Paramètres

• adapter_names (list[str, str]) — Les noms des adaptateurs à supprimer.

Paramètres

• target_rank (int) — Le rang le plus élevé parmi tous les adaptateurs qui seront chargés.
• check_compiled (str, facultatif, par défaut "error") — Comment gérer un modèle déjà compilé. La vérification peut renvoyer les messages suivants :
  • « error » (par défaut) : lever une erreur
  • “warn” : émettre un avertissement
  • “ignore” : ne rien faire

Paramètres

• components — (list[str]) : liste des composants injectables par LoRA dans lesquels fusionner les LoRA.
• lora_scale (float, par défaut 1.0) — Contrôle l'influence des paramètres LoRA sur les sorties.
• safe_fusing (bool, par défaut False) — Indique s'il faut vérifier les poids fusionnés à la recherche de valeurs NaN avant la fusion et, si des valeurs sont NaN, de ne pas les fusionner.
• adapter_names (list[str], facultatif) — Noms des adaptateurs à utiliser pour la fusion. Si rien n'est transmis, tous les adaptateurs actifs seront fusionnés.

Paramètres

• adapter_names (list[str] ou str) — Les noms des adaptateurs à utiliser.
• adapter_weights (float, dict ou list, facultatif) — Poids des adaptateurs. Un scalaire met à l’échelle tous les composants compatibles LoRA. Un dictionnaire associe les noms des composants (par ex. "unet", "transformer" ou "text_encoder") à des poids ; le poids d’un composant UNet peut également être un dictionnaire imbriqué d’échelles de blocs. Un scalaire ou un dictionnaire unique est appliqué à chaque adaptateur. Une liste doit contenir un scalaire, un dictionnaire ou None par adaptateur, dans l’ordre de adapter_names. None est par défaut 1.0, y compris pour les entrées de liste et les poids des composants. Les composants non spécifiés et les blocs UNet sont également par défaut 1.0.

Paramètres

• adapter_names (list[str]) — liste des adaptateurs à envoyer vers l’appareil.
• device (torch.device | str | int) — Appareil vers lequel envoyer les adaptateurs. Peut être un appareil torch, une chaîne de caractères ou un entier.

Paramètres

• components (list[str]) — liste des composants injectables par LoRA dont on veut retirer l'injection de LoRA.
• unfuse_unet (bool, par défaut True) — Indique s'il faut défusionner les paramètres LoRA du UNet.
• unfuse_text_encoder (bool, par défaut True) — Indique s'il faut défusionner les paramètres LoRA de l'encodeur de texte. Si l'encodeur de texte n'a pas été modifié (monkey-patched) avec les paramètres LoRA, cela n'aura aucun effet.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. La clé doit être préfixée par un text_encoder supplémentaire afin de distinguer les couches lora de l'unet.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• text_encoder (CLIPTextModel) — Le modèle d’encodeur de texte dans lequel charger les couches LoRA.
• prefix (str) — Préfixe attendu du text_encoder dans le state_dict.
• lora_scale (float) — Facteur d'échelle appliqué à la sortie de la couche linéaire lora avant son ajout à la sortie de la couche lora standard.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. Les clés peuvent soit être indexées directement dans l'unet, soit préfixées par un unet supplémentaire, ce qui permet de distinguer les couches lora de l'encodeur de texte.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• unet (UNet2DConditionModel) — Le modèle UNet dans lequel charger les couches LoRA.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• pretrained_model_name_or_path_or_dict (str ou os.PathLike ou dict) — Voir lora_state_dict().
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Valeur par défaut : False. Indique s'il faut remplacer un adaptateur (LoRA) existant par l'adaptateur nouvellement chargé, en place. Cela signifie que, au lieu de charger un adaptateur supplémentaire, les poids de l'adaptateur existant seront remplacés par ceux du nouvel adaptateur. Cette approche peut être plus rapide et plus efficace en termes de mémoire. Cependant, l'avantage principal du hotswap est que, lorsque le modèle est compilé avec torch.compile, le chargement du nouvel adaptateur ne nécessite pas de recompiler le modèle. Lors de l'utilisation du hotswap, le adapter_name doit correspondre au nom d'un adaptateur déjà chargé.

