (modelo DistilBertConfig)
- Clase de configuración DogeConfig: DogeForSequenceClassification (modelo DogeConfig)
- Clase de configuración ElectraConfig: ElectraForSequenceClassification (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForSequenceClassification (modelo ErnieConfig)
- Clase de configuración EsmConfig: EsmForSequenceClassification (modelo EsmConfig)
- Clase de configuración EsmcConfig: EsmcForSequenceClassification (modelo EsmcConfig)
- Clase de configuración EuroBertConfig: EuroBertForSequenceClassification (modelo EuroBertConfig)
- Clase de configuración Exaone4Config: Exaone4ForSequenceClassification (modelo Exaone4Config)
- Clase de configuración FNetConfig: FNetForSequenceClassification (modelo FNetConfig)
- Clase de configuración FalconConfig: FalconForSequenceClassification (modelo FalconConfig)
- Clase de configuración FlaubertConfig: FlaubertForSequenceClassification (modelo FlaubertConfig)
- Clase de configuración FunnelConfig: FunnelForSequenceClassification (modelo FunnelConfig)
- Clase de configuración GPT2Config: GPT2ForSequenceClassification (modelo GPT2Config)
- Clase de configuración GPTBigCodeConfig: GPTBigCodeForSequenceClassification (modelo GPTBigCodeConfig)
- Clase de configuración GPTJConfig: GPTJForSequenceClassification (modelo GPTJConfig)
- Clase de configuración GPTNeoConfig: GPTNeoForSequenceClassification (modelo GPTNeoConfig)
- Clase de configuración GPTNeoXConfig: GPTNeoXForSequenceClassification (modelo GPTNeoXConfig)
- Clase de configuración Gemma2Config: Gemma2ForSequenceClassification (modelo Gemma2Config)
- Clase de configuración Gemma3Config: Gemma3ForSequenceClassification (modelo Gemma3Config)
- Clase de configuración Gemma3TextConfig: Gemma3TextForSequenceClassification (modelo Gemma3TextConfig)
- Clase de configuración GemmaConfig: GemmaForSequenceClassification (modelo GemmaConfig)
- Clase de configuración Glm4Config: Glm4ForSequenceClassification (modelo Glm4Config)
- Clase de configuración GlmConfig: GlmForSequenceClassification (modelo GlmConfig)
- Clase de configuración GptOssConfig: GptOssForSequenceClassification (modelo GptOssConfig)
- Clase de configuración GteConfig: GteForSequenceClassification (modelo GteConfig)
- Clase de configuración HeliumConfig: HeliumForSequenceClassification (modelo HeliumConfig)
- Clase de configuración HunYuanDenseV1Config: HunYuanDenseV1ForSequenceClassification (modelo HunYuanDenseV1Config)
- Clase de configuración HunYuanMoEV1Config: HunYuanMoEV1ForSequenceClassification (modelo HunYuanMoEV1Config)
- Clase de configuración IBertConfig: IBertForSequenceClassification (modelo IBertConfig)
- Clase de configuración JambaConfig: JambaForSequenceClassification (modelo JambaConfig)
- Clase de configuración JetMoeConfig: JetMoeForSequenceClassification (modelo JetMoeConfig)
- Clase de configuración JinaEmbeddingsV3Config: JinaEmbeddingsV3ForSequenceClassification (modelo JinaEmbeddingsV3Config)
- Clase de configuración LayoutLMConfig: LayoutLMForSequenceClassification (modelo LayoutLMConfig)
- Clase de configuración LayoutLMv2Config: LayoutLMv2ForSequenceClassification (modelo LayoutLMv2Config)
- Clase de configuración LayoutLMv3Config: LayoutLMv3ForSequenceClassification (modelo LayoutLMv3Config)
- Clase de configuración LiltConfig: LiltForSequenceClassification (modelo LiltConfig)
- Clase de configuración LlamaConfig: LlamaForSequenceClassification (modelo LlamaConfig)
- Clase de configuración LongformerConfig: LongformerForSequenceClassification (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForSequenceClassification (modelo LukeConfig)
- Clase de configuración MBartConfig: MBartForSequenceClassification (modelo MBartConfig)
- Clase de configuración MPNetConfig: MPNetForSequenceClassification (modelo MPNetConfig)
- Clase de configuración MT5Config: MT5ForSequenceClassification (modelo MT5Config)
- Clase de configuración MarkupLMConfig: MarkupLMForSequenceClassification (modelo MarkupLMConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForSequenceClassification (modelo MegatronBertConfig)
- Clase de configuración MiniCPM3Config: MiniCPM3ForSequenceClassification (modelo MiniCPM3Config)
- Clase de configuración MiniMaxConfig: MiniMaxForSequenceClassification (modelo MiniMaxConfig)
- Clase de configuración Ministral3Config: Ministral3ForSequenceClassification (modelo Ministral3Config)
- Clase de configuración MinistralConfig: MinistralForSequenceClassification (modelo MinistralConfig)
- Clase de configuración Mistral4Config: Mistral4ForSequenceClassification (modelo Mistral4Config)
- Clase de configuración MistralConfig: MistralForSequenceClassification (modelo MistralConfig)
- Clase de configuración MixtralConfig: MixtralForSequenceClassification (modelo MixtralConfig)
- Clase de configuración MobileBertConfig: MobileBertForSequenceClassification (modelo MobileBertConfig)
- Clase de configuración ModernBertConfig: ModernBertForSequenceClassification (modelo ModernBertConfig)
- Clase de configuración ModernBertDecoderConfig: ModernBertDecoderForSequenceClassification (modelo ModernBertDecoderConfig)
- Clase de configuración ModernVBertConfig: ModernVBertForSequenceClassification (modelo ModernVBertConfig)
- Clase de configuración MptConfig: MptForSequenceClassification (modelo MptConfig)
- Clase de configuración MraConfig: MraForSequenceClassification (modelo MraConfig)
- Clase de configuración MvpConfig: MvpForSequenceClassification (modelo MvpConfig)
- Clase de configuración NemotronConfig: NemotronForSequenceClassification (modelo NemotronConfig)
- Clase de configuración NomicBertConfig: NomicBertForSequenceClassification (modelo NomicBertConfig)
- Clase de configuración NystromformerConfig: NystromformerForSequenceClassification (modelo NystromformerConfig)
- Clase de configuración OPTConfig: OPTForSequenceClassification (modelo OPTConfig)
- Clase de configuración Olmo2Config: Olmo2ForSequenceClassification (modelo Olmo2Config)
- Clase de configuración Olmo3Config: Olmo3ForSequenceClassification (modelo Olmo3Config)
- Clase de configuración OlmoConfig: OlmoForSequenceClassification (modelo OlmoConfig)
- Clase de configuración OpenAIGPTConfig: OpenAIGPTForSequenceClassification (modelo OpenAIGPTConfig)
- Clase de configuración PLBartConfig: PLBartForSequenceClassification (modelo PLBartConfig)
- Clase de configuración PerceiverConfig: PerceiverForSequenceClassification (modelo PerceiverConfig)
- Clase de configuración PersimmonConfig: PersimmonForSequenceClassification (modelo PersimmonConfig)
- Clase de configuración Phi3Config: Phi3ForSequenceClassification (modelo Phi3Config)
- Clase de configuración PhiConfig: PhiForSequenceClassification (modelo PhiConfig)
- Clase de configuración PhimoeConfig: PhimoeForSequenceClassification (modelo PhimoeConfig)
- Clase de configuración Qwen2Config: Qwen2ForSequenceClassification (modelo Qwen2Config)
- Clase de configuración Qwen2MoeConfig: Qwen2MoeForSequenceClassification (modelo Qwen2MoeConfig)
- Clase de configuración Qwen3Config: Qwen3ForSequenceClassification (modelo Qwen3Config)
- Clase de configuración Qwen3MoeConfig: Qwen3MoeForSequenceClassification (modelo Qwen3MoeConfig)
- Clase de configuración Qwen3NextConfig: Qwen3NextForSequenceClassification (modelo Qwen3NextConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5ForSequenceClassification (modelo Qwen3_5Config)
- Clase de configuración Qwen3_5TextConfig: Qwen3_5TextForSequenceClassification (modelo Qwen3_5TextConfig)
- Clase de configuración ReformerConfig: ReformerForSequenceClassification (modelo ReformerConfig)
- Clase de configuración RemBertConfig: RemBertForSequenceClassification (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForSequenceClassification (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForSequenceClassification (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForSequenceClassification (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForSequenceClassification (modelo RobertaPreLayerNormConfig)
- Clase de configuración SeedOssConfig: SeedOssForSequenceClassification (modelo SeedOssConfig)
- Clase de configuración SmolLM3Config: SmolLM3ForSequenceClassification (modelo SmolLM3Config)
- Clase de configuración SqueezeBertConfig: SqueezeBertForSequenceClassification (modelo SqueezeBertConfig)
- Clase de configuración StableLmConfig: StableLmForSequenceClassification (modelo StableLmConfig)
- Clase de configuración Starcoder2Config: Starcoder2ForSequenceClassification (modelo Starcoder2Config)
- Clase de configuración T5Config: T5ForSequenceClassification (modelo T5Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForSequenceClassification (modelo T5Gemma2Config)
- Clase de configuración T5GemmaConfig: T5GemmaForSequenceClassification (modelo T5GemmaConfig)
- Clase de configuración TapasConfig: TapasForSequenceClassification (modelo TapasConfig)
- Clase de configuración UMT5Config: UMT5ForSequenceClassification (modelo UMT5Config)
- Clase de configuración UltraVBertConfig: UltraVBertForSequenceClassification (modelo UltraVBertConfig)
- Clase de configuración UltrabertConfig: UltrabertForSequenceClassification (modelo UltrabertConfig)
- Clase de configuración XLMConfig: XLMForSequenceClassification (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForSequenceClassification (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForSequenceClassification (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetForSequenceClassification (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForSequenceClassification (modelo XmodConfig)
- Clase de configuración YosoConfig: YosoForSequenceClassification (modelo YosoConfig)
- Clase de configuración Zamba2Config: Zamba2ForSequenceClassification (modelo Zamba2Config)
- Clase de configuración ZambaConfig: ZambaForSequenceClassification (modelo ZambaConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForSequenceClassification (modelo AlbertConfig)
- arcee — ArceeForSequenceClassification (modelo ArceeConfig)
- axk1 — AXK1ForSequenceClassification (modelo AXK1Config)
- axk2 — AXK2ForSequenceClassification (modelo AXK2Config)
- bart — BartForSequenceClassification (modelo BartConfig)
- bert — BertForSequenceClassification (modelo BertConfig)
- big_bird — BigBirdForSequenceClassification (modelo BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForSequenceClassification (modelo BigBirdPegasusConfig)
- biogpt — BioGptForSequenceClassification (modelo BioGptConfig)
- bloom — BloomForSequenceClassification (modelo BloomConfig)
- camembert — CamembertForSequenceClassification (modelo CamembertConfig)
- canine — CanineForSequenceClassification (modelo CanineConfig)
- cohere_compass_text — CohereCompassTextForSequenceClassification (modelo CohereCompassTextConfig)
- convbert — ConvBertForSequenceClassification (modelo ConvBertConfig)
- ctrl — CTRLForSequenceClassification (modelo CTRLConfig)
- data2vec-text — Data2VecTextForSequenceClassification (modelo Data2VecTextConfig)
- deberta — DebertaForSequenceClassification (modelo DebertaConfig)
- deberta-v2 — DebertaV2ForSequenceClassification (modelo DebertaV2Config)
- deepseek_v2 — DeepseekV2ForSequenceClassification (modelo DeepseekV2Config)
- deepseek_v3 — DeepseekV3ForSequenceClassification (modelo DeepseekV3Config)
- diffllama — DiffLlamaForSequenceClassification (modelo DiffLlamaConfig)
- distilbert — DistilBertForSequenceClassification (modelo DistilBertConfig)
- doge — DogeForSequenceClassification (modelo DogeConfig)
- electra — ElectraForSequenceClassification (modelo ElectraConfig)
- ernie — ErnieForSequenceClassification (modelo ErnieConfig)
- esm — EsmForSequenceClassification (modelo EsmConfig)
- esmc — EsmcForSequenceClassification (modelo EsmcConfig)
- eurobert — EuroBertForSequenceClassification (modelo EuroBertConfig)
- exaone4 — Exaone4ForSequenceClassification (modelo Exaone4Config)
- falcon — FalconForSequenceClassification (modelo FalconConfig)
- flaubert — FlaubertForSequenceClassification (modelo FlaubertConfig)
- fnet — FNetForSequenceClassification (modelo FNetConfig)
- funnel — FunnelForSequenceClassification (modelo FunnelConfig)
- gemma — GemmaForSequenceClassification (modelo GemmaConfig)
- gemma2 — Gemma2ForSequenceClassification (modelo Gemma2Config)
- gemma3 — Gemma3ForSequenceClassification (modelo Gemma3Config)
- gemma3_text — Gemma3TextForSequenceClassification (modelo Gemma3TextConfig)
- glm — GlmForSequenceClassification (modelo GlmConfig)
- glm4 — Glm4ForSequenceClassification (modelo Glm4Config)
- gpt-sw3 — GPT2ForSequenceClassification (modelo GPT2Config)
- gpt2 — GPT2ForSequenceClassification (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeForSequenceClassification (modelo GPTBigCodeConfig)
- gpt_neo — GPTNeoForSequenceClassification (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXForSequenceClassification (modelo GPTNeoXConfig)
- gpt_oss — GptOssForSequenceClassification (modelo GptOssConfig)
- gptj — GPTJForSequenceClassification (modelo GPTJConfig)
- gte — GteForSequenceClassification (modelo GteConfig)
- helium — HeliumForSequenceClassification (modelo HeliumConfig)
- hunyuan_v1_dense — HunYuanDenseV1ForSequenceClassification (modelo HunYuanDenseV1Config)
- hunyuan_v1_moe — HunYuanMoEV1ForSequenceClassification (modelo HunYuanMoEV1Config)
- ibert — IBertForSequenceClassification (modelo IBertConfig)
- jamba — JambaForSequenceClassification (modelo JambaConfig)
- jetmoe — JetMoeForSequenceClassification (modelo JetMoeConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForSequenceClassification (modelo JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForSequenceClassification (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForSequenceClassification (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForSequenceClassification (modelo LayoutLMv3Config)
- lilt — LiltForSequenceClassification (modelo LiltConfig)
- llama — LlamaForSequenceClassification (modelo LlamaConfig)
- longformer — LongformerForSequenceClassification (modelo LongformerConfig)
- luke — LukeForSequenceClassification (modelo LukeConfig)
- markuplm — MarkupLMForSequenceClassification (modelo MarkupLMConfig)
- mbart — MBartForSequenceClassification (modelo MBartConfig)
- megatron-bert — MegatronBertForSequenceClassification (modelo MegatronBertConfig)
- minicpm3 — MiniCPM3ForSequenceClassification (modelo MiniCPM3Config)
- minimax — MiniMaxForSequenceClassification (modelo MiniMaxConfig)
- ministral — MinistralForSequenceClassification (modelo MinistralConfig)
- ministral3 — Ministral3ForSequenceClassification (modelo Ministral3Config)
- mistral — MistralForSequenceClassification (modelo MistralConfig)
- mistral4 — Mistral4ForSequenceClassification (modelo Mistral4Config)
- mixtral — MixtralForSequenceClassification (modelo MixtralConfig)
- mobilebert — MobileBertForSequenceClassification (modelo MobileBertConfig)
- modernbert — ModernBertForSequenceClassification (modelo ModernBertConfig)
- modernbert-decoder — ModernBertDecoderForSequenceClassification (modelo ModernBertDecoderConfig)
- modernvbert — ModernVBertForSequenceClassification (modelo ModernVBertConfig)
- mpnet — MPNetForSequenceClassification (modelo MPNetConfig)
- mpt — MptForSequenceClassification (modelo MptConfig)
- mra — MraForSequenceClassification (modelo MraConfig)
- mt5 — MT5ForSequenceClassification (modelo MT5Config)
- mvp — MvpForSequenceClassification (modelo MvpConfig)
- nemotron — NemotronForSequenceClassification (modelo NemotronConfig)
- nomic_bert — NomicBertForSequenceClassification (modelo NomicBertConfig)
- nystromformer — NystromformerForSequenceClassification (modelo NystromformerConfig)
- olmo — OlmoForSequenceClassification (modelo OlmoConfig)
- olmo2 — Olmo2ForSequenceClassification (modelo Olmo2Config)
- olmo3 — Olmo3ForSequenceClassification (modelo Olmo3Config)
- openai-gpt — OpenAIGPTForSequenceClassification (modelo OpenAIGPTConfig)
- opt — OPTForSequenceClassification (modelo OPTConfig)
- perceiver — PerceiverForSequenceClassification (modelo PerceiverConfig)
- persimmon — PersimmonForSequenceClassification (modelo PersimmonConfig)
- phi — PhiForSequenceClassification (modelo PhiConfig)
- phi3 — Phi3ForSequenceClassification (modelo Phi3Config)
- phimoe — PhimoeForSequenceClassification (modelo PhimoeConfig)
- plbart — PLBartForSequenceClassification (modelo PLBartConfig)
- qwen2 — Qwen2ForSequenceClassification (modelo Qwen2Config)
- qwen2_moe — Qwen2MoeForSequenceClassification (modelo Qwen2MoeConfig)
- qwen3 — Qwen3ForSequenceClassification (modelo Qwen3Config)
- qwen3_5 — Qwen3_5ForSequenceClassification (modelo Qwen3_5Config)
- qwen3_5_text — Qwen3_5TextForSequenceClassification (modelo Qwen3_5TextConfig)
- qwen3_moe — Qwen3MoeForSequenceClassification (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextForSequenceClassification (modelo Qwen3NextConfig)
- reformer — ReformerForSequenceClassification (modelo ReformerConfig)
- rembert — RemBertForSequenceClassification (modelo RemBertConfig)
- roberta — RobertaForSequenceClassification (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForSequenceClassification (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForSequenceClassification (modelo RoCBertConfig)
- roformer — RoFormerForSequenceClassification (modelo RoFormerConfig)
- seed_oss — SeedOssForSequenceClassification (modelo SeedOssConfig)
- smollm3 — SmolLM3ForSequenceClassification (modelo SmolLM3Config)
- squeezebert — SqueezeBertForSequenceClassification (modelo SqueezeBertConfig)
- stablelm — StableLmForSequenceClassification (modelo StableLmConfig)
- starcoder2 — Starcoder2ForSequenceClassification (modelo Starcoder2Config)
- t5 — T5ForSequenceClassification (modelo T5Config)
