Hugging Face's logo

Transformers documentation

فئات Auto

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

and get access to the augmented documentation experience

to get started

فئات Auto

في كثير من الحالات، يمكن استنتاج البنية المعمارية المستخدمة من اسم النموذج المُسبَق التدريب أو مساره المُقدَّم إلى طريقة from_pretrained(). إنشاء AutoConfig أو AutoModel أو AutoTokenizer يُنشئ تلقائيًا فئة البنية المعمارية المناسبة. على سبيل المثال:

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

يؤدي هذا إلى إنشاء نموذج من BertModel.

لكل مهمة فئة AutoModel مقابلة لها.

توسيع فئات Auto

توفّر كل فئة auto طريقة تتيح تمديدها بفئات مخصصة. على سبيل المثال، إذا عرّفت فئة نموذج مخصصة NewModel، فتأكد من تعريف فئة إعدادات مقابلة لها NewModelConfig. يمكنك بعد ذلك تسجيلهما مع فئات auto كما هو موضح أدناه:

from transformers import AutoConfig, AutoModel


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

يمكنك بعد ذلك استخدام فئات auto كما تفعل عادةً.

إذا كان NewModelConfig فئة فرعية من PreTrainedConfig، فتأكد من ضبط خاصية model_type على المفتاح نفسه الذي تستخدمه عند تسجيل الإعداد (وهو هنا "new-model").

وبالمثل، إذا كان NewModel فئة فرعية من PreTrainedModel، فتأكد من ضبط خاصية config_class الخاصة به على نفس الفئة التي تستخدمها عند تسجيل النموذج (وهي هنا NewModelConfig).

AutoConfig

فئة transformers.AutoConfig

< >

( )

هذا هو فئة إعدادات عامة سيتم إنشاء مثيل منها كواحدة من فئات الإعدادات في المكتبة عند إنشائها باستخدام طريقة الفئة from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

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

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون:
    • سلسلة نصية، وهي معرف النموذج لإعدادات نموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على ملف إعدادات تم حفظه باستخدام طريقة save_pretrained()، أو طريقة save_pretrained()، على سبيل المثال ./my_model_directory/.
    • مسار إلى ملف JSON لحفظ الإعدادات، على سبيل المثال: ./my_model_directory/configuration.json.
  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool, اختياري، القيمة الافتراضية False) — ما إذا كان سيتم إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، وتجاوز النسخ المخزنة مؤقتاً في حال وجودها.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • return_unused_kwargs (bool, اختياري, الافتراضي هو False) — إذا كان False, فإن هذه الدالة تُرجع كائن الإعداد النهائي فقط. إذا كان True، فإن هذه الدالة تُرجع Tuple(config, unused_kwargs) حيث unused_kwargs هو قاموس يتكون من أزواج المفاتيح والقيم التي مفاتيحها ليست من سمات الإعداد: أي الجزء من kwargs الذي لم يُستخدم لتحديث config ويُتجاهل في الحالات الأخرى.

    إذا كانت True، فإن هذه الدالة تُرجع Tuple(config, unused_kwargs) حيث unused_kwargs هو قاموس يتكوّن من أزواج المفاتيح والقيم التي لا تُعدّ مفاتيحها من سمات الإعداد: أي الجزء من kwargs الذي لم يُستخدم لتحديث config ويُتجاهل في حالته الأخرى.

  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • kwargs(additional keyword arguments, optional) — The values in kwargs of any keys which are configuration attributes will be used to override the loaded values. Behavior concerning key/value pairs whose keys are not configuration attributes is controlled by the return_unused_kwargs keyword parameter.

أنشئ أحد فئات الإعدادات في المكتبة من إعدادات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة الإعداد التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد الذي يتم تحميله، أو في حال غيابها، عن طريق الرجوع إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

أمثلة:

>>> 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}

تسجيل

< >

( model_typeconfigexist_ok = False )

المعاملات

  • model_type (str) — نوع النموذج مثل “bert” أو “gpt”.
  • config (PreTrainedConfig) — الإعدادات المراد تسجيلها.

سجّل تكوينًا جديدًا لهذه الفئة.

AutoTokenizer

فئة transformers.AutoTokenizer

< >

( )