  Si le nouvel adaptateur et l’ancien adaptateur ont des rangs et/ou des alphas LoRA (c.-à-d. un facteur d’échelle) différents, vous devez appeler une méthode supplémentaire avant de charger l’adaptateur :

Paramètres

• pretrained_model_name_or_path_or_dict (str ou os.PathLike ou dict) — Peut être l'un des éléments suivants :
  • Une chaîne de caractères, l'identifiant du modèle (par exemple google/ddpm-celebahq-256) d'un modèle pré-entraîné hébergé sur le Hub.
  • Un chemin vers un dossier (par exemple ./my_model_directory) contenant les poids du modèle enregistrés avec ModelMixin.save_pretrained().
  • Un dictionnaire d'état torch.
• cache_dir (str | os.PathLike, facultatif) — Chemin vers un répertoire où la configuration d'un modèle pré-entraîné téléchargé est mise en cache si le cache standard n'est pas utilisé.
• force_download (bool, facultatif, par défaut False) — Indique s'il faut forcer le (re)téléchargement des poids du modèle et des fichiers de configuration, en ignorant les versions mises en cache si elles existent.
• proxies (dict[str, str], facultatif) — Un dictionnaire de serveurs proxy à utiliser par protocole ou point de terminaison, par exemple, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Les proxys sont utilisés pour chaque requête.
• local_files_only (bool, facultatif, par défaut False) — Indique s'il faut charger uniquement les poids et les fichiers de configuration du modèle en local. Si défini sur True, le modèle ne sera pas téléchargé depuis le Hub.
• token (str ou bool, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True, le jeton généré par diffusers-cli login (stocké dans ~/.huggingface) est utilisé.
• revision (str, facultatif, par défaut "main") — La version spécifique du modèle à utiliser. Il peut s’agir d’un nom de branche, d’un nom de tag, d’un identifiant de commit ou de tout identifiant autorisé par Git.
• subfolder (str, facultatif, par défaut "") — L’emplacement du sous-dossier d’un fichier de modèle au sein d’un dépôt de modèle plus large sur le Hub ou en local.
• weight_name (str, facultatif, par défaut None) — Nom du fichier de dictionnaire d'état sérialisé.
• return_lora_metadata (bool, facultatif, valeur par défaut False) — Lorsqu’activé, renvoie également les métadonnées de l’adaptateur LoRA, généralement présentes dans le state dict.