- t5gemma — T5GemmaForSequenceClassification (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2ForSequenceClassification (modelo T5Gemma2Config)
- tapas — TapasForSequenceClassification (modelo TapasConfig)
- ultrabert — UltrabertForSequenceClassification (modelo UltrabertConfig)
- ultravbert — UltraVBertForSequenceClassification (modelo UltraVBertConfig)
- umt5 — UMT5ForSequenceClassification (modelo UMT5Config)
- xlm — XLMForSequenceClassification (modelo XLMConfig)
- xlm-roberta — XLMRobertaForSequenceClassification (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForSequenceClassification (modelo XLMRobertaXLConfig)
- xlnet — XLNetForSequenceClassification (modelo XLNetConfig)
- xmod — XmodForSequenceClassification (modelo XmodConfig)
- yoso — YosoForSequenceClassification (modelo YosoConfig)
- zamba — ZambaForSequenceClassification (modelo ZambaConfig)
- zamba2 — Zamba2ForSequenceClassification (modelo Zamba2Config)
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
TrueAutoModelForMultipleChoice
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AlbertConfig: AlbertForMultipleChoice (modelo AlbertConfig)
- Clase de configuración BertConfig: BertForMultipleChoice (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForMultipleChoice (modelo BigBirdConfig)
- Clase de configuración CamembertConfig: CamembertForMultipleChoice (modelo CamembertConfig)
- Clase de configuración CanineConfig: CanineForMultipleChoice (modelo CanineConfig)
- Clase de configuración ConvBertConfig: ConvBertForMultipleChoice (modelo ConvBertConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForMultipleChoice (modelo Data2VecTextConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForMultipleChoice (modelo DebertaV2Config)
- Clase de configuración DistilBertConfig: DistilBertForMultipleChoice (modelo DistilBertConfig)
- Clase de configuración ElectraConfig: ElectraForMultipleChoice (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForMultipleChoice (modelo ErnieConfig)
- Clase de configuración FNetConfig: FNetForMultipleChoice (modelo FNetConfig)
- Clase de configuración FlaubertConfig: FlaubertForMultipleChoice (modelo FlaubertConfig)
- Clase de configuración FunnelConfig: FunnelForMultipleChoice (modelo FunnelConfig)
- Clase de configuración IBertConfig: IBertForMultipleChoice (modelo IBertConfig)
- Clase de configuración LongformerConfig: LongformerForMultipleChoice (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForMultipleChoice (modelo LukeConfig)
- Clase de configuración MPNetConfig: MPNetForMultipleChoice (modelo MPNetConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForMultipleChoice (modelo MegatronBertConfig)
- Clase de configuración MobileBertConfig: MobileBertForMultipleChoice (modelo MobileBertConfig)
- Clase de configuración ModernBertConfig: ModernBertForMultipleChoice (modelo ModernBertConfig)
- Clase de configuración MraConfig: MraForMultipleChoice (modelo MraConfig)
- Clase de configuración NystromformerConfig: NystromformerForMultipleChoice (modelo NystromformerConfig)
- Clase de configuración RemBertConfig: RemBertForMultipleChoice (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForMultipleChoice (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForMultipleChoice (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForMultipleChoice (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForMultipleChoice (modelo RobertaPreLayerNormConfig)
- Clase de configuración SqueezeBertConfig: SqueezeBertForMultipleChoice (modelo SqueezeBertConfig)
- Clase de configuración XLMConfig: XLMForMultipleChoice (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForMultipleChoice (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForMultipleChoice (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetForMultipleChoice (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForMultipleChoice (modelo XmodConfig)
- Clase de configuración YosoConfig: YosoForMultipleChoice (modelo YosoConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForMultipleChoice (modelo AlbertConfig)
- bert — BertForMultipleChoice (modelo BertConfig)
- big_bird — BigBirdForMultipleChoice (modelo BigBirdConfig)
- camembert — CamembertForMultipleChoice (modelo CamembertConfig)
- canine — CanineForMultipleChoice (modelo CanineConfig)
- convbert — ConvBertForMultipleChoice (modelo ConvBertConfig)
- data2vec-text — Data2VecTextForMultipleChoice (modelo Data2VecTextConfig)
- deberta-v2 — DebertaV2ForMultipleChoice (modelo DebertaV2Config)
- distilbert — DistilBertForMultipleChoice (modelo DistilBertConfig)
- electra — ElectraForMultipleChoice (modelo ElectraConfig)
- ernie — ErnieForMultipleChoice (modelo ErnieConfig)
- flaubert — FlaubertForMultipleChoice (modelo FlaubertConfig)
- fnet — FNetForMultipleChoice (modelo FNetConfig)
- funnel — FunnelForMultipleChoice (modelo FunnelConfig)
- ibert — IBertForMultipleChoice (modelo IBertConfig)
- longformer — LongformerForMultipleChoice (modelo LongformerConfig)
- luke — LukeForMultipleChoice (modelo LukeConfig)
- megatron-bert — MegatronBertForMultipleChoice (modelo MegatronBertConfig)
- mobilebert — MobileBertForMultipleChoice (modelo MobileBertConfig)
- modernbert — ModernBertForMultipleChoice (modelo ModernBertConfig)
- mpnet — MPNetForMultipleChoice (modelo MPNetConfig)
- mra — MraForMultipleChoice (modelo MraConfig)
- nystromformer — NystromformerForMultipleChoice (modelo NystromformerConfig)
- rembert — RemBertForMultipleChoice (modelo RemBertConfig)
- roberta — RobertaForMultipleChoice (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForMultipleChoice (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForMultipleChoice (modelo RoCBertConfig)
- roformer — RoFormerForMultipleChoice (modelo RoFormerConfig)
- squeezebert — SqueezeBertForMultipleChoice (modelo SqueezeBertConfig)
- xlm — XLMForMultipleChoice (modelo XLMConfig)
- xlm-roberta — XLMRobertaForMultipleChoice (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForMultipleChoice (modelo XLMRobertaXLConfig)
- xlnet — XLNetForMultipleChoice (modelo XLNetConfig)
- xmod — XmodForMultipleChoice (modelo XmodConfig)
- yoso — YosoForMultipleChoice (modelo YosoConfig)
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
TrueAutoModelForNextSentencePrediction
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración BertConfig: BertForNextSentencePrediction (modelo BertConfig)
- Clase de configuración ErnieConfig: ErnieForNextSentencePrediction (modelo ErnieConfig)
- Clase de configuración FNetConfig: FNetForNextSentencePrediction (modelo FNetConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForNextSentencePrediction (modelo MegatronBertConfig)
- Clase de configuración MobileBertConfig: MobileBertForNextSentencePrediction (modelo MobileBertConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- bert — BertForNextSentencePrediction (modelo BertConfig)
- ernie — ErnieForNextSentencePrediction (modelo ErnieConfig)
- fnet — FNetForNextSentencePrediction (modelo FNetConfig)
- megatron-bert — MegatronBertForNextSentencePrediction (modelo MegatronBertConfig)
- mobilebert — MobileBertForNextSentencePrediction (modelo MobileBertConfig)
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
TrueAutoModelForTokenClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AXK1Config: AXK1ForTokenClassification (modelo AXK1Config)
- Clase de configuración AXK2Config: AXK2ForTokenClassification (modelo AXK2Config)
- Clase de configuración AlbertConfig: AlbertForTokenClassification (modelo AlbertConfig)
- Clase de configuración ApertusConfig: ApertusForTokenClassification (modelo ApertusConfig)
- Clase de configuración ArceeConfig: ArceeForTokenClassification (modelo ArceeConfig)
- Clase de configuración BertConfig: BertForTokenClassification (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForTokenClassification (modelo BigBirdConfig)
- Clase de configuración BioGptConfig: BioGptForTokenClassification (modelo BioGptConfig)
- Clase de configuración BloomConfig: BloomForTokenClassification (modelo BloomConfig)
- Clase de configuración BrosConfig: BrosForTokenClassification (modelo BrosConfig)
- Clase de configuración CamembertConfig: CamembertForTokenClassification (modelo CamembertConfig)
- Clase de configuración CanineConfig: CanineForTokenClassification (modelo CanineConfig)
- Clase de configuración ConvBertConfig: ConvBertForTokenClassification (modelo ConvBertConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForTokenClassification (modelo Data2VecTextConfig)
- Clase de configuración DebertaConfig: DebertaForTokenClassification (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForTokenClassification (modelo DebertaV2Config)
- Clase de configuración DeepseekV3Config: DeepseekV3ForTokenClassification (modelo DeepseekV3Config)
- Clase de configuración DiffLlamaConfig: DiffLlamaForTokenClassification (modelo DiffLlamaConfig)
- Clase de configuración DistilBertConfig: DistilBertForTokenClassification (modelo DistilBertConfig)
- Clase de configuración ElectraConfig: ElectraForTokenClassification (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForTokenClassification (modelo ErnieConfig)
- Clase de configuración EsmConfig: EsmForTokenClassification (modelo EsmConfig)
- Clase de configuración EsmcConfig: EsmcForTokenClassification (modelo EsmcConfig)
- Clase de configuración EuroBertConfig: EuroBertForTokenClassification (modelo EuroBertConfig)
- Clase de configuración Exaone4Config: Exaone4ForTokenClassification (modelo Exaone4Config)
- Clase de configuración FNetConfig: FNetForTokenClassification (modelo FNetConfig)
- Clase de configuración FalconConfig: FalconForTokenClassification (modelo FalconConfig)
- Clase de configuración FlaubertConfig: FlaubertForTokenClassification (modelo FlaubertConfig)
- Clase de configuración FunnelConfig: FunnelForTokenClassification (modelo FunnelConfig)
- Clase de configuración GPT2Config: GPT2ForTokenClassification (modelo GPT2Config)
- Clase de configuración GPTBigCodeConfig: GPTBigCodeForTokenClassification (modelo GPTBigCodeConfig)
- Clase de configuración GPTNeoConfig: GPTNeoForTokenClassification (modelo GPTNeoConfig)
- Clase de configuración GPTNeoXConfig: GPTNeoXForTokenClassification (modelo GPTNeoXConfig)
- Clase de configuración Gemma2Config: Gemma2ForTokenClassification (modelo Gemma2Config)
- Clase de configuración GemmaConfig: GemmaForTokenClassification (modelo GemmaConfig)
- Clase de configuración Glm4Config: Glm4ForTokenClassification (modelo Glm4Config)
- Clase de configuración GlmConfig: GlmForTokenClassification (modelo GlmConfig)
- Clase de configuración GptOssConfig: GptOssForTokenClassification (modelo GptOssConfig)
- Clase de configuración GteConfig: GteForTokenClassification (modelo GteConfig)
- Clase de configuración HeliumConfig: HeliumForTokenClassification (modelo HeliumConfig)
- Clase de configuración IBertConfig: IBertForTokenClassification (modelo IBertConfig)
- Clase de configuración JinaEmbeddingsV3Config: JinaEmbeddingsV3ForTokenClassification (modelo JinaEmbeddingsV3Config)
- Clase de configuración LayoutLMConfig: LayoutLMForTokenClassification (modelo LayoutLMConfig)
- Clase de configuración LayoutLMv2Config: LayoutLMv2ForTokenClassification (modelo LayoutLMv2Config)
- Clase de configuración LayoutLMv3Config: LayoutLMv3ForTokenClassification (modelo LayoutLMv3Config)
- Clase de configuración LiltConfig: LiltForTokenClassification (modelo LiltConfig)
- Clase de configuración LlamaConfig: LlamaForTokenClassification (modelo LlamaConfig)
- Clase de configuración LongformerConfig: LongformerForTokenClassification (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForTokenClassification (modelo LukeConfig)
- Clase de configuración MPNetConfig: MPNetForTokenClassification (modelo MPNetConfig)
- Clase de configuración MT5Config: MT5ForTokenClassification (modelo MT5Config)
- Clase de configuración MarkupLMConfig: MarkupLMForTokenClassification (modelo MarkupLMConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForTokenClassification (modelo MegatronBertConfig)
- Clase de configuración MiniMaxConfig: MiniMaxForTokenClassification (modelo MiniMaxConfig)
- Clase de configuración Ministral3Config: Ministral3ForTokenClassification (modelo Ministral3Config)
- Clase de configuración MinistralConfig: MinistralForTokenClassification (modelo MinistralConfig)
- Clase de configuración Mistral4Config: Mistral4ForTokenClassification (modelo Mistral4Config)
- Clase de configuración MistralConfig: MistralForTokenClassification (modelo MistralConfig)
- Clase de configuración MixtralConfig: MixtralForTokenClassification (modelo MixtralConfig)
- Clase de configuración MobileBertConfig: MobileBertForTokenClassification (modelo MobileBertConfig)
- Clase de configuración ModernBertConfig: ModernBertForTokenClassification (modelo ModernBertConfig)
- Clase de configuración ModernVBertConfig: ModernVBertForTokenClassification (modelo ModernVBertConfig)
- Clase de configuración MptConfig: MptForTokenClassification (modelo MptConfig)
- Clase de configuración MraConfig: MraForTokenClassification (modelo MraConfig)
- Clase de configuración NemotronConfig: NemotronForTokenClassification (modelo NemotronConfig)
- Clase de configuración NomicBertConfig: NomicBertForTokenClassification (modelo NomicBertConfig)
- Clase de configuración NystromformerConfig: NystromformerForTokenClassification (modelo NystromformerConfig)
- Clase de configuración OpenAIPrivacyFilterConfig: OpenAIPrivacyFilterForTokenClassification (modelo OpenAIPrivacyFilterConfig)
- Clase de configuración PersimmonConfig: PersimmonForTokenClassification (modelo PersimmonConfig)
- Clase de configuración Phi3Config: Phi3ForTokenClassification (modelo Phi3Config)
- Clase de configuración PhiConfig: PhiForTokenClassification (modelo PhiConfig)
- Clase de configuración Qwen2Config: Qwen2ForTokenClassification (modelo Qwen2Config)
- Clase de configuración Qwen2MoeConfig: Qwen2MoeForTokenClassification (modelo Qwen2MoeConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRForTokenClassification (modelo Qwen3ASRConfig)
- Clase de configuración Qwen3Config: Qwen3ForTokenClassification (modelo Qwen3Config)
- Clase de configuración Qwen3MoeConfig: Qwen3MoeForTokenClassification (modelo Qwen3MoeConfig)
- Clase de configuración Qwen3NextConfig: Qwen3NextForTokenClassification (modelo Qwen3NextConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5ForTokenClassification (modelo Qwen3_5Config)
- Clase de configuración RemBertConfig: RemBertForTokenClassification (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForTokenClassification (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForTokenClassification (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForTokenClassification (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForTokenClassification (modelo RobertaPreLayerNormConfig)
- Clase de configuración SeedOssConfig: SeedOssForTokenClassification (modelo SeedOssConfig)
- Clase de configuración SmolLM3Config: SmolLM3ForTokenClassification (modelo SmolLM3Config)
- Clase de configuración SqueezeBertConfig: SqueezeBertForTokenClassification (modelo SqueezeBertConfig)
- Clase de configuración StableLmConfig: StableLmForTokenClassification (modelo StableLmConfig)
- Clase de configuración Starcoder2Config: Starcoder2ForTokenClassification (modelo Starcoder2Config)
- Clase de configuración T5Config: T5ForTokenClassification (modelo T5Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForTokenClassification (modelo T5Gemma2Config)
- Clase de configuración T5GemmaConfig: T5GemmaForTokenClassification (modelo T5GemmaConfig)
- Clase de configuración UMT5Config: UMT5ForTokenClassification (modelo UMT5Config)
- Clase de configuración UltraVBertConfig: UltraVBertForTokenClassification (modelo UltraVBertConfig)
- Clase de configuración UltrabertConfig: UltrabertForTokenClassification (modelo UltrabertConfig)
- Clase de configuración XLMConfig: XLMForTokenClassification (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForTokenClassification (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForTokenClassification (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetForTokenClassification (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForTokenClassification (modelo XmodConfig)
- Clase de configuración YosoConfig: YosoForTokenClassification (modelo YosoConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForTokenClassification (modelo AlbertConfig)
- apertus — ApertusForTokenClassification (modelo ApertusConfig)
- arcee — ArceeForTokenClassification (modelo ArceeConfig)
- axk1 — AXK1ForTokenClassification (modelo AXK1Config)
- axk2 — AXK2ForTokenClassification (modelo AXK2Config)
- bert — BertForTokenClassification (modelo BertConfig)
- big_bird — BigBirdForTokenClassification (modelo BigBirdConfig)
- biogpt — BioGptForTokenClassification (modelo BioGptConfig)
- bloom — BloomForTokenClassification (modelo BloomConfig)
- bros — BrosForTokenClassification (modelo BrosConfig)
- camembert — CamembertForTokenClassification (modelo CamembertConfig)
- canine — CanineForTokenClassification (modelo CanineConfig)
- convbert — ConvBertForTokenClassification (modelo ConvBertConfig)
- data2vec-text — Data2VecTextForTokenClassification (modelo Data2VecTextConfig)
- deberta — DebertaForTokenClassification (modelo DebertaConfig)
- deberta-v2 — DebertaV2ForTokenClassification (modelo DebertaV2Config)
- deepseek_v3 — DeepseekV3ForTokenClassification (modelo DeepseekV3Config)
- diffllama — DiffLlamaForTokenClassification (modelo DiffLlamaConfig)
- distilbert — DistilBertForTokenClassification (modelo DistilBertConfig)
- electra — ElectraForTokenClassification (modelo ElectraConfig)
- ernie — ErnieForTokenClassification (modelo ErnieConfig)
- esm — EsmForTokenClassification (modelo EsmConfig)