هذا هو فئة مُرمِّز عامة سيتم إنشاء مثيل منها كواحدة من فئات المُرمِّزات في المكتبة عند إنشائها باستخدام طريقة الفئة AutoTokenizer.from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرف النموذج لمُقسِّم محدد مسبقًا مستضاف داخل مستودع نموذج على huggingface.co.
    • مسار إلى مجلد يحتوي على ملفات المفردات المطلوبة للمجزّئ، على سبيل المثال تلك المحفوظة باستخدام طريقة save_pretrained()، مثل ./my_model_directory/.
    • مسار إلى ملف مفرد محفوظ للكلمات إذا كان المرمّز يتطلب ملف كلمات مفرداً فقط (مثل Bert أو XLNet)، على سبيل المثال: ./my_model_directory/vocab.txt. (لا ينطبق على جميع الفئات المشتقة)
  • inputs (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الخاصة بـ Tokenizer.
  • config (PreTrainedConfig، اختياري) — كائن الإعدادات المستخدم لتحديد فئة المُجزِّئ (tokenizer) التي سيتم إنشاء مثيل منها.
  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool, اختياري، القيمة الافتراضية False) — ما إذا كان سيتم إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، وتجاوز النسخ المخزنة مؤقتاً في حال وجودها.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • subfolder (str، اختياري) — في حال كانت الملفات ذات الصلة موجودة داخل مجلد فرعي من مستودع النموذج على huggingface.co (مثل facebook/rag-token-base)، حددها هنا.
  • tokenizer_type (str, اختياري) — نوع المُجزِّئ (tokenizer) الذي سيتم تحميله.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • kwargs (معلمات إضافية بالكلمة المفتاحية، اختياري) — سيتم تمريرها إلى طريقة __init__() الخاصة بـ Tokenizer. يمكن استخدامها لضبط الرموز الخاصة مثل bos_token، eos_token، unk_token، sep_token، pad_token، cls_token، mask_token، additional_special_tokens. راجع المعلمات في __init__() لمزيد من التفاصيل.

أنشئ مثيلًا لأحد فئات المرمّزات (tokenizer) في المكتبة من مفردات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة المُجزِّئ (tokenizer) التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (config) (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، عن طريق اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

أمثلة:

>>> 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)

تسجيل

< >

( config_classtokenizer_class = Noneslow_tokenizer_class = Nonefast_tokenizer_class = Noneexist_ok = False )

المعاملات

  • config_class (PreTrainedConfig) — إعدادات النموذج المراد تسجيله.
  • tokenizer_class — فئة المُجزِّئ (tokenizer) التي سيتم تسجيلها (المعامل المفضّل في الإصدار V5).
  • slow_tokenizer_class — (مُتروك) المُرمِّز البطيء الذي يجب تسجيله.
  • fast_tokenizer_class — (مُتقادم) مُقسِّم الرموز السريع الذي يجب تسجيله.

سجّل مُجزِّئًا جديدًا في هذا الترميز.

AutoFeatureExtractor

فئة transformers.AutoFeatureExtractor

< >

( )

هذه فئة مستخرجة ميزات عامة، سيتم إنشاء مثيل منها كواحدة من فئات مستخرجات الميزات في المكتبة عند إنشائها باستخدام طريقة الفئة AutoFeatureExtractor.from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون هذا:
    • سلسلة نصية، وهي معرّف النموذج لمُستخرج ميزات مُدرَّب مسبقاً مستضاف داخل مستودع نموذج على huggingface.co.
    • مسار إلى مجلد يحتوي على ملف مستخرج الميزات المحفوظ باستخدام طريقة save_pretrained()، على سبيل المثال ./my_model_directory/.
    • مسار إلى ملف JSON لمُستخرج ميزات محفوظ، على سبيل المثال: ./my_model_directory/preprocessor_config.json.
  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يُخزَّن فيه مستخرج ميزات النموذج المُسبَق التدريب الذي تم تنزيله، في حال عدم استخدام المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار (إعادة) تنزيل ملفات مستخرج الميزات وتجاوز النسخ المخزنة مؤقتًا إذا كانت موجودة.
  • proxies (dict[str, str], اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • token (str أو bool، اختياري) — الرمز الذي يُستخدم كتفويض حامل HTTP للملفات البعيدة. إذا كان True، فسيتم استخدام الرمز الذي تم إنشاؤه عند تشغيل hf auth login (المخزَّن في ~/.huggingface).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • return_unused_kwargs (bool، اختياري، القيمة الافتراضية False) — إذا كانت False، فإن هذه الدالة تُرجع كائن مستخرج الميزات النهائي فقط. أما إذا كانت True، فإن هذه الدالة تُرجع Tuple(feature_extractor, unused_kwargs) حيث unused_kwargs هو قاموس يتكون من أزواج المفاتيح والقيم التي مفاتيحها ليست من سمات مستخرج الميزات: أي الجزء من kwargs الذي لم يُستخدم لتحديث feature_extractor ويُتجاهل في الحالات الأخرى.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • kwargs (dict[str, Any]، اختياري) — تُستخدم القيم الموجودة في kwargs لأي مفاتيح تكون من سمات مستخرج الميزات لتجاوز القيم المحمّلة. يتم التحكم في السلوك المتعلق بالأزواج المفتاح/القيمة التي مفاتيحها ليست من سمات مستخرج الميزات بواسطة معامل الكلمة المفتاحية return_unused_kwargs.