Paramètres

• save_directory (str ou os.PathLike) — Répertoire dans lequel enregistrer les paramètres LoRA. Sera créé s'il n'existe pas.
• unet_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d'état des couches LoRA correspondant à unet.
• text_encoder_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d’état des couches LoRA correspondant à text_encoder. Il est nécessaire de passer explicitement le dictionnaire d’état des couches LoRA de l’encodeur de texte, car il provient de 🤗 Transformers.
• is_main_process (bool, facultatif, par défaut True) — Indique si le processus qui appelle cette fonction est le processus principal ou non. Utile lors de l'entraînement distribué lorsque vous devez appeler cette fonction sur tous les processus. Dans ce cas, définissez is_main_process=True uniquement sur le processus principal pour éviter les conditions de course.
• save_function (Callable) — La fonction à utiliser pour enregistrer le dictionnaire d'état. Utile lors de l'entraînement distribué lorsque vous devez remplacer torch.save par une autre méthode. Peut être configurée avec la variable d'environnement DIFFUSERS_SAVE_MODE.
• safe_serialization (bool, facultatif, par défaut True) — Indique si le modèle doit être enregistré en utilisant safetensors ou la méthode traditionnelle de PyTorch avec pickle.
• unet_lora_adapter_metadata — métadonnées de l'adaptateur LoRA associées au unet, à sérialiser avec le state dict.
• text_encoder_lora_adapter_metadata — Métadonnées de l'adaptateur LoRA associées à l'encodeur de texte, à sérialiser avec le dictionnaire d'état.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. La clé doit être préfixée par un text_encoder supplémentaire afin de distinguer les couches lora de l'unet.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• text_encoder (CLIPTextModel) — Le modèle d’encodeur de texte dans lequel charger les couches LoRA.
• prefix (str) — Préfixe attendu du text_encoder dans le state_dict.
• lora_scale (float) — Facteur d'échelle appliqué à la sortie de la couche linéaire lora avant son ajout à la sortie de la couche lora standard.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. Les clés peuvent soit être indexées directement dans l'unet, soit préfixées par un unet supplémentaire, ce qui permet de distinguer les couches lora de l'encodeur de texte.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• unet (UNet2DConditionModel) — Le modèle UNet dans lequel charger les couches LoRA.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• pretrained_model_name_or_path_or_dict (str ou os.PathLike ou dict) — Peut être l'un des éléments suivants :
  • Une chaîne de caractères, l'identifiant du modèle (par exemple google/ddpm-celebahq-256) d'un modèle pré-entraîné hébergé sur le Hub.
  • Un chemin vers un dossier (par exemple ./my_model_directory) contenant les poids du modèle enregistrés avec ModelMixin.save_pretrained().
  • Un dictionnaire d'état torch.
• cache_dir (str | os.PathLike, facultatif) — Chemin vers un répertoire où la configuration d'un modèle pré-entraîné téléchargé est mise en cache si le cache standard n'est pas utilisé.
• force_download (bool, facultatif, par défaut False) — Indique s'il faut forcer le (re)téléchargement des poids du modèle et des fichiers de configuration, en ignorant les versions mises en cache si elles existent.
• proxies (dict[str, str], facultatif) — Un dictionnaire de serveurs proxy à utiliser par protocole ou point de terminaison, par exemple, {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Les proxys sont utilisés pour chaque requête.
• local_files_only (bool, facultatif, par défaut False) — Indique s'il faut charger uniquement les poids et les fichiers de configuration du modèle en local. Si défini sur True, le modèle ne sera pas téléchargé depuis le Hub.
• token (str ou bool, facultatif) — Le jeton à utiliser comme autorisation bearer HTTP pour les fichiers distants. Si True, le jeton généré par diffusers-cli login (stocké dans ~/.huggingface) est utilisé.
• revision (str, facultatif, par défaut "main") — La version spécifique du modèle à utiliser. Il peut s’agir d’un nom de branche, d’un nom de tag, d’un identifiant de commit ou de tout identifiant autorisé par Git.
• subfolder (str, facultatif, par défaut "") — L’emplacement du sous-dossier d’un fichier de modèle au sein d’un dépôt de modèle plus large sur le Hub ou en local.
• weight_name (str, facultatif, par défaut None) — Nom du fichier de dictionnaire d'état sérialisé.
• return_lora_metadata (bool, facultatif, valeur par défaut False) — Lorsqu’activé, renvoie également les métadonnées de l’adaptateur LoRA, généralement présentes dans le state dict.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. La clé doit être préfixée par un text_encoder supplémentaire afin de distinguer les couches lora de l'unet.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• text_encoder (CLIPTextModel) — Le modèle d’encodeur de texte dans lequel charger les couches LoRA.
• prefix (str) — Préfixe attendu du text_encoder dans le state_dict.
• lora_scale (float) — Facteur d'échelle appliqué à la sortie de la couche linéaire lora avant son ajout à la sortie de la couche lora standard.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• state_dict (dict) — Un state dict standard contenant les paramètres des couches lora. La clé doit être préfixée par un text_encoder supplémentaire afin de distinguer les couches lora de l'unet.
• network_alphas (dict[str, float]) — La valeur de l'alpha du réseau utilisée pour un apprentissage stable et pour prévenir le sous-débordement. Cette valeur a la même signification que l'option --network_alpha du script d'entraînement kohya-ss. Consultez ce lien.
• text_encoder (CLIPTextModel) — Le modèle d’encodeur de texte dans lequel charger les couches LoRA.
• prefix (str) — Préfixe attendu du text_encoder dans le state_dict.
• lora_scale (float) — Facteur d'échelle appliqué à la sortie de la couche linéaire lora avant son ajout à la sortie de la couche lora standard.
• adapter_name (str, facultatif) — Nom de l’adaptateur à utiliser pour référencer le modèle d’adaptateur chargé. S’il n’est pas spécifié, default_{i} sera utilisé, où i est le nombre total d’adaptateurs chargés.
• low_cpu_mem_usage (bool, facultatif) — Accélère le chargement du modèle en ne chargeant que les poids LoRA préentraînés et sans initialiser les poids aléatoires.
• hotswap (bool, facultatif) — Voir load_lora_weights().
• metadata (dict) — Métadonnées facultatives de l’adaptateur LoRA. Si fournies, les arguments LoraConfig de peft ne seront pas dérivés du dictionnaire d’état.