- esmc — EsmcForTokenClassification (modelo EsmcConfig)
- eurobert — EuroBertForTokenClassification (modelo EuroBertConfig)
- exaone4 — Exaone4ForTokenClassification (modelo Exaone4Config)
- falcon — FalconForTokenClassification (modelo FalconConfig)
- flaubert — FlaubertForTokenClassification (modelo FlaubertConfig)
- fnet — FNetForTokenClassification (modelo FNetConfig)
- funnel — FunnelForTokenClassification (modelo FunnelConfig)
- gemma — GemmaForTokenClassification (modelo GemmaConfig)
- gemma2 — Gemma2ForTokenClassification (modelo Gemma2Config)
- glm — GlmForTokenClassification (modelo GlmConfig)
- glm4 — Glm4ForTokenClassification (modelo Glm4Config)
- gpt-sw3 — GPT2ForTokenClassification (modelo GPT2Config)
- gpt2 — GPT2ForTokenClassification (modelo GPT2Config)
- gpt_bigcode — GPTBigCodeForTokenClassification (modelo GPTBigCodeConfig)
- gpt_neo — GPTNeoForTokenClassification (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXForTokenClassification (modelo GPTNeoXConfig)
- gpt_oss — GptOssForTokenClassification (modelo GptOssConfig)
- gte — GteForTokenClassification (modelo GteConfig)
- helium — HeliumForTokenClassification (modelo HeliumConfig)
- ibert — IBertForTokenClassification (modelo IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForTokenClassification (modelo JinaEmbeddingsV3Config)
- layoutlm — LayoutLMForTokenClassification (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForTokenClassification (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForTokenClassification (modelo LayoutLMv3Config)
- lilt — LiltForTokenClassification (modelo LiltConfig)
- llama — LlamaForTokenClassification (modelo LlamaConfig)
- longformer — LongformerForTokenClassification (modelo LongformerConfig)
- luke — LukeForTokenClassification (modelo LukeConfig)
- markuplm — MarkupLMForTokenClassification (modelo MarkupLMConfig)
- megatron-bert — MegatronBertForTokenClassification (modelo MegatronBertConfig)
- minimax — MiniMaxForTokenClassification (modelo MiniMaxConfig)
- ministral — MinistralForTokenClassification (modelo MinistralConfig)
- ministral3 — Ministral3ForTokenClassification (modelo Ministral3Config)
- mistral — MistralForTokenClassification (modelo MistralConfig)
- mistral4 — Mistral4ForTokenClassification (modelo Mistral4Config)
- mixtral — MixtralForTokenClassification (modelo MixtralConfig)
- mobilebert — MobileBertForTokenClassification (modelo MobileBertConfig)
- modernbert — ModernBertForTokenClassification (modelo ModernBertConfig)
- modernvbert — ModernVBertForTokenClassification (modelo ModernVBertConfig)
- mpnet — MPNetForTokenClassification (modelo MPNetConfig)
- mpt — MptForTokenClassification (modelo MptConfig)
- mra — MraForTokenClassification (modelo MraConfig)
- mt5 — MT5ForTokenClassification (modelo MT5Config)
- nemotron — NemotronForTokenClassification (modelo NemotronConfig)
- nomic_bert — NomicBertForTokenClassification (modelo NomicBertConfig)
- nystromformer — NystromformerForTokenClassification (modelo NystromformerConfig)
- openai_privacy_filter — OpenAIPrivacyFilterForTokenClassification (modelo OpenAIPrivacyFilterConfig)
- persimmon — PersimmonForTokenClassification (modelo PersimmonConfig)
- phi — PhiForTokenClassification (modelo PhiConfig)
- phi3 — Phi3ForTokenClassification (modelo Phi3Config)
- qwen2 — Qwen2ForTokenClassification (modelo Qwen2Config)
- qwen2_moe — Qwen2MoeForTokenClassification (modelo Qwen2MoeConfig)
- qwen3 — Qwen3ForTokenClassification (modelo Qwen3Config)
- qwen3_5 — Qwen3_5ForTokenClassification (modelo Qwen3_5Config)
- qwen3_asr — Qwen3ASRForTokenClassification (modelo Qwen3ASRConfig)
- qwen3_moe — Qwen3MoeForTokenClassification (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextForTokenClassification (modelo Qwen3NextConfig)
- rembert — RemBertForTokenClassification (modelo RemBertConfig)
- roberta — RobertaForTokenClassification (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForTokenClassification (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForTokenClassification (modelo RoCBertConfig)
- roformer — RoFormerForTokenClassification (modelo RoFormerConfig)
- seed_oss — SeedOssForTokenClassification (modelo SeedOssConfig)
- smollm3 — SmolLM3ForTokenClassification (modelo SmolLM3Config)
- squeezebert — SqueezeBertForTokenClassification (modelo SqueezeBertConfig)
- stablelm — StableLmForTokenClassification (modelo StableLmConfig)
- starcoder2 — Starcoder2ForTokenClassification (modelo Starcoder2Config)
- t5 — T5ForTokenClassification (modelo T5Config)
- t5gemma — T5GemmaForTokenClassification (modelo T5GemmaConfig)
- t5gemma2 — T5Gemma2ForTokenClassification (modelo T5Gemma2Config)
- ultrabert — UltrabertForTokenClassification (modelo UltrabertConfig)
- ultravbert — UltraVBertForTokenClassification (modelo UltraVBertConfig)
- umt5 — UMT5ForTokenClassification (modelo UMT5Config)
- xlm — XLMForTokenClassification (modelo XLMConfig)
- xlm-roberta — XLMRobertaForTokenClassification (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForTokenClassification (modelo XLMRobertaXLConfig)
- xlnet — XLNetForTokenClassification (modelo XLNetConfig)
- xmod — XmodForTokenClassification (modelo XmodConfig)
- yoso — YosoForTokenClassification (modelo YosoConfig)
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
TrueAutoModelForQuestionAnswering
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AlbertConfig: AlbertForQuestionAnswering (modelo AlbertConfig)
- Clase de configuración ArceeConfig: ArceeForQuestionAnswering (modelo ArceeConfig)
- Clase de configuración BartConfig: BartForQuestionAnswering (modelo BartConfig)
- Clase de configuración BertConfig: BertForQuestionAnswering (modelo BertConfig)
- Clase de configuración BigBirdConfig: BigBirdForQuestionAnswering (modelo BigBirdConfig)
- Clase de configuración BigBirdPegasusConfig: BigBirdPegasusForQuestionAnswering (modelo BigBirdPegasusConfig)
- Clase de configuración BloomConfig: BloomForQuestionAnswering (modelo BloomConfig)
- Clase de configuración CamembertConfig: CamembertForQuestionAnswering (modelo CamembertConfig)
- Clase de configuración CanineConfig: CanineForQuestionAnswering (modelo CanineConfig)
- Clase de configuración ConvBertConfig: ConvBertForQuestionAnswering (modelo ConvBertConfig)
- Clase de configuración Data2VecTextConfig: Data2VecTextForQuestionAnswering (modelo Data2VecTextConfig)
- Clase de configuración DebertaConfig: DebertaForQuestionAnswering (modelo DebertaConfig)
- Clase de configuración DebertaV2Config: DebertaV2ForQuestionAnswering (modelo DebertaV2Config)
- Clase de configuración DiffLlamaConfig: DiffLlamaForQuestionAnswering (modelo DiffLlamaConfig)
- Clase de configuración DistilBertConfig: DistilBertForQuestionAnswering (modelo DistilBertConfig)
- Clase de configuración ElectraConfig: ElectraForQuestionAnswering (modelo ElectraConfig)
- Clase de configuración ErnieConfig: ErnieForQuestionAnswering (modelo ErnieConfig)
- Clase de configuración Exaone4Config: Exaone4ForQuestionAnswering (modelo Exaone4Config)
- Clase de configuración FNetConfig: FNetForQuestionAnswering (modelo FNetConfig)
- Clase de configuración FalconConfig: FalconForQuestionAnswering (modelo FalconConfig)
- Clase de configuración FlaubertConfig: FlaubertForQuestionAnsweringSimple (modelo FlaubertConfig)
- Clase de configuración FunnelConfig: FunnelForQuestionAnswering (modelo FunnelConfig)
- Clase de configuración GPT2Config: GPT2ForQuestionAnswering (modelo GPT2Config)
- Clase de configuración GPTJConfig: GPTJForQuestionAnswering (modelo GPTJConfig)
- Clase de configuración GPTNeoConfig: GPTNeoForQuestionAnswering (modelo GPTNeoConfig)
- Clase de configuración GPTNeoXConfig: GPTNeoXForQuestionAnswering (modelo GPTNeoXConfig)
- Clase de configuración IBertConfig: IBertForQuestionAnswering (modelo IBertConfig)
- Clase de configuración JinaEmbeddingsV3Config: JinaEmbeddingsV3ForQuestionAnswering (modelo JinaEmbeddingsV3Config)
- Clase de configuración LEDConfig: LEDForQuestionAnswering (modelo LEDConfig)
- Clase de configuración LayoutLMv2Config: LayoutLMv2ForQuestionAnswering (modelo LayoutLMv2Config)
- Clase de configuración LayoutLMv3Config: LayoutLMv3ForQuestionAnswering (modelo LayoutLMv3Config)
- Clase de configuración LiltConfig: LiltForQuestionAnswering (modelo LiltConfig)
- Clase de configuración LlamaConfig: LlamaForQuestionAnswering (modelo LlamaConfig)
- Clase de configuración LongformerConfig: LongformerForQuestionAnswering (modelo LongformerConfig)
- Clase de configuración LukeConfig: LukeForQuestionAnswering (modelo LukeConfig)
- Clase de configuración LxmertConfig: LxmertForQuestionAnswering (modelo LxmertConfig)
- Clase de configuración MBartConfig: MBartForQuestionAnswering (modelo MBartConfig)
- Clase de configuración MPNetConfig: MPNetForQuestionAnswering (modelo MPNetConfig)
- Clase de configuración MT5Config: MT5ForQuestionAnswering (modelo MT5Config)
- Clase de configuración MarkupLMConfig: MarkupLMForQuestionAnswering (modelo MarkupLMConfig)
- Clase de configuración MegatronBertConfig: MegatronBertForQuestionAnswering (modelo MegatronBertConfig)
- Clase de configuración MiniMaxConfig: MiniMaxForQuestionAnswering (modelo MiniMaxConfig)
- Clase de configuración Ministral3Config: Ministral3ForQuestionAnswering (modelo Ministral3Config)
- Clase de configuración MinistralConfig: MinistralForQuestionAnswering (modelo MinistralConfig)
- Clase de configuración MistralConfig: MistralForQuestionAnswering (modelo MistralConfig)
- Clase de configuración MixtralConfig: MixtralForQuestionAnswering (modelo MixtralConfig)
- Clase de configuración MobileBertConfig: MobileBertForQuestionAnswering (modelo MobileBertConfig)
- Clase de configuración ModernBertConfig: ModernBertForQuestionAnswering (modelo ModernBertConfig)
- Clase de configuración MptConfig: MptForQuestionAnswering (modelo MptConfig)
- Clase de configuración MraConfig: MraForQuestionAnswering (modelo MraConfig)
- Clase de configuración MvpConfig: MvpForQuestionAnswering (modelo MvpConfig)
- Clase de configuración NemotronConfig: NemotronForQuestionAnswering (modelo NemotronConfig)
- Clase de configuración NystromformerConfig: NystromformerForQuestionAnswering (modelo NystromformerConfig)
- Clase de configuración OPTConfig: OPTForQuestionAnswering (modelo OPTConfig)
- Clase de configuración Qwen2Config: Qwen2ForQuestionAnswering (modelo Qwen2Config)
- Clase de configuración Qwen2MoeConfig: Qwen2MoeForQuestionAnswering (modelo Qwen2MoeConfig)
- Clase de configuración Qwen3Config: Qwen3ForQuestionAnswering (modelo Qwen3Config)
- Clase de configuración Qwen3MoeConfig: Qwen3MoeForQuestionAnswering (modelo Qwen3MoeConfig)
- Clase de configuración Qwen3NextConfig: Qwen3NextForQuestionAnswering (modelo Qwen3NextConfig)
- Clase de configuración ReformerConfig: ReformerForQuestionAnswering (modelo ReformerConfig)
- Clase de configuración RemBertConfig: RemBertForQuestionAnswering (modelo RemBertConfig)
- Clase de configuración RoCBertConfig: RoCBertForQuestionAnswering (modelo RoCBertConfig)
- Clase de configuración RoFormerConfig: RoFormerForQuestionAnswering (modelo RoFormerConfig)
- Clase de configuración RobertaConfig: RobertaForQuestionAnswering (modelo RobertaConfig)
- Clase de configuración RobertaPreLayerNormConfig: RobertaPreLayerNormForQuestionAnswering (modelo RobertaPreLayerNormConfig)
- Clase de configuración SeedOssConfig: SeedOssForQuestionAnswering (modelo SeedOssConfig)
- Clase de configuración SmolLM3Config: SmolLM3ForQuestionAnswering (modelo SmolLM3Config)
- Clase de configuración SplinterConfig: SplinterForQuestionAnswering (modelo SplinterConfig)
- Clase de configuración SqueezeBertConfig: SqueezeBertForQuestionAnswering (modelo SqueezeBertConfig)
- Clase de configuración T5Config: T5ForQuestionAnswering (modelo T5Config)
- Clase de configuración UMT5Config: UMT5ForQuestionAnswering (modelo UMT5Config)
- Clase de configuración UltrabertConfig: UltrabertForQuestionAnswering (modelo UltrabertConfig)
- Clase de configuración XLMConfig: XLMForQuestionAnsweringSimple (modelo XLMConfig)
- Clase de configuración XLMRobertaConfig: XLMRobertaForQuestionAnswering (modelo XLMRobertaConfig)
- Clase de configuración XLMRobertaXLConfig: XLMRobertaXLForQuestionAnswering (modelo XLMRobertaXLConfig)
- Clase de configuración XLNetConfig: XLNetForQuestionAnsweringSimple (modelo XLNetConfig)
- Clase de configuración XmodConfig: XmodForQuestionAnswering (modelo XmodConfig)
- Clase de configuración YosoConfig: YosoForQuestionAnswering (modelo YosoConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- albert — AlbertForQuestionAnswering (modelo AlbertConfig)
- arcee — ArceeForQuestionAnswering (modelo ArceeConfig)
- bart — BartForQuestionAnswering (modelo BartConfig)
- bert — BertForQuestionAnswering (modelo BertConfig)
- big_bird — BigBirdForQuestionAnswering (modelo BigBirdConfig)
- bigbird_pegasus — BigBirdPegasusForQuestionAnswering (modelo BigBirdPegasusConfig)
- bloom — BloomForQuestionAnswering (modelo BloomConfig)
- camembert — CamembertForQuestionAnswering (modelo CamembertConfig)
- canine — CanineForQuestionAnswering (modelo CanineConfig)
- convbert — ConvBertForQuestionAnswering (modelo ConvBertConfig)
- data2vec-text — Data2VecTextForQuestionAnswering (modelo Data2VecTextConfig)
- deberta — DebertaForQuestionAnswering (modelo DebertaConfig)
- deberta-v2 — DebertaV2ForQuestionAnswering (modelo DebertaV2Config)
- diffllama — DiffLlamaForQuestionAnswering (modelo DiffLlamaConfig)
- distilbert — DistilBertForQuestionAnswering (modelo DistilBertConfig)
- electra — ElectraForQuestionAnswering (modelo ElectraConfig)
- ernie — ErnieForQuestionAnswering (modelo ErnieConfig)
- exaone4 — Exaone4ForQuestionAnswering (modelo Exaone4Config)
- falcon — FalconForQuestionAnswering (modelo FalconConfig)
- flaubert — FlaubertForQuestionAnsweringSimple (modelo FlaubertConfig)
- fnet — FNetForQuestionAnswering (modelo FNetConfig)
- funnel — FunnelForQuestionAnswering (modelo FunnelConfig)
- gpt2 — GPT2ForQuestionAnswering (modelo GPT2Config)
- gpt_neo — GPTNeoForQuestionAnswering (modelo GPTNeoConfig)
- gpt_neox — GPTNeoXForQuestionAnswering (modelo GPTNeoXConfig)
- gptj — GPTJForQuestionAnswering (modelo GPTJConfig)
- ibert — IBertForQuestionAnswering (modelo IBertConfig)
- jina_embeddings_v3 — JinaEmbeddingsV3ForQuestionAnswering (modelo JinaEmbeddingsV3Config)
- layoutlmv2 — LayoutLMv2ForQuestionAnswering (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForQuestionAnswering (modelo LayoutLMv3Config)
- led — LEDForQuestionAnswering (modelo LEDConfig)
- lilt — LiltForQuestionAnswering (modelo LiltConfig)
- llama — LlamaForQuestionAnswering (modelo LlamaConfig)
- longformer — LongformerForQuestionAnswering (modelo LongformerConfig)
- luke — LukeForQuestionAnswering (modelo LukeConfig)
- lxmert — LxmertForQuestionAnswering (modelo LxmertConfig)
- markuplm — MarkupLMForQuestionAnswering (modelo MarkupLMConfig)
- mbart — MBartForQuestionAnswering (modelo MBartConfig)
- megatron-bert — MegatronBertForQuestionAnswering (modelo MegatronBertConfig)
- minimax — MiniMaxForQuestionAnswering (modelo MiniMaxConfig)
- ministral — MinistralForQuestionAnswering (modelo MinistralConfig)
- ministral3 — Ministral3ForQuestionAnswering (modelo Ministral3Config)
- mistral — MistralForQuestionAnswering (modelo MistralConfig)
- mixtral — MixtralForQuestionAnswering (modelo MixtralConfig)
- mobilebert — MobileBertForQuestionAnswering (modelo MobileBertConfig)
- modernbert — ModernBertForQuestionAnswering (modelo ModernBertConfig)
- mpnet — MPNetForQuestionAnswering (modelo MPNetConfig)
- mpt — MptForQuestionAnswering (modelo MptConfig)
- mra — MraForQuestionAnswering (modelo MraConfig)
- mt5 — MT5ForQuestionAnswering (modelo MT5Config)
- mvp — MvpForQuestionAnswering (modelo MvpConfig)
- nemotron — NemotronForQuestionAnswering (modelo NemotronConfig)
- nystromformer — NystromformerForQuestionAnswering (modelo NystromformerConfig)
- opt — OPTForQuestionAnswering (modelo OPTConfig)
- qwen2 — Qwen2ForQuestionAnswering (modelo Qwen2Config)
- qwen2_moe — Qwen2MoeForQuestionAnswering (modelo Qwen2MoeConfig)
- qwen3 — Qwen3ForQuestionAnswering (modelo Qwen3Config)
- qwen3_moe — Qwen3MoeForQuestionAnswering (modelo Qwen3MoeConfig)
- qwen3_next — Qwen3NextForQuestionAnswering (modelo Qwen3NextConfig)
- reformer — ReformerForQuestionAnswering (modelo ReformerConfig)
- rembert — RemBertForQuestionAnswering (modelo RemBertConfig)
- roberta — RobertaForQuestionAnswering (modelo RobertaConfig)
- roberta-prelayernorm — RobertaPreLayerNormForQuestionAnswering (modelo RobertaPreLayerNormConfig)
- roc_bert — RoCBertForQuestionAnswering (modelo RoCBertConfig)
- roformer — RoFormerForQuestionAnswering (modelo RoFormerConfig)
- seed_oss — SeedOssForQuestionAnswering (modelo SeedOssConfig)
- smollm3 — SmolLM3ForQuestionAnswering (modelo SmolLM3Config)
- splinter — SplinterForQuestionAnswering (modelo SplinterConfig)
- squeezebert — SqueezeBertForQuestionAnswering (modelo SqueezeBertConfig)
- t5 — T5ForQuestionAnswering (modelo T5Config)
- ultrabert — UltrabertForQuestionAnswering (modelo UltrabertConfig)
- umt5 — UMT5ForQuestionAnswering (modelo UMT5Config)
- xlm — XLMForQuestionAnsweringSimple (modelo XLMConfig)
- xlm-roberta — XLMRobertaForQuestionAnswering (modelo XLMRobertaConfig)
- xlm-roberta-xl — XLMRobertaXLForQuestionAnswering (modelo XLMRobertaXLConfig)
- xlnet — XLNetForQuestionAnsweringSimple (modelo XLNetConfig)
- xmod — XmodForQuestionAnswering (modelo XmodConfig)
- yoso — YosoForQuestionAnswering (modelo YosoConfig)
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
TrueAutoModelForTextEncoding
Visión por computadora
Las siguientes clases automáticas están disponibles para las siguientes tareas de visión por computadora.