أنشئ كائنًا من أحد فئات مستخرج الميزات في المكتبة من مفردات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة مستخرج الميزات التي يجب إنشاء مثيل لها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو عند غيابها، عن طريق اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُعد تمرير token=True إلزامياً عند رغبتك في استخدام نموذج خاص.

أمثلة:

>>> 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/")

تسجيل

< >

( config_classfeature_extractor_classexist_ok = False )

المعاملات

  • config_class (PreTrainedConfig) — إعدادات النموذج المراد تسجيله.
  • feature_extractor_class (FeatureExtractorMixin) — مستخرج الميزات المراد تسجيله.

سجّل مستخرج ميزات جديدًا لهذه الفئة.

AutoImageProcessor

فئة transformers.AutoImageProcessor

< >

( )

هذا هو معالج صور عام، يتم إنشاء مثيل منه كواحد من فئات معالجات الصور في المكتبة عند إنشائه باستخدام طريقة الفئة AutoImageProcessor.from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون هذا:
    • سلسلة نصية، وهي معرف النموذج لمعالج صور مُدرَّب مسبقًا مستضاف داخل مستودع نموذج على huggingface.co.
    • مسار إلى مجلد يحتوي على معالج صور محفوظ باستخدام طريقة save_pretrained()، على سبيل المثال ./my_model_directory/.
    • مسار إلى ملف JSON لمعالج صور محفوظ، على سبيل المثال ./my_model_directory/preprocessor_config.json.
  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين مُعالج الصور المُسبق التدريب في الموديل المُحمّل فيه إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار (إعادة) تنزيل ملفات معالج الصور وتجاوز الإصدارات المخزنة مؤقتًا إذا كانت موجودة.
  • proxies (dict[str, str], اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • token (str أو bool، اختياري) — الرمز الذي يُستخدم كتفويض حامل HTTP للملفات البعيدة. إذا كان True، فسيتم استخدام الرمز الذي تم إنشاؤه عند تشغيل hf auth login (المخزَّن في ~/.huggingface).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • use_fast (bool، اختياري، القيمة الافتراضية False) — مُتقادم: استخدم backend="torchvision" بدلاً من ذلك. تم الإبقاء على هذا المعامل من أجل التوافق مع الإصدارات السابقة. استخدم معالج صور سريع يعتمد على torchvision إذا كان مدعوماً لنموذج معين. إذا لم يتوفر معالج صور سريع لنموذج معين، يتم إرجاع معالج صور عادي يعتمد على numpy بدلاً من ذلك.
  • backend (str, اختياري, القيمة الافتراضية هي None) — الخلفية (Backend) المستخدمة لمعالجة الصور. يمكن أن تكون:
    • None: اختيار أفضل واجهة خلفية متاحة تلقائيًا (torchvision إذا كانت متاحة، وإلا pil)
    • "torchvision": استخدام واجهة Torchvision (مع تسريع GPU، أسرع)
    • "pil": استخدام واجهة PIL الخلفية (قابلة للنقل، CPU فقط)
    • أي اسم لخادم خلفي مخصص مسجّل عبر طريقة register()
  • return_unused_kwargs (bool، اختياري، القيمة الافتراضية False) — إذا كانت False، فإن هذه الدالة تُرجع كائن معالج الصور النهائي فقط. أما إذا كانت True، فإن هذه الدالة تُرجع Tuple(image_processor, unused_kwargs) حيث unused_kwargs هو قاموس يتكون من أزواج المفاتيح والقيم التي لا تُعد خصائص لمعالج الصور، أي الجزء من kwargs الذي لم يُستخدم لتحديث image_processor ويُتجاهل في الحالات الأخرى.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • image_processor_filename (str، اختياري، الافتراضي "config.json") — اسم الملف في مجلد النموذج الذي يُستخدم لإعدادات معالج الصور.
  • kwargs (dict[str, Any]، اختياري) — تُستخدم القيم الموجودة في kwargs لأي مفاتيح تكون من سمات معالج الصور لتجاوز القيم المحمّلة. أما السلوك المتعلق بالأزواج المفتاح/القيمة التي مفاتيحها ليست من سمات معالج الصور، فيتحكم به معامل الكلمة المفتاحية return_unused_kwargs.

أنشئ كائنًا من أحد فئات معالج الصور في المكتبة من مفردات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة معالج الصور التي يجب إنشاء مثيل لها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، عن طريق اللجوء إلى مطابقة الأنماط على pretrained_model_name_or_path:

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

يُعد تمرير token=True إلزامياً عند رغبتك في استخدام نموذج خاص.