Paramètres

• save_directory (str ou os.PathLike) — Répertoire dans lequel enregistrer les paramètres LoRA. Sera créé s'il n'existe pas.
• transformer_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d'état des couches LoRA correspondant au transformer.
• text_encoder_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d’état des couches LoRA correspondant à text_encoder. Il est nécessaire de passer explicitement le dictionnaire d’état des couches LoRA de l’encodeur de texte, car il provient de 🤗 Transformers.
• is_main_process (bool, facultatif, par défaut True) — Indique si le processus qui appelle cette fonction est le processus principal ou non. Utile lors de l'entraînement distribué lorsque vous devez appeler cette fonction sur tous les processus. Dans ce cas, définissez is_main_process=True uniquement sur le processus principal pour éviter les conditions de course.
• save_function (Callable) — La fonction à utiliser pour enregistrer le dictionnaire d'état. Utile lors de l'entraînement distribué lorsque vous devez remplacer torch.save par une autre méthode. Peut être configurée avec la variable d'environnement DIFFUSERS_SAVE_MODE.
• safe_serialization (bool, facultatif, par défaut True) — Indique si le modèle doit être enregistré en utilisant safetensors ou la méthode traditionnelle de PyTorch avec pickle.
• transformer_lora_adapter_metadata — métadonnées de l'adaptateur LoRA associées au transformer, à sérialiser avec le dictionnaire d'état.
• text_encoder_lora_adapter_metadata — Métadonnées de l'adaptateur LoRA associées à l'encodeur de texte, à sérialiser avec le dictionnaire d'état.

Paramètres

• components (list[str]) — liste des composants injectables par LoRA dont on veut retirer l'injection de LoRA.

Paramètres

• reset_to_overwritten_params (bool, par défaut False) — Indique s'il faut réinitialiser les modules chargés avec LoRA à leurs paramètres d'origine. Consultez la documentation de Flux pour en savoir plus.

Paramètres

• save_directory (str ou os.PathLike) — Répertoire dans lequel enregistrer les paramètres LoRA. Sera créé s'il n'existe pas.
• unet_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d'état des couches LoRA correspondant à unet.
• text_encoder_lora_layers (dict[str, torch.nn.Module] ou dict[str, torch.Tensor]) — Dictionnaire d’état des couches LoRA correspondant à text_encoder. Il est nécessaire de passer explicitement le dictionnaire d’état des couches LoRA de l’encodeur de texte, car il provient de 🤗 Transformers.
• is_main_process (bool, facultatif, par défaut True) — Indique si le processus qui appelle cette fonction est le processus principal ou non. Utile lors de l'entraînement distribué lorsque vous devez appeler cette fonction sur tous les processus. Dans ce cas, définissez is_main_process=True uniquement sur le processus principal pour éviter les conditions de course.
• save_function (Callable) — La fonction à utiliser pour enregistrer le dictionnaire d'état. Utile lors de l'entraînement distribué lorsque vous devez remplacer torch.save par une autre méthode. Peut être configurée avec la variable d'environnement DIFFUSERS_SAVE_MODE.
• safe_serialization (bool, facultatif, par défaut True) — Indique si le modèle doit être enregistré en utilisant safetensors ou la méthode traditionnelle de PyTorch avec pickle.