AutoModelForDepthEstimation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración CHMv2Config: CHMv2ForDepthEstimation (modelo CHMv2Config)
- Clase de configuración DPTConfig: DPTForDepthEstimation (modelo DPTConfig)
- Clase de configuración DepthAnythingConfig: DepthAnythingForDepthEstimation (modelo DepthAnythingConfig)
- Clase de configuración DepthProConfig: DepthProForDepthEstimation (modelo DepthProConfig)
- Clase de configuración GLPNConfig: GLPNForDepthEstimation (modelo GLPNConfig)
- Clase de configuración PromptDepthAnythingConfig: PromptDepthAnythingForDepthEstimation (modelo PromptDepthAnythingConfig)
- Clase de configuración Tipsv2DptConfig: Tipsv2DptForDepthEstimation (modelo Tipsv2DptConfig)
- Clase de configuración ZoeDepthConfig: ZoeDepthForDepthEstimation (modelo ZoeDepthConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- chmv2 — CHMv2ForDepthEstimation (modelo CHMv2Config)
- depth_anything — DepthAnythingForDepthEstimation (modelo DepthAnythingConfig)
- depth_pro — DepthProForDepthEstimation (modelo DepthProConfig)
- dpt — DPTForDepthEstimation (modelo DPTConfig)
- glpn — GLPNForDepthEstimation (modelo GLPNConfig)
- prompt_depth_anything — PromptDepthAnythingForDepthEstimation (modelo PromptDepthAnythingConfig)
- tipsv2_dpt — Tipsv2DptForDepthEstimation (modelo Tipsv2DptConfig)
- zoedepth — ZoeDepthForDepthEstimation (modelo ZoeDepthConfig)
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
TrueAutoModelForNormalEstimation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Sapiens2Config: Sapiens2ForNormalEstimation (modelo Sapiens2Config)
- Clase de configuración Tipsv2DptConfig: Tipsv2DptForNormalEstimation (modelo Tipsv2DptConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- sapiens2 — Sapiens2ForNormalEstimation (modelo Sapiens2Config)
- tipsv2_dpt — Tipsv2DptForNormalEstimation (modelo Tipsv2DptConfig)
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
TrueAutoModelForPointmapEstimation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración Sapiens2Config: Sapiens2ForPointmapEstimation (modelo Sapiens2Config)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- sapiens2 — Sapiens2ForPointmapEstimation (modelo Sapiens2Config)
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
TrueAutoModelForImageMatting
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Sapiens2Config: Sapiens2ForImageMatting (modelo Sapiens2Config)
- Clase de configuración VitMatteConfig: VitMatteForImageMatting (modelo VitMatteConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- sapiens2 — Sapiens2ForImageMatting (modelo Sapiens2Config)
- vitmatte — VitMatteForImageMatting (modelo VitMatteConfig)
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
TrueAutoModelForTextRecognition
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración PPOCRV5MobileRecConfig: PPOCRV5MobileRecForTextRecognition (modelo PPOCRV5MobileRecConfig)
- Clase de configuración PPOCRV5ServerRecConfig: PPOCRV5ServerRecForTextRecognition (modelo PPOCRV5ServerRecConfig)
- Clase de configuración PPOCRV6SmallRecConfig: PPOCRV6SmallRecForTextRecognition (modelo PPOCRV6SmallRecConfig)
- Clase de configuración PPOCRV6TinyRecConfig: PPOCRV6TinyRecForTextRecognition (modelo PPOCRV6TinyRecConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- pp_ocrv5_mobile_rec — PPOCRV5MobileRecForTextRecognition (modelo PPOCRV5MobileRecConfig)
- pp_ocrv5_server_rec — PPOCRV5ServerRecForTextRecognition (modelo PPOCRV5ServerRecConfig)
- pp_ocrv6_small_rec — PPOCRV6SmallRecForTextRecognition (modelo PPOCRV6SmallRecConfig)
- pp_ocrv6_tiny_rec — PPOCRV6TinyRecForTextRecognition (modelo PPOCRV6TinyRecConfig)
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
TrueAutoModelForTableRecognition
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración SLANeXtConfig: SLANeXtForTableRecognition (modelo SLANeXtConfig)
- Clase de configuración SLANetConfig: SLANetForTableRecognition (modelo SLANetConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- slanet — SLANetForTableRecognition (modelo SLANetConfig)
- slanext — SLANeXtForTableRecognition (modelo SLANeXtConfig)
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
TrueAutoModelForImageClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración BeitConfig: BeitForImageClassification (modelo BeitConfig)
- Clase de configuración BitConfig: BitForImageClassification (modelo BitConfig)
- Clase de configuración CLIPConfig: CLIPForImageClassification (modelo CLIPConfig)
- Clase de configuración ConvNextConfig: ConvNextForImageClassification (modelo ConvNextConfig)
- Clase de configuración ConvNextV2Config: ConvNextV2ForImageClassification (modelo ConvNextV2Config)
- Clase de configuración CvtConfig: CvtForImageClassification (modelo CvtConfig)
- Clase de configuración Data2VecVisionConfig: Data2VecVisionForImageClassification (modelo Data2VecVisionConfig)
- Clase de configuración DeiTConfig: DeiTForImageClassification o DeiTForImageClassificationWithTeacher (modelo DeiTConfig)
- Clase de configuración DinatConfig: DinatForImageClassification (modelo DinatConfig)
- Clase de configuración Dinov2Config: Dinov2ForImageClassification (modelo Dinov2Config)
- Clase de configuración Dinov2WithRegistersConfig: Dinov2WithRegistersForImageClassification (modelo Dinov2WithRegistersConfig)
- Clase de configuración DonutSwinConfig: DonutSwinForImageClassification (modelo DonutSwinConfig)
- Clase de configuración EfficientNetConfig: EfficientNetForImageClassification (modelo EfficientNetConfig)
- Clase de configuración FocalNetConfig: FocalNetForImageClassification (modelo FocalNetConfig)
- Clase de configuración HGNetV2Config: HGNetV2ForImageClassification (modelo HGNetV2Config)
- Clase de configuración HieraConfig: HieraForImageClassification (modelo HieraConfig)
- Clase de configuración IJepaConfig: IJepaForImageClassification (modelo IJepaConfig)
- Clase de configuración ImageGPTConfig: ImageGPTForImageClassification (modelo ImageGPTConfig)
- Clase de configuración LevitConfig: LevitForImageClassification o LevitForImageClassificationWithTeacher (modelo LevitConfig)
- Clase de configuración MetaClip2Config: MetaClip2ForImageClassification (modelo MetaClip2Config)
- Clase de configuración MobileNetV1Config: MobileNetV1ForImageClassification (modelo MobileNetV1Config)
- Clase de configuración MobileNetV2Config: MobileNetV2ForImageClassification (modelo MobileNetV2Config)
- Clase de configuración MobileViTConfig: MobileViTForImageClassification (modelo MobileViTConfig)
- Clase de configuración MobileViTV2Config: MobileViTV2ForImageClassification (modelo MobileViTV2Config)
- Clase de configuración PPLCNetConfig: PPLCNetForImageClassification (modelo PPLCNetConfig)
- Clase de configuración PerceiverConfig: PerceiverForImageClassificationLearned o PerceiverForImageClassificationFourier o PerceiverForImageClassificationConvProcessing (modelo PerceiverConfig)
- Clase de configuración PoolFormerConfig: PoolFormerForImageClassification (modelo PoolFormerConfig)
- Clase de configuración PvtConfig: PvtForImageClassification (modelo PvtConfig)
- Clase de configuración PvtV2Config: PvtV2ForImageClassification (modelo PvtV2Config)
- Clase de configuración RegNetConfig: RegNetForImageClassification (modelo RegNetConfig)
- Clase de configuración ResNetConfig: ResNetForImageClassification (modelo ResNetConfig)
- Clase de configuración SegformerConfig: SegformerForImageClassification (modelo SegformerConfig)
- Clase de configuración ShieldGemma2Config: ShieldGemma2ForImageClassification (modelo ShieldGemma2Config)
- Clase de configuración Siglip2Config: Siglip2ForImageClassification (modelo Siglip2Config)
- Clase de configuración SiglipConfig: SiglipForImageClassification (modelo SiglipConfig)
- Clase de configuración SwiftFormerConfig: SwiftFormerForImageClassification (modelo SwiftFormerConfig)
- Clase de configuración SwinConfig: SwinForImageClassification (modelo SwinConfig)
- Clase de configuración Swinv2Config: Swinv2ForImageClassification (modelo Swinv2Config)
- Clase de configuración TextNetConfig: TextNetForImageClassification (modelo TextNetConfig)
- Clase de configuración TimmWrapperConfig: TimmWrapperForImageClassification (modelo TimmWrapperConfig)
- Clase de configuración ViTConfig: ViTForImageClassification (modelo ViTConfig)
- Clase de configuración ViTMSNConfig: ViTMSNForImageClassification (modelo ViTMSNConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- beit — BeitForImageClassification (modelo BeitConfig)
- bit — BitForImageClassification (modelo BitConfig)
- clip — CLIPForImageClassification (modelo CLIPConfig)
- convnext — ConvNextForImageClassification (modelo ConvNextConfig)
- convnextv2 — ConvNextV2ForImageClassification (modelo ConvNextV2Config)
- cvt — CvtForImageClassification (modelo CvtConfig)
- data2vec-vision — Data2VecVisionForImageClassification (modelo Data2VecVisionConfig)
- deit — DeiTForImageClassification o DeiTForImageClassificationWithTeacher (modelo DeiTConfig)
- dinat — DinatForImageClassification (modelo DinatConfig)
- dinov2 — Dinov2ForImageClassification (modelo Dinov2Config)
- dinov2_with_registers — Dinov2WithRegistersForImageClassification (modelo Dinov2WithRegistersConfig)
- donut-swin — DonutSwinForImageClassification (modelo DonutSwinConfig)
- efficientnet — EfficientNetForImageClassification (modelo EfficientNetConfig)
- focalnet — FocalNetForImageClassification (modelo FocalNetConfig)
- hgnet_v2 — HGNetV2ForImageClassification (modelo HGNetV2Config)
- hiera — HieraForImageClassification (modelo HieraConfig)
- ijepa — IJepaForImageClassification (modelo IJepaConfig)
- imagegpt — ImageGPTForImageClassification (modelo ImageGPTConfig)
- levit — LevitForImageClassification o LevitForImageClassificationWithTeacher (modelo LevitConfig)
- metaclip_2 — MetaClip2ForImageClassification (modelo MetaClip2Config)
- mobilenet_v1 — MobileNetV1ForImageClassification (modelo MobileNetV1Config)
- mobilenet_v2 — MobileNetV2ForImageClassification (modelo MobileNetV2Config)
- mobilevit — MobileViTForImageClassification (modelo MobileViTConfig)
- mobilevitv2 — MobileViTV2ForImageClassification (modelo MobileViTV2Config)
- perceiver — PerceiverForImageClassificationLearned o PerceiverForImageClassificationFourier o PerceiverForImageClassificationConvProcessing (modelo PerceiverConfig)
- poolformer — PoolFormerForImageClassification (modelo PoolFormerConfig)
- pp_lcnet — PPLCNetForImageClassification (modelo PPLCNetConfig)
- pvt — PvtForImageClassification (modelo PvtConfig)
- pvt_v2 — PvtV2ForImageClassification (modelo PvtV2Config)
- regnet — RegNetForImageClassification (modelo RegNetConfig)
- resnet — ResNetForImageClassification (modelo ResNetConfig)
- segformer — SegformerForImageClassification (modelo SegformerConfig)
- shieldgemma2 — ShieldGemma2ForImageClassification (modelo ShieldGemma2Config)
- siglip — SiglipForImageClassification (modelo SiglipConfig)
- siglip2 — Siglip2ForImageClassification (modelo Siglip2Config)
- swiftformer — SwiftFormerForImageClassification (modelo SwiftFormerConfig)
- swin — SwinForImageClassification (modelo SwinConfig)
- swinv2 — Swinv2ForImageClassification (modelo Swinv2Config)
- textnet — TextNetForImageClassification (modelo TextNetConfig)
- timm_wrapper — TimmWrapperForImageClassification (modelo TimmWrapperConfig)
- vit — ViTForImageClassification (modelo ViTConfig)
- vit_msn — ViTMSNForImageClassification (modelo ViTMSNConfig)
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
TrueAutoModelForVideoClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración TimesformerConfig: TimesformerForVideoClassification (modelo TimesformerConfig)
- Clase de configuración VJEPA2Config: VJEPA2ForVideoClassification (modelo VJEPA2Config)
- Clase de configuración VideoMAEConfig: VideoMAEForVideoClassification (modelo VideoMAEConfig)
- Clase de configuración VideoPrismVisionConfig: VideoPrismForVideoClassification (modelo VideoPrismVisionConfig)
- Clase de configuración VivitConfig: VivitForVideoClassification (modelo VivitConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- timesformer — TimesformerForVideoClassification (modelo TimesformerConfig)