أمثلة:

>>> 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/")

تسجيل

< >

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

المعاملات

  • config_class (PreTrainedConfig) — إعدادات النموذج المراد تسجيله.
  • slow_image_processor_class (type، اختياري) — فئة معالج الصور الخاصة بواجهة PIL (مستعملة، استخدم image_processor_classes={"pil": ...}).
  • fast_image_processor_class (type، اختياري) — فئة معالج الصور الخاصة بالخلفية Torchvision (مستعملة، استخدم image_processor_classes={"torchvision": ...}).
  • image_processor_classes (dict[str, type]، اختياري) — قاموس يربط أسماء الخوادم (backends) بفئات معالجات الصور. يتيح تسجيل خوادم مخصصة. مثال: {"pil": MyPilProcessor, "torchvision": MyTorchvisionProcessor, "custom": MyCustomProcessor}
  • exist_ok (bool، اختياري، القيمة الافتراضية False) — إذا كانت True، يُسمح بتجاوز التسجيلات الموجودة مسبقًا.

سجّل معالج صور جديدًا لهذه الفئة.

AutoVideoProcessor

راجع واجهات معالِج الفيديو لاختيار الواجهة الخلفية، والتسجيل المخصص، والحفظ وإعادة التحميل.

فئة transformers.AutoVideoProcessor

< >

( )

هذا هو معالج فيديو عام (generic) يتم إنشاؤه كواحد من فئات معالجات الفيديو في المكتبة عند إنشائه باستخدام طريقة الفئة AutoVideoProcessor.from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون هذا:
    • سلسلة نصية، وهي معرّف النموذج لمعالج فيديو مُدرَّب مسبقًا مستضاف داخل مستودع نموذج على huggingface.co.
    • مسار إلى مجلد يحتوي على معالج فيديو محفوظ باستخدام طريقة save_pretrained()، على سبيل المثال ./my_model_directory/.
    • مسار إلى ملف JSON لمعالج فيديو محفوظ، على سبيل المثال: ./my_model_directory/preprocessor_config.json.
  • cache_dir (str أو os.PathLike، اختياري) — مسار إلى مجلد يُخزَّن فيه مُعالج الفيديو المُسبق التدريب الذي تم تنزيله، في حال عدم استخدام المجلد المؤقت القياسي.
  • force_download (bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل ملفات معالج الفيديو وتجاوز النسخ المخزنة مؤقتًا في حال وجودها.
  • proxies (dict[str, str], اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • token (str أو bool، اختياري) — الرمز الذي يُستخدم كتفويض حامل HTTP للملفات البعيدة. إذا كان True، فسيتم استخدام الرمز الذي تم إنشاؤه عند تشغيل hf auth login (المخزَّن في ~/.huggingface).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • return_unused_kwargs (bool، اختياري، القيمة الافتراضية False) — إذا كانت False، فإن هذه الدالة تُرجع كائن معالج الفيديو النهائي فقط. أما إذا كانت True، فإن هذه الدالة تُرجع Tuple(video_processor, unused_kwargs) حيث unused_kwargs هو قاموس يتكوّن من أزواج المفتاح/القيمة التي لا تُعدّ مفاتيحها من سمات معالج الفيديو؛ أي الجزء من kwargs الذي لم يُستخدم لتحديث video_processor ويُتجاهل في حالته الأخرى.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • kwargs (dict[str, Any]، اختياري) — تُستخدم القيم الموجودة في kwargs لأي مفاتيح تكون من سمات معالج الفيديو لتجاوز القيم المحمّلة. أما السلوك المتعلق بالأزواج المفتاح/القيمة التي مفاتيحها ليست من سمات معالج الفيديو، فيتحكم به معامل الكلمة المفتاحية return_unused_kwargs.

أنشئ كائنًا من أحد فئات معالج الفيديو في المكتبة من مفردات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة معالج الفيديو التي يجب إنشاء مثيل لها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو عند غيابها، عن طريق اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

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

يُعد تمرير token=True إلزامياً عند رغبتك في استخدام نموذج خاص.

أمثلة:

>>> 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/")

تسجيل

< >

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

المعاملات

  • config_class (PreTrainedConfig) — إعدادات النموذج المراد تسجيله.
  • video_processor_class (BaseVideoProcessor) — معالج الفيديو المراد تسجيله.
  • video_processor_classes (dict[str, type], اختياري) — قاموس يربط بين أسماء الخوادم (backends) وفئات معالجات الفيديو. يتيح تسجيل خوادم مخصصة. مثال: {"pil": MyPilVideoProcessor, "torchvision": MyTorchvisionVideoProcessor, "custom": MyCustomVideoProcessor}
  • exist_ok (bool، اختياري، القيمة الافتراضية False) — إذا كانت True، يُسمح بتجاوز التسجيلات الموجودة مسبقًا.

سجّل معالج فيديو جديدًا لهذه الفئة.