- videomae — VideoMAEForVideoClassification (modelo VideoMAEConfig)
- videoprism_vision_model — VideoPrismForVideoClassification (modelo VideoPrismVisionConfig)
- vivit — VivitForVideoClassification (modelo VivitConfig)
- vjepa2 — VJEPA2ForVideoClassification (modelo VJEPA2Config)
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
TrueAutoModelForPoseEstimation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Sapiens2Config: Sapiens2ForPoseEstimation (modelo Sapiens2Config)
- Clase de configuración VitPoseConfig: VitPoseForPoseEstimation (modelo VitPoseConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- sapiens2 — Sapiens2ForPoseEstimation (modelo Sapiens2Config)
- vitpose — VitPoseForPoseEstimation (modelo VitPoseConfig)
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
TrueAutoModelForKeypointDetection
AutoModelForKeypointMatching
AutoModelForMaskedImageModeling
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración DeiTConfig: DeiTForMaskedImageModeling (modelo DeiTConfig)
- Clase de configuración FocalNetConfig: FocalNetForMaskedImageModeling (modelo FocalNetConfig)
- Clase de configuración SwinConfig: SwinForMaskedImageModeling (modelo SwinConfig)
- Clase de configuración Swinv2Config: Swinv2ForMaskedImageModeling (modelo Swinv2Config)
- Clase de configuración ViTConfig: ViTForMaskedImageModeling (modelo ViTConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- deit — DeiTForMaskedImageModeling (modelo DeiTConfig)
- focalnet — FocalNetForMaskedImageModeling (modelo FocalNetConfig)
- swin — SwinForMaskedImageModeling (modelo SwinConfig)
- swinv2 — Swinv2ForMaskedImageModeling (modelo Swinv2Config)
- vit — ViTForMaskedImageModeling (modelo ViTConfig)
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
TrueAutoModelForObjectDetection
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración ConditionalDetrConfig: ConditionalDetrForObjectDetection (modelo ConditionalDetrConfig)
- Clase de configuración DFineConfig: DFineForObjectDetection (modelo DFineConfig)
- Clase de configuración DabDetrConfig: DabDetrForObjectDetection (modelo DabDetrConfig)
- Clase de configuración DeformableDetrConfig: DeformableDetrForObjectDetection (modelo DeformableDetrConfig)
- Clase de configuración Deimv2Config: Deimv2ForObjectDetection (modelo Deimv2Config)
- Clase de configuración DetrConfig: DetrForObjectDetection (modelo DetrConfig)
- Clase de configuración LwDetrConfig: LwDetrForObjectDetection (modelo LwDetrConfig)
- Clase de configuración PPDocLayoutV2Config: PPDocLayoutV2ForObjectDetection (modelo PPDocLayoutV2Config)
- Clase de configuración PPDocLayoutV3Config: PPDocLayoutV3ForObjectDetection (modelo PPDocLayoutV3Config)
- Clase de configuración PPDocLayoutV4Config: PPDocLayoutV4ForObjectDetection (modelo PPDocLayoutV4Config)
- Clase de configuración PPOCRV5MobileDetConfig: PPOCRV5MobileDetForObjectDetection (modelo PPOCRV5MobileDetConfig)
- Clase de configuración PPOCRV5ServerDetConfig: PPOCRV5ServerDetForObjectDetection (modelo PPOCRV5ServerDetConfig)
- Clase de configuración PPOCRV6MediumDetConfig: PPOCRV6MediumDetForObjectDetection (modelo PPOCRV6MediumDetConfig)
- Clase de configuración PPOCRV6SmallDetConfig: PPOCRV6SmallDetForObjectDetection (modelo PPOCRV6SmallDetConfig)
- Clase de configuración RTDetrConfig: RTDetrForObjectDetection (modelo RTDetrConfig)
- Clase de configuración RTDetrV2Config: RTDetrV2ForObjectDetection (modelo RTDetrV2Config)
- Clase de configuración RfDetrConfig: RfDetrForObjectDetection (modelo RfDetrConfig)
- Clase de configuración TableTransformerConfig: TableTransformerForObjectDetection (modelo TableTransformerConfig)
- Clase de configuración YolosConfig: YolosForObjectDetection (modelo YolosConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- conditional_detr — ConditionalDetrForObjectDetection (modelo ConditionalDetrConfig)
- d_fine — DFineForObjectDetection (modelo DFineConfig)
- dab-detr — DabDetrForObjectDetection (modelo DabDetrConfig)
- deformable_detr — DeformableDetrForObjectDetection (modelo DeformableDetrConfig)
- deimv2 — Deimv2ForObjectDetection (modelo Deimv2Config)
- detr — DetrForObjectDetection (modelo DetrConfig)
- lw_detr — LwDetrForObjectDetection (modelo LwDetrConfig)
- pp_doclayout_v2 — PPDocLayoutV2ForObjectDetection (modelo PPDocLayoutV2Config)
- pp_doclayout_v3 — PPDocLayoutV3ForObjectDetection (modelo PPDocLayoutV3Config)
- pp_doclayout_v4 — PPDocLayoutV4ForObjectDetection (modelo PPDocLayoutV4Config)
- pp_ocrv5_mobile_det — PPOCRV5MobileDetForObjectDetection (modelo PPOCRV5MobileDetConfig)
- pp_ocrv5_server_det — PPOCRV5ServerDetForObjectDetection (modelo PPOCRV5ServerDetConfig)
- pp_ocrv6_medium_det — PPOCRV6MediumDetForObjectDetection (modelo PPOCRV6MediumDetConfig)
- pp_ocrv6_small_det — PPOCRV6SmallDetForObjectDetection (modelo PPOCRV6SmallDetConfig)
- rf_detr — RfDetrForObjectDetection (modelo RfDetrConfig)
- rt_detr — RTDetrForObjectDetection (modelo RTDetrConfig)
- rt_detr_v2 — RTDetrV2ForObjectDetection (modelo RTDetrV2Config)
- table-transformer — TableTransformerForObjectDetection (modelo TableTransformerConfig)
- yolos — YolosForObjectDetection (modelo YolosConfig)
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
TrueAutoModelForImageSegmentation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración DetrConfig: DetrForSegmentation (modelo DetrConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- detr — DetrForSegmentation (modelo DetrConfig)
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
TrueAutoModelForImageToImage
AutoModelForSemanticSegmentation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración BeitConfig: BeitForSemanticSegmentation (modelo BeitConfig)
- Clase de configuración DPTConfig: DPTForSemanticSegmentation (modelo DPTConfig)
- Clase de configuración Data2VecVisionConfig: Data2VecVisionForSemanticSegmentation (modelo Data2VecVisionConfig)
- Clase de configuración MobileNetV2Config: MobileNetV2ForSemanticSegmentation (modelo MobileNetV2Config)
- Clase de configuración MobileViTConfig: MobileViTForSemanticSegmentation (modelo MobileViTConfig)
- Clase de configuración MobileViTV2Config: MobileViTV2ForSemanticSegmentation (modelo MobileViTV2Config)
- Clase de configuración Sapiens2Config: Sapiens2ForSemanticSegmentation (modelo Sapiens2Config)
- Clase de configuración SegformerConfig: SegformerForSemanticSegmentation (modelo SegformerConfig)
- Clase de configuración Tipsv2DptConfig: Tipsv2DptForSemanticSegmentation (modelo Tipsv2DptConfig)
- Clase de configuración UperNetConfig: UperNetForSemanticSegmentation (modelo UperNetConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- beit — BeitForSemanticSegmentation (modelo BeitConfig)
- data2vec-vision — Data2VecVisionForSemanticSegmentation (modelo Data2VecVisionConfig)
- dpt — DPTForSemanticSegmentation (modelo DPTConfig)
- mobilenet_v2 — MobileNetV2ForSemanticSegmentation (modelo MobileNetV2Config)
- mobilevit — MobileViTForSemanticSegmentation (modelo MobileViTConfig)
- mobilevitv2 — MobileViTV2ForSemanticSegmentation (modelo MobileViTV2Config)
- sapiens2 — Sapiens2ForSemanticSegmentation (modelo Sapiens2Config)
- segformer — SegformerForSemanticSegmentation (modelo SegformerConfig)
- tipsv2_dpt — Tipsv2DptForSemanticSegmentation (modelo Tipsv2DptConfig)
- upernet — UperNetForSemanticSegmentation (modelo UperNetConfig)
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
TrueAutoModelForInstanceSegmentation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración MaskFormerConfig: MaskFormerForInstanceSegmentation (modelo MaskFormerConfig)
- Clase de configuración RfDetrConfig: RfDetrForInstanceSegmentation (modelo RfDetrConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- maskformer — MaskFormerForInstanceSegmentation (modelo MaskFormerConfig)
- rf_detr — RfDetrForInstanceSegmentation (modelo RfDetrConfig)
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
TrueAutoModelForUniversalSegmentation
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración DetrConfig: DetrForSegmentation (modelo DetrConfig)
- Clase de configuración EomtConfig: EomtForUniversalSegmentation (modelo EomtConfig)
- Clase de configuración EomtDinov3Config: EomtDinov3ForUniversalSegmentation (modelo EomtDinov3Config)
- Clase de configuración Mask2FormerConfig: Mask2FormerForUniversalSegmentation (modelo Mask2FormerConfig)
- Clase de configuración MaskFormerConfig: MaskFormerForInstanceSegmentation (modelo MaskFormerConfig)
- Clase de configuración OneFormerConfig: OneFormerForUniversalSegmentation (modelo OneFormerConfig)
- Clase de configuración VideomtConfig: VideomtForUniversalSegmentation (modelo VideomtConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- detr — DetrForSegmentation (modelo DetrConfig)
- eomt — EomtForUniversalSegmentation (modelo EomtConfig)
- eomt_dinov3 — EomtDinov3ForUniversalSegmentation (modelo EomtDinov3Config)
- mask2former — Mask2FormerForUniversalSegmentation (modelo Mask2FormerConfig)
- maskformer — MaskFormerForInstanceSegmentation (modelo MaskFormerConfig)
- oneformer — OneFormerForUniversalSegmentation (modelo OneFormerConfig)
- videomt — VideomtForUniversalSegmentation (modelo VideomtConfig)
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
TrueAutoModelForZeroShotImageClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AlignConfig: AlignModel (modelo AlignConfig)
- Clase de configuración AltCLIPConfig: AltCLIPModel (modelo AltCLIPConfig)
- Clase de configuración Blip2Config: Blip2ForImageTextRetrieval (modelo Blip2Config)
- Clase de configuración BlipConfig: BlipModel (modelo BlipConfig)
- Clase de configuración CLIPConfig: CLIPModel (modelo CLIPConfig)
- Clase de configuración CLIPSegConfig: CLIPSegModel (modelo CLIPSegConfig)
- Clase de configuración ChineseCLIPConfig: ChineseCLIPModel (modelo ChineseCLIPConfig)
- Clase de configuración MetaClip2Config: MetaClip2Model (modelo MetaClip2Config)
- Clase de configuración Siglip2Config: Siglip2Model (modelo Siglip2Config)
- Clase de configuración SiglipConfig: SiglipModel (modelo SiglipConfig)
- Clase de configuración Tipsv2Config: Tipsv2Model (modelo Tipsv2Config)
- Clase de configuración VideoPrismConfig: VideoPrismClipModel (modelo VideoPrismConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- align — AlignModel (modelo AlignConfig)
- altclip — AltCLIPModel (modelo AltCLIPConfig)
- blip — BlipModel (modelo BlipConfig)
- blip-2 — Blip2ForImageTextRetrieval (modelo Blip2Config)
- chinese_clip — ChineseCLIPModel (modelo ChineseCLIPConfig)
- clip — CLIPModel (modelo CLIPConfig)
- clipseg — CLIPSegModel (modelo CLIPSegConfig)
- metaclip_2 — MetaClip2Model (modelo MetaClip2Config)
- siglip — SiglipModel (modelo SiglipConfig)
- siglip2 — Siglip2Model (modelo Siglip2Config)
- tipsv2 — Tipsv2Model (modelo Tipsv2Config)
- videoprism — VideoPrismClipModel (modelo VideoPrismConfig)
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
TrueAutoModelForZeroShotObjectDetection
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración GroundingDinoConfig: GroundingDinoForObjectDetection (modelo GroundingDinoConfig)
- Clase de configuración MMGroundingDinoConfig: MMGroundingDinoForObjectDetection (modelo MMGroundingDinoConfig)
- Clase de configuración OmDetTurboConfig: OmDetTurboForObjectDetection (modelo OmDetTurboConfig)
- Clase de configuración OwlViTConfig: OwlViTForObjectDetection (modelo OwlViTConfig)
- Clase de configuración Owlv2Config: Owlv2ForObjectDetection (modelo Owlv2Config)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- grounding-dino — GroundingDinoForObjectDetection (modelo GroundingDinoConfig)
- mm-grounding-dino — MMGroundingDinoForObjectDetection (modelo MMGroundingDinoConfig)
- omdet-turbo — OmDetTurboForObjectDetection (modelo OmDetTurboConfig)
- owlv2 — Owlv2ForObjectDetection (modelo Owlv2Config)
- owlvit — OwlViTForObjectDetection (modelo OwlViTConfig)
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
TrueAudio
Las siguientes clases automáticas están disponibles para las siguientes tareas de audio.
AutoModelForAudioClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración ASTConfig: ASTForAudioClassification (modelo ASTConfig)
- Clase de configuración Data2VecAudioConfig: Data2VecAudioForSequenceClassification (modelo Data2VecAudioConfig)
- Clase de configuración HubertConfig: HubertForSequenceClassification (modelo HubertConfig)
- Clase de configuración SEWConfig: SEWForSequenceClassification (modelo SEWConfig)
- Clase de configuración SEWDConfig: SEWDForSequenceClassification (modelo SEWDConfig)
- Clase de configuración UniSpeechConfig: UniSpeechForSequenceClassification (modelo UniSpeechConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatForSequenceClassification (modelo UniSpeechSatConfig)
- Clase de configuración Wav2Vec2BertConfig: Wav2Vec2BertForSequenceClassification (modelo Wav2Vec2BertConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2ForSequenceClassification (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerForSequenceClassification (modelo Wav2Vec2ConformerConfig)
- Clase de configuración WavLMConfig: WavLMForSequenceClassification (modelo WavLMConfig)
- Clase de configuración WhisperConfig: WhisperForAudioClassification (modelo WhisperConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- audio-spectrogram-transformer — ASTForAudioClassification (modelo ASTConfig)
- data2vec-audio — Data2VecAudioForSequenceClassification (modelo Data2VecAudioConfig)
- hubert — HubertForSequenceClassification (modelo HubertConfig)
- sew — SEWForSequenceClassification (modelo SEWConfig)
- sew-d — SEWDForSequenceClassification (modelo SEWDConfig)
- unispeech — UniSpeechForSequenceClassification (modelo UniSpeechConfig)
- unispeech-sat — UniSpeechSatForSequenceClassification (modelo UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForSequenceClassification (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForSequenceClassification (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForSequenceClassification (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMForSequenceClassification (modelo WavLMConfig)
- whisper — WhisperForAudioClassification (modelo WhisperConfig)
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
TrueAutoModelForAudioFrameClassification
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Data2VecAudioConfig: Data2VecAudioForAudioFrameClassification (modelo Data2VecAudioConfig)
- Clase de configuración Nemotron3DiarizationConfig: Nemotron3DiarizationForAudioFrameClassification (modelo Nemotron3DiarizationConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatForAudioFrameClassification (modelo UniSpeechSatConfig)
- Clase de configuración Wav2Vec2BertConfig: Wav2Vec2BertForAudioFrameClassification (modelo Wav2Vec2BertConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2ForAudioFrameClassification (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerForAudioFrameClassification (modelo Wav2Vec2ConformerConfig)
- Clase de configuración WavLMConfig: WavLMForAudioFrameClassification (modelo WavLMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- data2vec-audio — Data2VecAudioForAudioFrameClassification (modelo Data2VecAudioConfig)
- nemotron3_diarization — Nemotron3DiarizationForAudioFrameClassification (modelo Nemotron3DiarizationConfig)
- unispeech-sat — UniSpeechSatForAudioFrameClassification (modelo UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForAudioFrameClassification (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForAudioFrameClassification (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForAudioFrameClassification (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMForAudioFrameClassification (modelo WavLMConfig)
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
TrueAutoModelForCTC
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Data2VecAudioConfig: Data2VecAudioForCTC (modelo Data2VecAudioConfig)
- Clase de configuración GraniteSpeech5CTCConfig: GraniteSpeech5ForCTC (modelo GraniteSpeech5CTCConfig)
- Clase de configuración HubertConfig: HubertForCTC (modelo HubertConfig)
- Clase de configuración LasrCTCConfig: LasrForCTC (modelo LasrCTCConfig)
- Clase de configuración ParakeetCTCConfig: ParakeetForCTC (modelo ParakeetCTCConfig)
- Clase de configuración SEWConfig: SEWForCTC (modelo SEWConfig)
- Clase de configuración SEWDConfig: SEWDForCTC (modelo SEWDConfig)
- Clase de configuración UniSpeechConfig: UniSpeechForCTC (modelo UniSpeechConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatForCTC (modelo UniSpeechSatConfig)
- Clase de configuración Wav2Vec2BertConfig: Wav2Vec2BertForCTC (modelo Wav2Vec2BertConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2ForCTC (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerForCTC (modelo Wav2Vec2ConformerConfig)
- Clase de configuración WavLMConfig: WavLMForCTC (modelo WavLMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- data2vec-audio — Data2VecAudioForCTC (modelo Data2VecAudioConfig)
- granite_speech5_ctc — GraniteSpeech5ForCTC (modelo GraniteSpeech5CTCConfig)
- hubert — HubertForCTC (modelo HubertConfig)
- lasr_ctc — LasrForCTC (modelo LasrCTCConfig)
- parakeet_ctc — ParakeetForCTC (modelo ParakeetCTCConfig)
- sew — SEWForCTC (modelo SEWConfig)
- sew-d — SEWDForCTC (modelo SEWDConfig)
- unispeech — UniSpeechForCTC (modelo UniSpeechConfig)
- unispeech-sat — UniSpeechSatForCTC (modelo UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForCTC (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForCTC (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForCTC (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMForCTC (modelo WavLMConfig)
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
TrueAutoModelForTDT
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración ParakeetTDTConfig: ParakeetForTDT (modelo ParakeetTDTConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- parakeet_tdt — ParakeetForTDT (modelo ParakeetTDTConfig)
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
TrueAutoModelForRNNT
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración Nemotron3_5AsrConfig: Nemotron3_5AsrForRNNT (modelo Nemotron3_5AsrConfig)
- Clase de configuración NemotronAsrStreamingConfig: NemotronAsrStreamingForRNNT (modelo NemotronAsrStreamingConfig)
- Clase de configuración ParakeetRNNTConfig: ParakeetForRNNT (modelo ParakeetRNNTConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- nemotron3_5_asr — Nemotron3_5AsrForRNNT (modelo Nemotron3_5AsrConfig)
- nemotron_asr_streaming — NemotronAsrStreamingForRNNT (modelo NemotronAsrStreamingConfig)
- parakeet_rnnt — ParakeetForRNNT (modelo ParakeetRNNTConfig)
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
TrueAutoModelForSpeechSeq2Seq
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración CanaryConfig: CanaryForConditionalGeneration (modelo CanaryConfig)
- Clase de configuración CohereAsrConfig: CohereAsrForConditionalGeneration (modelo CohereAsrConfig)
- Clase de configuración DiaConfig: DiaForConditionalGeneration (modelo DiaConfig)
- Clase de configuración FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- Clase de configuración GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- Clase de configuración GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- Clase de configuración KyutaiSpeechToTextConfig: KyutaiSpeechToTextForConditionalGeneration (modelo KyutaiSpeechToTextConfig)
- Clase de configuración MoonshineConfig: MoonshineForConditionalGeneration (modelo MoonshineConfig)
- Clase de configuración MoonshineStreamingConfig: MoonshineStreamingForConditionalGeneration (modelo MoonshineStreamingConfig)
- Clase de configuración Pop2PianoConfig: Pop2PianoForConditionalGeneration (modelo Pop2PianoConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- Clase de configuración SeamlessM4TConfig: SeamlessM4TForSpeechToText (modelo SeamlessM4TConfig)
- Clase de configuración SeamlessM4Tv2Config: SeamlessM4Tv2ForSpeechToText (modelo SeamlessM4Tv2Config)
- Clase de configuración Speech2TextConfig: Speech2TextForConditionalGeneration (modelo Speech2TextConfig)
- Clase de configuración SpeechEncoderDecoderConfig: SpeechEncoderDecoderModel (modelo SpeechEncoderDecoderConfig)
- Clase de configuración SpeechT5Config: SpeechT5ForSpeechToText (modelo SpeechT5Config)
- Clase de configuración VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- Clase de configuración VibeVoiceConfig: VibeVoiceForConditionalGeneration (modelo VibeVoiceConfig)
- Clase de configuración VoxtralConfig: VoxtralForConditionalGeneration (modelo VoxtralConfig)
- Clase de configuración VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- Clase de configuración WhisperConfig: WhisperForConditionalGeneration (modelo WhisperConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- canary — CanaryForConditionalGeneration (modelo CanaryConfig)
- cohere_asr — CohereAsrForConditionalGeneration (modelo CohereAsrConfig)
- dia — DiaForConditionalGeneration (modelo DiaConfig)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- kyutai_speech_to_text — KyutaiSpeechToTextForConditionalGeneration (modelo KyutaiSpeechToTextConfig)
- moonshine — MoonshineForConditionalGeneration (modelo MoonshineConfig)
- moonshine_streaming — MoonshineStreamingForConditionalGeneration (modelo MoonshineStreamingConfig)
- pop2piano — Pop2PianoForConditionalGeneration (modelo Pop2PianoConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- seamless_m4t — SeamlessM4TForSpeechToText (modelo SeamlessM4TConfig)
- seamless_m4t_v2 — SeamlessM4Tv2ForSpeechToText (modelo SeamlessM4Tv2Config)
- speech-encoder-decoder — SpeechEncoderDecoderModel (modelo SpeechEncoderDecoderConfig)
- speech_to_text — Speech2TextForConditionalGeneration (modelo Speech2TextConfig)
- speecht5 — SpeechT5ForSpeechToText (modelo SpeechT5Config)
- vibevoice — VibeVoiceForConditionalGeneration (modelo VibeVoiceConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- voxtral — VoxtralForConditionalGeneration (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- whisper — WhisperForConditionalGeneration (modelo WhisperConfig)
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
TrueAutoModelForAudioXVector
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Data2VecAudioConfig: Data2VecAudioForXVector (modelo Data2VecAudioConfig)
- Clase de configuración UniSpeechSatConfig: UniSpeechSatForXVector (modelo UniSpeechSatConfig)
- Clase de configuración Wav2Vec2BertConfig: Wav2Vec2BertForXVector (modelo Wav2Vec2BertConfig)
- Clase de configuración Wav2Vec2Config: Wav2Vec2ForXVector (modelo Wav2Vec2Config)
- Clase de configuración Wav2Vec2ConformerConfig: Wav2Vec2ConformerForXVector (modelo Wav2Vec2ConformerConfig)
- Clase de configuración WavLMConfig: WavLMForXVector (modelo WavLMConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- data2vec-audio — Data2VecAudioForXVector (modelo Data2VecAudioConfig)
- unispeech-sat — UniSpeechSatForXVector (modelo UniSpeechSatConfig)
- wav2vec2 — Wav2Vec2ForXVector (modelo Wav2Vec2Config)
- wav2vec2-bert — Wav2Vec2BertForXVector (modelo Wav2Vec2BertConfig)
- wav2vec2-conformer — Wav2Vec2ConformerForXVector (modelo Wav2Vec2ConformerConfig)
- wavlm — WavLMForXVector (modelo WavLMConfig)
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
TrueAutoModelForTextToSpectrogram
AutoModelForTextToWaveform
AutoModelForAudioTokenization
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración DacConfig: DacModel (modelo DacConfig)
- Clase de configuración HiggsAudioV2TokenizerConfig: HiggsAudioV2TokenizerModel (modelo HiggsAudioV2TokenizerConfig)
- Clase de configuración NeuCodecConfig: NeuCodecModel (modelo NeuCodecConfig)
- Clase de configuración PocketTTSAudioTokenizerConfig: PocketTTSAudioTokenizerModel (modelo PocketTTSAudioTokenizerConfig)
- Clase de configuración VibeVoiceAcousticTokenizerConfig: VibeVoiceAcousticTokenizerModel (modelo VibeVoiceAcousticTokenizerConfig)
- Clase de configuración Xcodec2Config: Xcodec2Model (modelo Xcodec2Config)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- dac — DacModel (modelo DacConfig)
- higgs_audio_v2_tokenizer — HiggsAudioV2TokenizerModel (modelo HiggsAudioV2TokenizerConfig)
- neucodec — NeuCodecModel (modelo NeuCodecConfig)
- pocket_tts_audio_tokenizer — PocketTTSAudioTokenizerModel (modelo PocketTTSAudioTokenizerConfig)
- vibevoice_acoustic_tokenizer — VibeVoiceAcousticTokenizerModel (modelo VibeVoiceAcousticTokenizerConfig)
- xcodec2 — Xcodec2Model (modelo Xcodec2Config)
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
TrueMultimodal
Las siguientes clases automáticas están disponibles para las siguientes tareas multimodales.
AutoModelForMultimodalLM
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AriaConfig: AriaForConditionalGeneration (modelo AriaConfig)
- Clase de configuración AyaVisionConfig: AyaVisionForConditionalGeneration (modelo AyaVisionConfig)
- Clase de configuración Blip2Config: Blip2ForConditionalGeneration (modelo Blip2Config)
- Clase de configuración BlipConfig: BlipForConditionalGeneration (modelo BlipConfig)
- Clase de configuración ChameleonConfig: ChameleonForConditionalGeneration (modelo ChameleonConfig)
- Clase de configuración Cohere2VisionConfig: Cohere2VisionForConditionalGeneration (modelo Cohere2VisionConfig)
- Clase de configuración CohereCompassConfig: CohereCompassForConditionalGeneration (modelo CohereCompassConfig)
- Clase de configuración Cosmos3EdgeConfig: Cosmos3EdgeForConditionalGeneration (modelo Cosmos3EdgeConfig)
- Clase de configuración Cosmos3OmniConfig: Cosmos3OmniForConditionalGeneration (modelo Cosmos3OmniConfig)
- Clase de configuración DeepseekOcr2Config: DeepseekOcr2ForConditionalGeneration (modelo DeepseekOcr2Config)
- Clase de configuración DeepseekVLConfig: DeepseekVLForConditionalGeneration (modelo DeepseekVLConfig)
- Clase de configuración DeepseekVLHybridConfig: DeepseekVLHybridForConditionalGeneration (modelo DeepseekVLHybridConfig)
- Clase de configuración DiffusionGemmaConfig: DiffusionGemmaForBlockDiffusion (modelo DiffusionGemmaConfig)
- Clase de configuración Emu3Config: Emu3ForConditionalGeneration (modelo Emu3Config)
- Clase de configuración Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeForConditionalGeneration (modelo Ernie4_5_VLMoeConfig)
- Clase de configuración EvollaConfig: EvollaForProteinText2Text (modelo EvollaConfig)
- Clase de configuración Exaone4_5_Config: Exaone4_5_ForConditionalGeneration (modelo Exaone4_5_Config)
- Clase de configuración FastVlmConfig: FastVlmForConditionalGeneration (modelo FastVlmConfig)
- Clase de configuración Florence2Config: Florence2ForConditionalGeneration (modelo Florence2Config)
- Clase de configuración FunAsrNanoConfig: FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- Clase de configuración FuyuConfig: FuyuForCausalLM (modelo FuyuConfig)
- Clase de configuración Gemma3Config: Gemma3ForConditionalGeneration (modelo Gemma3Config)
- Clase de configuración Gemma3nConfig: Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- Clase de configuración Gemma4Config: Gemma4ForConditionalGeneration (modelo Gemma4Config)
- Clase de configuración Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- Clase de configuración GitConfig: GitForCausalLM (modelo GitConfig)
- Clase de configuración Glm46VConfig: Glm46VForConditionalGeneration (modelo Glm46VConfig)
- Clase de configuración Glm4vConfig: Glm4vForConditionalGeneration (modelo Glm4vConfig)
- Clase de configuración Glm4vMoeConfig: Glm4vMoeForConditionalGeneration (modelo Glm4vMoeConfig)
- Clase de configuración Glm5NextConfig: Glm5NextForConditionalGeneration (modelo Glm5NextConfig)
- Clase de configuración GlmAsrConfig: GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- Clase de configuración GlmOcrConfig: GlmOcrForConditionalGeneration (modelo GlmOcrConfig)
- Clase de configuración GlmgaConfig: Glm46VForConditionalGeneration (modelo GlmgaConfig)
- Clase de configuración GotOcr2Config: GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- Clase de configuración Granite4VisionConfig: Granite4VisionForConditionalGeneration (modelo Granite4VisionConfig)
- Clase de configuración GraniteSpeechConfig: GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- Clase de configuración GraniteSpeechPlusConfig: GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- Clase de configuración HunYuanVLConfig: HunYuanVLForConditionalGeneration (modelo HunYuanVLConfig)
- Clase de configuración HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2ForConditionalGeneration (modelo HyperCLOVAXVisionV2Config)
- Clase de configuración Idefics2Config: Idefics2ForConditionalGeneration (modelo Idefics2Config)
- Clase de configuración Idefics3Config: Idefics3ForConditionalGeneration (modelo Idefics3Config)
- Clase de configuración IdeficsConfig: IdeficsForVisionText2Text (modelo IdeficsConfig)
- Clase de configuración InklingConfig: InklingForConditionalGeneration (modelo InklingConfig)
- Clase de configuración InstructBlipConfig: InstructBlipForConditionalGeneration (modelo InstructBlipConfig)
- Clase de configuración InstructBlipVideoConfig: InstructBlipVideoForConditionalGeneration (modelo InstructBlipVideoConfig)
- Clase de configuración InternVLConfig: InternVLForConditionalGeneration (modelo InternVLConfig)
- Clase de configuración JanusConfig: JanusForConditionalGeneration (modelo JanusConfig)