AutoProcessor

فئة transformers.AutoProcessor

< >

( )

هذا هو معالج عام (generic processor) يتم إنشاؤه كواحد من فئات المعالجات في المكتبة عند إنشائه باستخدام طريقة الفئة AutoProcessor.from_pretrained().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون هذا:
    • سلسلة نصية، وهي معرّف النموذج لمُستخرج ميزات مُدرَّب مسبقاً مستضاف داخل مستودع نموذج على huggingface.co.
    • مسار إلى مجلد يحتوي على ملفات المعالج المحفوظة باستخدام طريقة save_pretrained()، مثل ./my_model_directory/.
  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يُخزَّن فيه مستخرج ميزات النموذج المُسبَق التدريب الذي تم تنزيله، في حال عدم استخدام المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار (إعادة) تنزيل ملفات مستخرج الميزات وتجاوز النسخ المخزنة مؤقتًا إذا كانت موجودة.
  • proxies (dict[str, str], اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • token (str أو bool، اختياري) — الرمز الذي يُستخدم كتفويض حامل HTTP للملفات البعيدة. إذا كان True، فسيتم استخدام الرمز الذي تم إنشاؤه عند تشغيل hf auth login (المخزَّن في ~/.huggingface).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • return_unused_kwargs (bool، اختياري، القيمة الافتراضية False) — إذا كانت False، فإن هذه الدالة تُرجع كائن مستخرج الميزات النهائي فقط. أما إذا كانت True، فإن هذه الدالة تُرجع Tuple(feature_extractor, unused_kwargs) حيث unused_kwargs هو قاموس يتكون من أزواج المفاتيح والقيم التي مفاتيحها ليست من سمات مستخرج الميزات: أي الجزء من kwargs الذي لم يُستخدم لتحديث feature_extractor ويُتجاهل في الحالات الأخرى.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • kwargs (dict[str, Any]، اختياري) — تُستخدم القيم الموجودة في kwargs لأي مفاتيح تكون من سمات مستخرج الميزات لتجاوز القيم المحمّلة. يتم التحكم في السلوك المتعلق بالأزواج المفتاح/القيمة التي مفاتيحها ليست من سمات مستخرج الميزات بواسطة معامل الكلمة المفتاحية return_unused_kwargs.

أنشئ كائنًا من إحدى فئات المعالج في المكتبة من مفردات نموذج مُدرَّب مسبقًا.

يتم اختيار فئة المعالج التي يجب إنشاء مثيل لها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن):

يُعد تمرير token=True إلزامياً عند رغبتك في استخدام نموذج خاص.

أمثلة:

>>> 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/")

تسجيل

< >

( config_classprocessor_classexist_ok = False )

المعاملات

  • config_class (PreTrainedConfig) — إعدادات النموذج المراد تسجيله.
  • processor_class (ProcessorMixin) — المعالج المراد تسجيله.

سجّل معالجًا جديدًا لهذه الفئة.

فئات النماذج العامة

تتوفر فئات التلقائية التالية لإنشاء فئة نموذج أساسي دون رأس محدد.

AutoModel

فئة transformers.AutoModel

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النموذج الأساسية في المكتبة عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النموذج الأساسية في المكتبة من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModel

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ أحد فئات النماذج الأساسية في المكتبة من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModel

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

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

فئات التدريب المسبق العامة

تتوفر فئات التلقائية التالية لإنشاء نموذج مع رأس تدريب مسبق.

AutoModelForPreTraining

فئة transformers.AutoModelForPreTraining

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تدريب مسبق) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تدريب مسبق) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس تدريب مسبق) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPreTraining

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

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

معالجة اللغة الطبيعية

تتوفر فئات التلقائية التالية لمهام معالجة اللغة الطبيعية التالية.

AutoModelForCausalLM

فئة transformers.AutoModelForCausalLM

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لنمذجة اللغة السببية) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس لنمذجة اللغة السببية) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (برأس نمذجة لغوية سببية) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForCausalLM

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

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

AutoModelForMaskedLM

فئة transformers.AutoModelForMaskedLM

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لنمذجة اللغة المقنّعة) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس لنمذجة اللغة المقنّعة) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس لنمذجة اللغة المقنّعة) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMaskedLM

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

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

AutoModelForMaskGeneration

فئة transformers.AutoModelForMaskGeneration

< >

( *args**kwargs )

AutoModelForSeq2SeqLM

فئة transformers.AutoModelForSeq2SeqLM

< >

( *args**kwargs )

هذا فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس لنمذجة اللغة من تسلسل إلى تسلسل) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس لنمذجة اللغة من تسلسل إلى تسلسل) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس لنمذجة اللغة من تسلسل إلى تسلسل) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSeq2SeqLM

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

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

AutoModelForSequenceClassification

فئة transformers.AutoModelForSequenceClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف تسلسل) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف تسلسل) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تصنيف التسلسل) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSequenceClassification

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

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

AutoModelForMultipleChoice

فئة transformers.AutoModelForMultipleChoice

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس اختيار متعدد) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس اختيار متعدد) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس اختيار متعدد) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMultipleChoice

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

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

AutoModelForNextSentencePrediction

فئة transformers.AutoModelForNextSentencePrediction

< >

( *args**kwargs )

هذا فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس للتنبؤ بالجملة التالية) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس للتنبؤ بالجملة التالية) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس للتنبؤ بالجملة التالية) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForNextSentencePrediction

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

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

AutoModelForTokenClassification

فئة transformers.AutoModelForTokenClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف الرموز) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف الرموز) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس تصنيف الرموز) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTokenClassification

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

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

AutoModelForQuestionAnswering

فئة transformers.AutoModelForQuestionAnswering

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس للإجابة عن الأسئلة) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس للإجابة عن الأسئلة) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس للإجابة عن الأسئلة) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForQuestionAnswering

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

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

AutoModelForTextEncoding

فئة transformers.AutoModelForTextEncoding

< >

( *args**kwargs )

رؤية الحاسوب

تتوفر فئات التلقائية التالية لمهام الرؤية الحاسوبية التالية.

AutoModelForDepthEstimation

فئة transformers.AutoModelForDepthEstimation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتقدير العمق) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس لتقدير العمق) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس تقدير العمق) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForDepthEstimation

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

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

AutoModelForNormalEstimation

فئة transformers.AutoModelForNormalEstimation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقدير عادي) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد إحدى فئات النماذج في المكتبة (مع رأس تقدير عادي) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تقدير عادي) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForNormalEstimation

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

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

AutoModelForPointmapEstimation

فئة transformers.AutoModelForPointmapEstimation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتقدير خريطة النقاط) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

  • config (PreTrainedConfig) — يتم اختيار فئة النموذج التي سيتم إنشاء مثيل لها بناءً على فئة التهيئة:
  • attn_implementation (str, اختياري) — تنفيذ الانتباه المستخدم في النموذج (إذا كان ذا صلة). يمكن أن يكون أيًا من

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تقدير خريطة النقاط) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس تقدير خريطة النقاط) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPointmapEstimation

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

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

AutoModelForImageMatting

فئة transformers.AutoModelForImageMatting

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقطيع صورة) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تقطيع صورة) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تقطيع الصور) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageMatting

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

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

AutoModelForTextRecognition

فئة transformers.AutoModelForTextRecognition

< >

( *args**kwargs )

هذا فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس التعرف على النص) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس التعرف على النص) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس التعرف على النص) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTextRecognition

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

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

AutoModelForTableRecognition

فئة transformers.AutoModelForTableRecognition

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتعرف الجداول) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس لتعرف الجداول) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس التعرف على الجداول) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTableRecognition

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

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

AutoModelForImageClassification

فئة transformers.AutoModelForImageClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتصنيف الصور) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف الصور) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تصنيف الصور) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageClassification

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

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

AutoModelForVideoClassification

فئة transformers.AutoModelForVideoClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتصنيف الفيديو) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف الفيديو) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تصنيف الفيديو) من نموذج مُسبَق التدريب.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForVideoClassification

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

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

AutoModelForPoseEstimation

فئة transformers.AutoModelForPoseEstimation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس لتقدير الوضعية) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس لتقدير الوضعية) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس تقدير الوضعية) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForPoseEstimation

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

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

AutoModelForKeypointDetection

فئة transformers.AutoModelForKeypointDetection

< >

( *args**kwargs )

AutoModelForKeypointMatching

فئة transformers.AutoModelForKeypointMatching

< >

( *args**kwargs )

AutoModelForMaskedImageModeling

فئة transformers.AutoModelForMaskedImageModeling

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس لنمذجة الصور المقنّعة) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس لنمذجة الصور المقنّعة) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس لنمذجة الصور المقنّعة) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMaskedImageModeling

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

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

AutoModelForObjectDetection

فئة transformers.AutoModelForObjectDetection

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس كشف كائنات) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس كشف كائنات) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس كشف الكائنات) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForObjectDetection

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

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

AutoModelForImageSegmentation

فئة transformers.AutoModelForImageSegmentation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقسيم الصور) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

  • config (PreTrainedConfig) — يتم اختيار فئة النموذج التي سيتم إنشاء مثيل لها بناءً على فئة الإعداد:
  • attn_implementation (str, اختياري) — تنفيذ الانتباه المستخدم في النموذج (إذا كان ذا صلة). يمكن أن يكون أيًا من

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تقسيم الصور) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تقسيم الصور) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageSegmentation

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

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

AutoModelForImageToImage

فئة transformers.AutoModelForImageToImage

< >

( *args**kwargs )

AutoModelForSemanticSegmentation

فئة transformers.AutoModelForSemanticSegmentation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقسيم دلالي) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس تقسيم دلالي) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تقسيم دلالي) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSemanticSegmentation

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

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

AutoModelForInstanceSegmentation

فئة transformers.AutoModelForInstanceSegmentation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقسيم كائنات) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدِث إحدى فئات النماذج في المكتبة (مع رأس تقسيم الكائنات) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تقسيم الكائنات) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForInstanceSegmentation

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

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

AutoModelForUniversalSegmentation

فئة transformers.AutoModelForUniversalSegmentation

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تقسيم صور شامل) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تقسيم الصور الشامل) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مزود برأس تقسيم صور شامل) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForUniversalSegmentation

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

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

AutoModelForZeroShotImageClassification

فئة transformers.AutoModelForZeroShotImageClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف صور بدون تدريب مسبق) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف الصور بدون تدريب مسبق) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس تصنيف صور بدون تدريب مسبق) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForZeroShotImageClassification

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

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

AutoModelForZeroShotObjectDetection

فئة transformers.AutoModelForZeroShotObjectDetection

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس كشف كائنات بدون تدريب مسبق) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس كشف كائنات بدون تدريب مسبق) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس كشف كائنات بدون تدريب مسبق) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForZeroShotObjectDetection

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

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

الصوت

تتوفر فئات التلقائية التالية للمهام الصوتية التالية.

AutoModelForAudioClassification

فئة transformers.AutoModelForAudioClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف صوتي) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد واحدة من فئات النماذج في المكتبة (مع رأس تصنيف صوتي) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تصنيف صوتي) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioClassification

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

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

AutoModelForAudioFrameClassification

فئة transformers.AutoModelForAudioFrameClassification

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف إطار الصوت (الرمز)) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف إطار صوتي (رمز)) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (مع رأس تصنيف الإطارات الصوتية (الرموز)) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioFrameClassification

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

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

AutoModelForCTC

فئة transformers.AutoModelForCTC

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاء مثيل منها كواحدة من فئات النماذج في المكتبة (مع رأس تصنيف زمني اتصالّي) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس تصنيف زمني اتصالّي) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForCTC

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس تصنيف زمني اتصالّي) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForCTC

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

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

AutoModelForTDT

فئة transformers.AutoModelForTDT

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس محوّل للرموز والمدة) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

  • config (PreTrainedConfig) — يتم اختيار فئة النموذج التي سيتم إنشاء مثيل لها بناءً على فئة الإعداد:
  • attn_implementation (str, اختياري) — تنفيذ الانتباه المستخدم في النموذج (إذا كان ذا صلة). يمكن أن يكون أيًا من

يُحدِث أحد فئات النماذج في المكتبة (مع رأس مُحوِّل للرموز والمدة) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTDT

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (برأس محوّل من نوع الرمز والمدة) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTDT

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

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

AutoModelForRNNT

فئة transformers.AutoModelForRNNT

< >

( *args**kwargs )

This is a generic model class that will be instantiated as one of the model classes of the library (with a RNN transducer head) when created with the from_pretrained() class method or the from_config() class method.

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس ناقل RNN) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (برأس Transducer من نوع RNN) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForRNNT

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

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

AutoModelForSpeechSeq2Seq

فئة transformers.AutoModelForSpeechSeq2Seq

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس نمذجة من الكلام إلى النص تسلسلي إلى تسلسلي) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس نمذجة من الكلام إلى النص تسلسلي إلى تسلسلي) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس نمذجة من الكلام إلى النص تسلسلي إلى تسلسلي) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForSpeechSeq2Seq

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

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

AutoModelForAudioXVector

فئة transformers.AutoModelForAudioXVector

< >

( *args**kwargs )

This is a generic model class that will be instantiated as one of the model classes of the library (with a audio retrieval via x-vector head) when created with the from_pretrained() class method or the from_config() class method.

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد واحدة من فئات النماذج في المكتبة (مع استرجاع صوتي عبر رأس x-vector) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع استرداد صوتي عبر رأس x-vector) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioXVector

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

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

AutoModelForTextToSpectrogram

فئة transformers.AutoModelForTextToSpectrogram

< >

( *args**kwargs )

AutoModelForTextToWaveform

فئة transformers.AutoModelForTextToWaveform

< >

( *args**kwargs )

AutoModelForAudioTokenization

فئة transformers.AutoModelForAudioTokenization

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رمز صوتي عبر رؤوس كودبوكس) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رمز صوتي عبر رؤوس كودبوكس) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رمز صوتي عبر رؤوس كودبوكس) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForAudioTokenization

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

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

متعدد الوسائط

تتوفر فئات التلقائية التالية للمهام متعددة الوسائط التالية.