- Clase de configuración Kimi_K25Config: Kimi_K25ForConditionalGeneration (modelo Kimi_K25Config)
- Clase de configuración Kosmos2Config: Kosmos2ForConditionalGeneration (modelo Kosmos2Config)
- Clase de configuración Kosmos2_5Config: Kosmos2_5ForConditionalGeneration (modelo Kosmos2_5Config)
- Clase de configuración KyutaiSpeechToTextConfig: KyutaiSpeechToTextForConditionalGeneration (modelo KyutaiSpeechToTextConfig)
- Clase de configuración Lfm2VlConfig: Lfm2VlForConditionalGeneration (modelo Lfm2VlConfig)
- Clase de configuración LightOnOcrConfig: LightOnOcrForConditionalGeneration (modelo LightOnOcrConfig)
- Clase de configuración Llama4Config: Llama4ForConditionalGeneration (modelo Llama4Config)
- Clase de configuración LlavaConfig: LlavaForConditionalGeneration (modelo LlavaConfig)
- Clase de configuración LlavaNextConfig: LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- Clase de configuración LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- Clase de configuración LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- Clase de configuración MiniCPMOcrConfig: MiniCPMOcrForConditionalGeneration (modelo MiniCPMOcrConfig)
- Clase de configuración MiniCPMV4_6Config: MiniCPMV4_6ForConditionalGeneration (modelo MiniCPMV4_6Config)
- Clase de configuración MiniCPMV4_7Config: MiniCPMV4_7ForConditionalGeneration (modelo MiniCPMV4_7Config)
- Clase de configuración MiniMaxM3VLConfig: MiniMaxM3SparseForConditionalGeneration (modelo MiniMaxM3VLConfig)
- Clase de configuración Mistral3Config: Mistral3ForConditionalGeneration (modelo Mistral3Config)
- Clase de configuración Mistral4Config: Mistral4ForCausalLM (modelo Mistral4Config)
- Clase de configuración MistralLarge4Config: MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- Clase de configuración MllamaConfig: MllamaForConditionalGeneration (modelo MllamaConfig)
- Clase de configuración Molmo2Config: Molmo2ForConditionalGeneration (modelo Molmo2Config)
- Clase de configuración MossTranscribeDiarizeConfig: MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- Clase de configuración MuseGlimmerConfig: MuseGlimmerForConditionalGeneration (modelo MuseGlimmerConfig)
- Clase de configuración MuseSparkConfig: MuseSparkForConditionalGeneration (modelo MuseSparkConfig)
- Clase de configuración Nemotron3_5TranscribeConfig: Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- Clase de configuración NemotronH_Omni_Reasoning_V3_Config: NemotronH_Omni_Reasoning_V3 (modelo NemotronH_Omni_Reasoning_V3_Config)
- Clase de configuración Ovis2Config: Ovis2ForConditionalGeneration (modelo Ovis2Config)
- Clase de configuración PI0Config: PI0ForConditionalGeneration (modelo PI0Config)
- Clase de configuración PPChart2TableConfig: GotOcr2ForConditionalGeneration (modelo PPChart2TableConfig)
- Clase de configuración PPFormulaNetConfig: PPFormulaNetForConditionalGeneration (modelo PPFormulaNetConfig)
- Clase de configuración PaddleOCRVLConfig: PaddleOCRVLForConditionalGeneration (modelo PaddleOCRVLConfig)
- Clase de configuración PaliGemmaConfig: PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- Clase de configuración PerceptionLMConfig: PerceptionLMForConditionalGeneration (modelo PerceptionLMConfig)
- Clase de configuración Phi4MultimodalConfig: Phi4MultimodalForCausalLM (modelo Phi4MultimodalConfig)
- Clase de configuración Pix2StructConfig: Pix2StructForConditionalGeneration (modelo Pix2StructConfig)
- Clase de configuración QianfanOCRConfig: QianfanOCRForConditionalGeneration (modelo QianfanOCRConfig)
- Clase de configuración Qwen2AudioConfig: Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- Clase de configuración Qwen2VLConfig: Qwen2VLForConditionalGeneration (modelo Qwen2VLConfig)
- Clase de configuración Qwen2_5OmniConfig: Qwen2_5OmniForConditionalGeneration (modelo Qwen2_5OmniConfig)
- Clase de configuración Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerForConditionalGeneration (modelo Qwen2_5OmniThinkerConfig)
- Clase de configuración Qwen2_5_VLConfig: Qwen2_5_VLForConditionalGeneration (modelo Qwen2_5_VLConfig)
- Clase de configuración Qwen3ASRConfig: Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- Clase de configuración Qwen3OmniMoeConfig: Qwen3OmniMoeForConditionalGeneration (modelo Qwen3OmniMoeConfig)
- Clase de configuración Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerForConditionalGeneration (modelo Qwen3OmniMoeThinkerConfig)
- Clase de configuración Qwen3VLConfig: Qwen3VLForConditionalGeneration (modelo Qwen3VLConfig)
- Clase de configuración Qwen3VLMoeConfig: Qwen3VLMoeForConditionalGeneration (modelo Qwen3VLMoeConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5ForConditionalGeneration (modelo Qwen3_5Config)
- Clase de configuración Qwen3_5MoeConfig: Qwen3_5MoeForConditionalGeneration (modelo Qwen3_5MoeConfig)
- Clase de configuración Qwen4ExpConfig: Qwen4ExpForConditionalGeneration (modelo Qwen4ExpConfig)
- Clase de configuración ShieldGemma2Config: Gemma3ForConditionalGeneration (modelo ShieldGemma2Config)
- Clase de configuración SmolVLMConfig: SmolVLMForConditionalGeneration (modelo SmolVLMConfig)
- Clase de configuración Step3p7Config: Step3p7ForConditionalGeneration (modelo Step3p7Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- Clase de configuración UdopConfig: UdopForConditionalGeneration (modelo UdopConfig)
- Clase de configuración UnlimitedOcrConfig: UnlimitedOcrForConditionalGeneration (modelo UnlimitedOcrConfig)
- Clase de configuración VibeVoiceAsrConfig: VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- Clase de configuración VideoLlama3Config: VideoLlama3ForConditionalGeneration (modelo VideoLlama3Config)
- Clase de configuración VideoLlavaConfig: VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- Clase de configuración VipLlavaConfig: VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- Clase de configuración VisionEncoderDecoderConfig: VisionEncoderDecoderModel (modelo VisionEncoderDecoderConfig)
- Clase de configuración VoxtralConfig: VoxtralForConditionalGeneration (modelo VoxtralConfig)
- Clase de configuración VoxtralRealtimeConfig: VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- aria — AriaForConditionalGeneration (modelo AriaConfig)
- aya_vision — AyaVisionForConditionalGeneration (modelo AyaVisionConfig)
- blip — BlipForConditionalGeneration (modelo BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (modelo Blip2Config)
- chameleon — ChameleonForConditionalGeneration (modelo ChameleonConfig)
- cohere2_vision — Cohere2VisionForConditionalGeneration (modelo Cohere2VisionConfig)
- cohere_compass — CohereCompassForConditionalGeneration (modelo CohereCompassConfig)
- cosmos3_edge — Cosmos3EdgeForConditionalGeneration (modelo Cosmos3EdgeConfig)
- cosmos3_omni — Cosmos3OmniForConditionalGeneration (modelo Cosmos3OmniConfig)
- deepseek_ocr2 — DeepseekOcr2ForConditionalGeneration (modelo DeepseekOcr2Config)
- deepseek_vl — DeepseekVLForConditionalGeneration (modelo DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridForConditionalGeneration (modelo DeepseekVLHybridConfig)
- diffusion_gemma — DiffusionGemmaForBlockDiffusion (modelo DiffusionGemmaConfig)
- emu3 — Emu3ForConditionalGeneration (modelo Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeForConditionalGeneration (modelo Ernie4_5_VLMoeConfig)
- evolla — EvollaForProteinText2Text (modelo EvollaConfig)
- exaone4_5 — Exaone4_5_ForConditionalGeneration (modelo Exaone4_5_Config)
- fast_vlm — FastVlmForConditionalGeneration (modelo FastVlmConfig)
- florence2 — Florence2ForConditionalGeneration (modelo Florence2Config)
- fun_asr_nano — FunAsrNanoForConditionalGeneration (modelo FunAsrNanoConfig)
- fuyu — FuyuForCausalLM (modelo FuyuConfig)
- gemma3 — Gemma3ForConditionalGeneration (modelo Gemma3Config)
- gemma3n — Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- gemma4 — Gemma4ForConditionalGeneration (modelo Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- git — GitForCausalLM (modelo GitConfig)
- glm46v — Glm46VForConditionalGeneration (modelo Glm46VConfig)
- glm4v — Glm4vForConditionalGeneration (modelo Glm4vConfig)
- glm4v_moe — Glm4vMoeForConditionalGeneration (modelo Glm4vMoeConfig)
- glm5_next — Glm5NextForConditionalGeneration (modelo Glm5NextConfig)
- glm_ocr — GlmOcrForConditionalGeneration (modelo GlmOcrConfig)
- glmasr — GlmAsrForConditionalGeneration (modelo GlmAsrConfig)
- glmga — Glm46VForConditionalGeneration (modelo GlmgaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- granite4_vision — Granite4VisionForConditionalGeneration (modelo Granite4VisionConfig)
- granite_speech — GraniteSpeechForConditionalGeneration (modelo GraniteSpeechConfig)
- granite_speech_plus — GraniteSpeechPlusForConditionalGeneration (modelo GraniteSpeechPlusConfig)
- hunyuan_vl — HunYuanVLForConditionalGeneration (modelo HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2ForConditionalGeneration (modelo HyperCLOVAXVisionV2Config)
- idefics — IdeficsForVisionText2Text (modelo IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (modelo Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (modelo Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (modelo InklingConfig)
- instructblip — InstructBlipForConditionalGeneration (modelo InstructBlipConfig)
- instructblipvideo — InstructBlipVideoForConditionalGeneration (modelo InstructBlipVideoConfig)
- internvl — InternVLForConditionalGeneration (modelo InternVLConfig)
- janus — JanusForConditionalGeneration (modelo JanusConfig)
- kimi_k25 — Kimi_K25ForConditionalGeneration (modelo Kimi_K25Config)
- kosmos-2 — Kosmos2ForConditionalGeneration (modelo Kosmos2Config)
- kosmos-2.5 — Kosmos2_5ForConditionalGeneration (modelo Kosmos2_5Config)
- kyutai_speech_to_text — KyutaiSpeechToTextForConditionalGeneration (modelo KyutaiSpeechToTextConfig)
- lfm2_vl — Lfm2VlForConditionalGeneration (modelo Lfm2VlConfig)
- lighton_ocr — LightOnOcrForConditionalGeneration (modelo LightOnOcrConfig)
- llama4 — Llama4ForConditionalGeneration (modelo Llama4Config)
- llava — LlavaForConditionalGeneration (modelo LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- minicpm_ocr — MiniCPMOcrForConditionalGeneration (modelo MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6ForConditionalGeneration (modelo MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7ForConditionalGeneration (modelo MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3SparseForConditionalGeneration (modelo MiniMaxM3VLConfig)
- mistral3 — Mistral3ForConditionalGeneration (modelo Mistral3Config)
- mistral4 — Mistral4ForCausalLM (modelo Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (modelo MllamaConfig)
- molmo2 — Molmo2ForConditionalGeneration (modelo Molmo2Config)
- moss_transcribe_diarize — MossTranscribeDiarizeForConditionalGeneration (modelo MossTranscribeDiarizeConfig)
- muse_glimmer — MuseGlimmerForConditionalGeneration (modelo MuseGlimmerConfig)
- muse_spark — MuseSparkForConditionalGeneration (modelo MuseSparkConfig)
- nemo_speechlm — Nemotron3_5TranscribeForConditionalGeneration (modelo Nemotron3_5TranscribeConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3 (modelo NemotronH_Omni_Reasoning_V3_Config)
- ovis2 — Ovis2ForConditionalGeneration (modelo Ovis2Config)
- paddleocr_vl — PaddleOCRVLForConditionalGeneration (modelo PaddleOCRVLConfig)
- paligemma — PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- perception_lm — PerceptionLMForConditionalGeneration (modelo PerceptionLMConfig)
- phi4_multimodal — Phi4MultimodalForCausalLM (modelo Phi4MultimodalConfig)
- pi0 — PI0ForConditionalGeneration (modelo PI0Config)
- pix2struct — Pix2StructForConditionalGeneration (modelo Pix2StructConfig)
- pp_chart2table — GotOcr2ForConditionalGeneration (modelo PPChart2TableConfig)
- pp_formulanet — PPFormulaNetForConditionalGeneration (modelo PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRForConditionalGeneration (modelo QianfanOCRConfig)
- qwen2_5_omni — Qwen2_5OmniForConditionalGeneration (modelo Qwen2_5OmniConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerForConditionalGeneration (modelo Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLForConditionalGeneration (modelo Qwen2_5_VLConfig)
- qwen2_audio — Qwen2AudioForConditionalGeneration (modelo Qwen2AudioConfig)
- qwen2_vl — Qwen2VLForConditionalGeneration (modelo Qwen2VLConfig)
- qwen3_5 — Qwen3_5ForConditionalGeneration (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForConditionalGeneration (modelo Qwen3_5MoeConfig)
- qwen3_asr — Qwen3ASRForConditionalGeneration (modelo Qwen3ASRConfig)
- qwen3_omni_moe — Qwen3OmniMoeForConditionalGeneration (modelo Qwen3OmniMoeConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerForConditionalGeneration (modelo Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLForConditionalGeneration (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeForConditionalGeneration (modelo Qwen3VLMoeConfig)
- qwen4_exp — Qwen4ExpForConditionalGeneration (modelo Qwen4ExpConfig)
- shieldgemma2 — Gemma3ForConditionalGeneration (modelo ShieldGemma2Config)
- smolvlm — SmolVLMForConditionalGeneration (modelo SmolVLMConfig)
- step3p7 — Step3p7ForConditionalGeneration (modelo Step3p7Config)
- t5gemma2 — T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- udop — UdopForConditionalGeneration (modelo UdopConfig)
- unlimited_ocr — UnlimitedOcrForConditionalGeneration (modelo UnlimitedOcrConfig)
- vibevoice_asr — VibeVoiceAsrForConditionalGeneration (modelo VibeVoiceAsrConfig)
- video_llama_3 — VideoLlama3ForConditionalGeneration (modelo VideoLlama3Config)
- video_llava — VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- vipllava — VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderModel (modelo VisionEncoderDecoderConfig)
- voxtral — VoxtralForConditionalGeneration (modelo VoxtralConfig)
- voxtral_realtime — VoxtralRealtimeForConditionalGeneration (modelo VoxtralRealtimeConfig)
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
TrueAutoModelForTableQuestionAnswering
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo que se instancia se selecciona en función de la clase de configuración:
- Clase de configuración TapasConfig: TapasForQuestionAnswering (modelo TapasConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- tapas — TapasForQuestionAnswering (modelo TapasConfig)
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
TrueAutoModelForDocumentQuestionAnswering
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración LayoutLMConfig: LayoutLMForQuestionAnswering (modelo LayoutLMConfig)
- Clase de configuración LayoutLMv2Config: LayoutLMv2ForQuestionAnswering (modelo LayoutLMv2Config)
- Clase de configuración LayoutLMv3Config: LayoutLMv3ForQuestionAnswering (modelo LayoutLMv3Config)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- layoutlm — LayoutLMForQuestionAnswering (modelo LayoutLMConfig)
- layoutlmv2 — LayoutLMv2ForQuestionAnswering (modelo LayoutLMv2Config)
- layoutlmv3 — LayoutLMv3ForQuestionAnswering (modelo LayoutLMv3Config)
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
TrueAutoModelForVisualQuestionAnswering
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración Blip2Config: Blip2ForConditionalGeneration (modelo Blip2Config)
- Clase de configuración BlipConfig: BlipForQuestionAnswering (modelo BlipConfig)
- Clase de configuración ViltConfig: ViltForQuestionAnswering (modelo ViltConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- blip — BlipForQuestionAnswering (modelo BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (modelo Blip2Config)
- vilt — ViltForQuestionAnswering (modelo ViltConfig)
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
TrueAutoModelForImageTextToText
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración AriaConfig: AriaForConditionalGeneration (modelo AriaConfig)
- Clase de configuración AyaVisionConfig: AyaVisionForConditionalGeneration (modelo AyaVisionConfig)
- Clase de configuración Blip2Config: Blip2ForConditionalGeneration (modelo Blip2Config)
- Clase de configuración BlipConfig: BlipForConditionalGeneration (modelo BlipConfig)
- Clase de configuración ChameleonConfig: ChameleonForConditionalGeneration (modelo ChameleonConfig)
- Clase de configuración Cohere2VisionConfig: Cohere2VisionForConditionalGeneration (modelo Cohere2VisionConfig)
- Clase de configuración CohereCompassConfig: CohereCompassForConditionalGeneration (modelo CohereCompassConfig)
- Clase de configuración Cosmos3EdgeConfig: Cosmos3EdgeForConditionalGeneration (modelo Cosmos3EdgeConfig)
- Clase de configuración Cosmos3OmniConfig: Cosmos3OmniForConditionalGeneration (modelo Cosmos3OmniConfig)
- Clase de configuración DeepseekOcr2Config: DeepseekOcr2ForConditionalGeneration (modelo DeepseekOcr2Config)
- Clase de configuración DeepseekVLConfig: DeepseekVLForConditionalGeneration (modelo DeepseekVLConfig)
- Clase de configuración DeepseekVLHybridConfig: DeepseekVLHybridForConditionalGeneration (modelo DeepseekVLHybridConfig)
- Clase de configuración DiffusionGemmaConfig: DiffusionGemmaForBlockDiffusion (modelo DiffusionGemmaConfig)
- Clase de configuración Emu3Config: Emu3ForConditionalGeneration (modelo Emu3Config)
- Clase de configuración Ernie4_5_VLMoeConfig: Ernie4_5_VLMoeForConditionalGeneration (modelo Ernie4_5_VLMoeConfig)
- Clase de configuración EvollaConfig: EvollaForProteinText2Text (modelo EvollaConfig)
- Clase de configuración Exaone4_5_Config: Exaone4_5_ForConditionalGeneration (modelo Exaone4_5_Config)
- Clase de configuración FastVlmConfig: FastVlmForConditionalGeneration (modelo FastVlmConfig)
- Clase de configuración Florence2Config: Florence2ForConditionalGeneration (modelo Florence2Config)
- Clase de configuración FuyuConfig: FuyuForCausalLM (modelo FuyuConfig)
- Clase de configuración Gemma3Config: Gemma3ForConditionalGeneration (modelo Gemma3Config)
- Clase de configuración Gemma3nConfig: Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- Clase de configuración Gemma4Config: Gemma4ForConditionalGeneration (modelo Gemma4Config)
- Clase de configuración Gemma4UnifiedConfig: Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- Clase de configuración GitConfig: GitForCausalLM (modelo GitConfig)
- Clase de configuración Glm46VConfig: Glm46VForConditionalGeneration (modelo Glm46VConfig)
- Clase de configuración Glm4vConfig: Glm4vForConditionalGeneration (modelo Glm4vConfig)
- Clase de configuración Glm4vMoeConfig: Glm4vMoeForConditionalGeneration (modelo Glm4vMoeConfig)
- Clase de configuración Glm5NextConfig: Glm5NextForConditionalGeneration (modelo Glm5NextConfig)
- Clase de configuración GlmOcrConfig: GlmOcrForConditionalGeneration (modelo GlmOcrConfig)
- Clase de configuración GlmgaConfig: Glm46VForConditionalGeneration (modelo GlmgaConfig)
- Clase de configuración GotOcr2Config: GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- Clase de configuración Granite4VisionConfig: Granite4VisionForConditionalGeneration (modelo Granite4VisionConfig)
- Clase de configuración HunYuanVLConfig: HunYuanVLForConditionalGeneration (modelo HunYuanVLConfig)
- Clase de configuración HyperCLOVAXVisionV2Config: HyperCLOVAXVisionV2ForConditionalGeneration (modelo HyperCLOVAXVisionV2Config)
- Clase de configuración Idefics2Config: Idefics2ForConditionalGeneration (modelo Idefics2Config)
- Clase de configuración Idefics3Config: Idefics3ForConditionalGeneration (modelo Idefics3Config)
- Clase de configuración IdeficsConfig: IdeficsForVisionText2Text (modelo IdeficsConfig)
- Clase de configuración InklingConfig: InklingForConditionalGeneration (modelo InklingConfig)
- Clase de configuración InstructBlipConfig: InstructBlipForConditionalGeneration (modelo InstructBlipConfig)
- Clase de configuración InstructBlipVideoConfig: InstructBlipVideoForConditionalGeneration (modelo InstructBlipVideoConfig)
- Clase de configuración InternVLConfig: InternVLForConditionalGeneration (modelo InternVLConfig)
- Clase de configuración JanusConfig: JanusForConditionalGeneration (modelo JanusConfig)
- Clase de configuración Kimi_K25Config: Kimi_K25ForConditionalGeneration (modelo Kimi_K25Config)
- Clase de configuración Kosmos2Config: Kosmos2ForConditionalGeneration (modelo Kosmos2Config)
- Clase de configuración Kosmos2_5Config: Kosmos2_5ForConditionalGeneration (modelo Kosmos2_5Config)
- Clase de configuración Lfm2VlConfig: Lfm2VlForConditionalGeneration (modelo Lfm2VlConfig)
- Clase de configuración LightOnOcrConfig: LightOnOcrForConditionalGeneration (modelo LightOnOcrConfig)
- Clase de configuración Llama4Config: Llama4ForConditionalGeneration (modelo Llama4Config)
- Clase de configuración LlavaConfig: LlavaForConditionalGeneration (modelo LlavaConfig)
- Clase de configuración LlavaNextConfig: LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- Clase de configuración LlavaNextVideoConfig: LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- Clase de configuración LlavaOnevisionConfig: LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- Clase de configuración MiniCPMOcrConfig: MiniCPMOcrForConditionalGeneration (modelo MiniCPMOcrConfig)
- Clase de configuración MiniCPMV4_6Config: MiniCPMV4_6ForConditionalGeneration (modelo MiniCPMV4_6Config)
- Clase de configuración MiniCPMV4_7Config: MiniCPMV4_7ForConditionalGeneration (modelo MiniCPMV4_7Config)
- Clase de configuración MiniMaxM3VLConfig: MiniMaxM3SparseForConditionalGeneration (modelo MiniMaxM3VLConfig)
- Clase de configuración Mistral3Config: Mistral3ForConditionalGeneration (modelo Mistral3Config)
- Clase de configuración Mistral4Config: Mistral4ForCausalLM (modelo Mistral4Config)
- Clase de configuración MistralLarge4Config: MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- Clase de configuración MllamaConfig: MllamaForConditionalGeneration (modelo MllamaConfig)
- Clase de configuración Molmo2Config: Molmo2ForConditionalGeneration (modelo Molmo2Config)
- Clase de configuración MuseGlimmerConfig: MuseGlimmerForConditionalGeneration (modelo MuseGlimmerConfig)
- Clase de configuración MuseSparkConfig: MuseSparkForConditionalGeneration (modelo MuseSparkConfig)
- Clase de configuración NemotronH_Omni_Reasoning_V3_Config: NemotronH_Omni_Reasoning_V3 (modelo NemotronH_Omni_Reasoning_V3_Config)
- Clase de configuración Ovis2Config: Ovis2ForConditionalGeneration (modelo Ovis2Config)
- Clase de configuración PI0Config: PI0ForConditionalGeneration (modelo PI0Config)
- Clase de configuración PPChart2TableConfig: GotOcr2ForConditionalGeneration (modelo PPChart2TableConfig)
- Clase de configuración PPFormulaNetConfig: PPFormulaNetForConditionalGeneration (modelo PPFormulaNetConfig)
- Clase de configuración PaddleOCRVLConfig: PaddleOCRVLForConditionalGeneration (modelo PaddleOCRVLConfig)
- Clase de configuración PaliGemmaConfig: PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- Clase de configuración PerceptionLMConfig: PerceptionLMForConditionalGeneration (modelo PerceptionLMConfig)
- Clase de configuración Pix2StructConfig: Pix2StructForConditionalGeneration (modelo Pix2StructConfig)
- Clase de configuración QianfanOCRConfig: QianfanOCRForConditionalGeneration (modelo QianfanOCRConfig)
- Clase de configuración Qwen2VLConfig: Qwen2VLForConditionalGeneration (modelo Qwen2VLConfig)
- Clase de configuración Qwen2_5OmniThinkerConfig: Qwen2_5OmniThinkerForConditionalGeneration (modelo Qwen2_5OmniThinkerConfig)
- Clase de configuración Qwen2_5_VLConfig: Qwen2_5_VLForConditionalGeneration (modelo Qwen2_5_VLConfig)
- Clase de configuración Qwen3OmniMoeThinkerConfig: Qwen3OmniMoeThinkerForConditionalGeneration (modelo Qwen3OmniMoeThinkerConfig)
- Clase de configuración Qwen3VLConfig: Qwen3VLForConditionalGeneration (modelo Qwen3VLConfig)
- Clase de configuración Qwen3VLMoeConfig: Qwen3VLMoeForConditionalGeneration (modelo Qwen3VLMoeConfig)
- Clase de configuración Qwen3_5Config: Qwen3_5ForConditionalGeneration (modelo Qwen3_5Config)
- Clase de configuración Qwen3_5MoeConfig: Qwen3_5MoeForConditionalGeneration (modelo Qwen3_5MoeConfig)
- Clase de configuración Qwen4ExpConfig: Qwen4ExpForConditionalGeneration (modelo Qwen4ExpConfig)
- Clase de configuración ShieldGemma2Config: Gemma3ForConditionalGeneration (modelo ShieldGemma2Config)
- Clase de configuración SmolVLMConfig: SmolVLMForConditionalGeneration (modelo SmolVLMConfig)
- Clase de configuración Step3p7Config: Step3p7ForConditionalGeneration (modelo Step3p7Config)
- Clase de configuración T5Gemma2Config: T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- Clase de configuración UdopConfig: UdopForConditionalGeneration (modelo UdopConfig)
- Clase de configuración UnlimitedOcrConfig: UnlimitedOcrForConditionalGeneration (modelo UnlimitedOcrConfig)
- Clase de configuración VideoLlama3Config: VideoLlama3ForConditionalGeneration (modelo VideoLlama3Config)
- Clase de configuración VideoLlavaConfig: VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- Clase de configuración VipLlavaConfig: VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- Clase de configuración VisionEncoderDecoderConfig: VisionEncoderDecoderModel (modelo VisionEncoderDecoderConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- aria — AriaForConditionalGeneration (modelo AriaConfig)
- aya_vision — AyaVisionForConditionalGeneration (modelo AyaVisionConfig)
- blip — BlipForConditionalGeneration (modelo BlipConfig)
- blip-2 — Blip2ForConditionalGeneration (modelo Blip2Config)
- chameleon — ChameleonForConditionalGeneration (modelo ChameleonConfig)
- cohere2_vision — Cohere2VisionForConditionalGeneration (modelo Cohere2VisionConfig)
- cohere_compass — CohereCompassForConditionalGeneration (modelo CohereCompassConfig)
- cosmos3_edge — Cosmos3EdgeForConditionalGeneration (modelo Cosmos3EdgeConfig)
- cosmos3_omni — Cosmos3OmniForConditionalGeneration (modelo Cosmos3OmniConfig)
- deepseek_ocr2 — DeepseekOcr2ForConditionalGeneration (modelo DeepseekOcr2Config)
- deepseek_vl — DeepseekVLForConditionalGeneration (modelo DeepseekVLConfig)
- deepseek_vl_hybrid — DeepseekVLHybridForConditionalGeneration (modelo DeepseekVLHybridConfig)
- diffusion_gemma — DiffusionGemmaForBlockDiffusion (modelo DiffusionGemmaConfig)
- emu3 — Emu3ForConditionalGeneration (modelo Emu3Config)
- ernie4_5_vl_moe — Ernie4_5_VLMoeForConditionalGeneration (modelo Ernie4_5_VLMoeConfig)
- evolla — EvollaForProteinText2Text (modelo EvollaConfig)
- exaone4_5 — Exaone4_5_ForConditionalGeneration (modelo Exaone4_5_Config)
- fast_vlm — FastVlmForConditionalGeneration (modelo FastVlmConfig)
- florence2 — Florence2ForConditionalGeneration (modelo Florence2Config)
- fuyu — FuyuForCausalLM (modelo FuyuConfig)
- gemma3 — Gemma3ForConditionalGeneration (modelo Gemma3Config)
- gemma3n — Gemma3nForConditionalGeneration (modelo Gemma3nConfig)
- gemma4 — Gemma4ForConditionalGeneration (modelo Gemma4Config)
- gemma4_unified — Gemma4UnifiedForConditionalGeneration (modelo Gemma4UnifiedConfig)
- git — GitForCausalLM (modelo GitConfig)
- glm46v — Glm46VForConditionalGeneration (modelo Glm46VConfig)
- glm4v — Glm4vForConditionalGeneration (modelo Glm4vConfig)
- glm4v_moe — Glm4vMoeForConditionalGeneration (modelo Glm4vMoeConfig)
- glm5_next — Glm5NextForConditionalGeneration (modelo Glm5NextConfig)
- glm_ocr — GlmOcrForConditionalGeneration (modelo GlmOcrConfig)
- glmga — Glm46VForConditionalGeneration (modelo GlmgaConfig)
- got_ocr2 — GotOcr2ForConditionalGeneration (modelo GotOcr2Config)
- granite4_vision — Granite4VisionForConditionalGeneration (modelo Granite4VisionConfig)
- hunyuan_vl — HunYuanVLForConditionalGeneration (modelo HunYuanVLConfig)
- hyperclovax_vision_v2 — HyperCLOVAXVisionV2ForConditionalGeneration (modelo HyperCLOVAXVisionV2Config)
- idefics — IdeficsForVisionText2Text (modelo IdeficsConfig)
- idefics2 — Idefics2ForConditionalGeneration (modelo Idefics2Config)
- idefics3 — Idefics3ForConditionalGeneration (modelo Idefics3Config)
- inkling_mm_model — InklingForConditionalGeneration (modelo InklingConfig)
- instructblip — InstructBlipForConditionalGeneration (modelo InstructBlipConfig)
- instructblipvideo — InstructBlipVideoForConditionalGeneration (modelo InstructBlipVideoConfig)
- internvl — InternVLForConditionalGeneration (modelo InternVLConfig)
- janus — JanusForConditionalGeneration (modelo JanusConfig)
- kimi_k25 — Kimi_K25ForConditionalGeneration (modelo Kimi_K25Config)
- kosmos-2 — Kosmos2ForConditionalGeneration (modelo Kosmos2Config)
- kosmos-2.5 — Kosmos2_5ForConditionalGeneration (modelo Kosmos2_5Config)
- lfm2_vl — Lfm2VlForConditionalGeneration (modelo Lfm2VlConfig)
- lighton_ocr — LightOnOcrForConditionalGeneration (modelo LightOnOcrConfig)
- llama4 — Llama4ForConditionalGeneration (modelo Llama4Config)
- llava — LlavaForConditionalGeneration (modelo LlavaConfig)
- llava_next — LlavaNextForConditionalGeneration (modelo LlavaNextConfig)
- llava_next_video — LlavaNextVideoForConditionalGeneration (modelo LlavaNextVideoConfig)
- llava_onevision — LlavaOnevisionForConditionalGeneration (modelo LlavaOnevisionConfig)
- minicpm_ocr — MiniCPMOcrForConditionalGeneration (modelo MiniCPMOcrConfig)
- minicpmv4_6 — MiniCPMV4_6ForConditionalGeneration (modelo MiniCPMV4_6Config)
- minicpmv4_7 — MiniCPMV4_7ForConditionalGeneration (modelo MiniCPMV4_7Config)
- minimax_m3_vl — MiniMaxM3SparseForConditionalGeneration (modelo MiniMaxM3VLConfig)
- mistral3 — Mistral3ForConditionalGeneration (modelo Mistral3Config)
- mistral4 — Mistral4ForCausalLM (modelo Mistral4Config)
- mistral_large4 — MistralLarge4ForConditionalGeneration (modelo MistralLarge4Config)
- mllama — MllamaForConditionalGeneration (modelo MllamaConfig)
- molmo2 — Molmo2ForConditionalGeneration (modelo Molmo2Config)
- muse_glimmer — MuseGlimmerForConditionalGeneration (modelo MuseGlimmerConfig)
- muse_spark — MuseSparkForConditionalGeneration (modelo MuseSparkConfig)
- nemotron_h_omni — NemotronH_Omni_Reasoning_V3 (modelo NemotronH_Omni_Reasoning_V3_Config)
- ovis2 — Ovis2ForConditionalGeneration (modelo Ovis2Config)
- paddleocr_vl — PaddleOCRVLForConditionalGeneration (modelo PaddleOCRVLConfig)
- paligemma — PaliGemmaForConditionalGeneration (modelo PaliGemmaConfig)
- perception_lm — PerceptionLMForConditionalGeneration (modelo PerceptionLMConfig)
- pi0 — PI0ForConditionalGeneration (modelo PI0Config)
- pix2struct — Pix2StructForConditionalGeneration (modelo Pix2StructConfig)
- pp_chart2table — GotOcr2ForConditionalGeneration (modelo PPChart2TableConfig)
- pp_formulanet — PPFormulaNetForConditionalGeneration (modelo PPFormulaNetConfig)
- qianfan_ocr — QianfanOCRForConditionalGeneration (modelo QianfanOCRConfig)
- qwen2_5_omni_thinker — Qwen2_5OmniThinkerForConditionalGeneration (modelo Qwen2_5OmniThinkerConfig)
- qwen2_5_vl — Qwen2_5_VLForConditionalGeneration (modelo Qwen2_5_VLConfig)
- qwen2_vl — Qwen2VLForConditionalGeneration (modelo Qwen2VLConfig)
- qwen3_5 — Qwen3_5ForConditionalGeneration (modelo Qwen3_5Config)
- qwen3_5_moe — Qwen3_5MoeForConditionalGeneration (modelo Qwen3_5MoeConfig)
- qwen3_omni_moe_thinker — Qwen3OmniMoeThinkerForConditionalGeneration (modelo Qwen3OmniMoeThinkerConfig)
- qwen3_vl — Qwen3VLForConditionalGeneration (modelo Qwen3VLConfig)
- qwen3_vl_moe — Qwen3VLMoeForConditionalGeneration (modelo Qwen3VLMoeConfig)
- qwen4_exp — Qwen4ExpForConditionalGeneration (modelo Qwen4ExpConfig)
- shieldgemma2 — Gemma3ForConditionalGeneration (modelo ShieldGemma2Config)
- smolvlm — SmolVLMForConditionalGeneration (modelo SmolVLMConfig)
- step3p7 — Step3p7ForConditionalGeneration (modelo Step3p7Config)
- t5gemma2 — T5Gemma2ForConditionalGeneration (modelo T5Gemma2Config)
- udop — UdopForConditionalGeneration (modelo UdopConfig)
- unlimited_ocr — UnlimitedOcrForConditionalGeneration (modelo UnlimitedOcrConfig)
- video_llama_3 — VideoLlama3ForConditionalGeneration (modelo VideoLlama3Config)
- video_llava — VideoLlavaForConditionalGeneration (modelo VideoLlavaConfig)
- vipllava — VipLlavaForConditionalGeneration (modelo VipLlavaConfig)
- vision-encoder-decoder — VisionEncoderDecoderModel (modelo VisionEncoderDecoderConfig)
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
TrueSeries de tiempo
AutoModelForTimeSeriesPrediction
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
< source >( **kwargs )
Parámetros
- config (PreTrainedConfig) —
La clase de modelo a instanciar se selecciona en función de la clase de configuración:
- Clase de configuración TimesFm2_5Config: TimesFm2_5ModelForPrediction (modelo TimesFm2_5Config)
- Clase de configuración TimesFmConfig: TimesFmModelForPrediction (modelo TimesFmConfig)
- attn_implementation (
str, opcional) — La implementación de atención a utilizar en el modelo (si es relevante). Puede ser cualquiera de"eager"(implementación manual de la atención)"sdpa"(usandoF.scaled_dot_product_attention)"flash_attention_2"(usando Dao-AILab/flash-attention)"flash_attention_3"(usando Dao-AILab/flash-attention/hopper)"flash_attention_4"(usando Dao-AILab/flash-attention/flash_attn/cute). Por defecto, si está disponible, se usará SDPA para torch>=2.1.1. En caso contrario, el valor predeterminado es la implementación manual"eager".
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.
from_pretrained
< source >( *model_args**kwargs )
Parámetros
- pretrained_model_name_or_path (
stroos.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_pathy 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 (
stroos.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 predeterminadoFalse) — 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 defectoFalse) — 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 predeterminadoFalse) — 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 querevisionpuede ser cualquier identificador permitido por git. - trust_remote_code (
bool, opcional, valor predeterminadoFalse) — Indica si se permiten modelos personalizados definidos en el Hub en sus propios archivos de modelado. Esta opción debe establecerse enTruesolo 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 querevisionpuede 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 unaconfigo se carga automáticamente:- Si se proporciona una configuración con
config,**kwargsse 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,
kwargsse pasará primero a la función de inicialización de la clase de configuración (from_pretrained()). Cada clave dekwargsque corresponda a un atributo de configuración se usará para sobrescribir dicho atributo con el valor dekwargsproporcionado. Las claves restantes que no correspondan a ningún atributo de configuración se pasarán a la función__init__del modelo subyacente.
- Si se proporciona una configuración con
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:
- timesfm — TimesFmModelForPrediction (modelo TimesFmConfig)
- timesfm2_5 — TimesFm2_5ModelForPrediction (modelo TimesFm2_5Config)
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