AutoModelForMultimodalLM

فئة transformers.AutoModelForMultimodalLM

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس توليد متعدد الوسائط) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس توليد متعدد الوسائط) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس توليد متعدد الوسائط) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForMultimodalLM

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

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

AutoModelForTableQuestionAnswering

فئة transformers.AutoModelForTableQuestionAnswering

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس للإجابة على أسئلة الجداول) عند الإنشاء باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

  • config (PreTrainedConfig) — يتم اختيار فئة النموذج التي سيتم إنشاء مثيل لها بناءً على فئة الإعداد:
  • attn_implementation (str, اختياري) — تنفيذ الانتباه المستخدم في النموذج (إذا كان ذا صلة). يمكن أن يكون أيًا من

يُحدّد أحد فئات النماذج في المكتبة (مع رأس للإجابة على أسئلة الجداول) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس للإجابة على الأسئلة من جدول) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTableQuestionAnswering

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

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

AutoModelForDocumentQuestionAnswering

فئة transformers.AutoModelForDocumentQuestionAnswering

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس للإجابة على أسئلة المستند) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس للإجابة عن الأسئلة المستندة إلى المستند) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس للإجابة عن أسئلة المستندات) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForDocumentQuestionAnswering

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

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

AutoModelForVisualQuestionAnswering

فئة transformers.AutoModelForVisualQuestionAnswering

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس للإجابة على الأسئلة البصرية) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس للإجابة على الأسئلة البصرية) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من أحد فئات النماذج في المكتبة (مع رأس للإجابة على الأسئلة البصرية) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForVisualQuestionAnswering

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

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

AutoModelForImageTextToText

فئة transformers.AutoModelForImageTextToText

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس نمذجة من صورة ونص إلى نص) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُحدّد أحد فئات النماذج في المكتبة (مع رأس نمذجة من صورة ونص إلى نص) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

أنشئ كائنًا من إحدى فئات النماذج في المكتبة (برأس نمذجة من صورة ونص إلى نص) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForImageTextToText

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

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

سلاسل زمنية

AutoModelForTimeSeriesPrediction

فئة transformers.AutoModelForTimeSeriesPrediction

< >

( *args**kwargs )

هذا هو فئة نموذج عامة سيتم إنشاؤها كواحدة من فئات النماذج في المكتبة (مع رأس للتنبؤ بالسلاسل الزمنية) عند إنشائها باستخدام طريقة الفئة from_pretrained() أو طريقة الفئة from_config().

لا يمكن إنشاء كائن من هذه الفئة مباشرة باستخدام __init__() (يُطلق خطأ).

from_config

< >

( **kwargs )

المعاملات

يُهيّئ أحد فئات النماذج في المكتبة (مع رأس للتنبؤ بالسلاسل الزمنية) من إعداد.

ملاحظة: تحميل النموذج من ملفه الإعدادي لا يحمّل أوزان النموذج. بل يؤثر فقط على إعدادات النموذج. استخدم from_pretrained() لتحميل أوزان النموذج.

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

from_pretrained

< >

( *model_args**kwargs )

المعاملات

  • pretrained_model_name_or_path (str أو os.PathLike) — يمكن أن يكون أحد ما يلي:
    • سلسلة نصية، وهي معرّف النموذج لنموذج مُدرَّب مسبقًا مستضاف داخل مستودع نماذج على huggingface.co.
    • مسار إلى مجلد يحتوي على أوزان النموذج المحفوظة باستخدام save_pretrained()، على سبيل المثال ./my_model_directory/.
  • model_args (حجج موضعية إضافية، اختياري) — سيتم تمريرها إلى طريقة __init__() الأساسية للنموذج.
  • config (PreTrainedConfig, اختياري) — إعدادات النموذج المراد استخدامه بدلاً من الإعدادات المحمّلة تلقائيًا. يمكن تحميل الإعدادات تلقائيًا في الحالات التالية:
    • النموذج هو نموذج توفره المكتبة (يُحمَّل باستخدام سلسلة model id لنموذج مُدرَّب مسبقًا).
    • تم حفظ النموذج باستخدام save_pretrained() ويُعاد تحميله عن طريق تقديم مجلد الحفظ.
    • يتم تحميل النموذج من خلال توفير مجلد محلي كـpretrained_model_name_or_path، مع وجود ملف تكوين بصيغة JSON باسم config.json داخل هذا المجلد.
  • state_dict (dict[str, torch.Tensor], اختياري) — قاموس حالة يُستخدم بدلاً من قاموس الحالة المحمّل من ملف الأوزان المحفوظ. يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من إعداد مسبق التدريب مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، يجب عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خياراً أبسط.

    يمكن استخدام هذا الخيار إذا كنت ترغب في إنشاء نموذج من تكوين مُدرَّب مسبقًا مع تحميل أوزانك الخاصة. ومع ذلك، في هذه الحالة، ينبغي عليك التحقق مما إذا كان استخدام save_pretrained() و from_pretrained() خيارًا أبسط.

  • cache_dir (str أو os.PathLike، اختياري) — المسار إلى مجلد يجب تخزين إعدادات النموذج المسبق التدريب المُحمّل فيه مؤقتًا إذا لم يُستخدم المجلد المؤقت القياسي.
  • force_download (bool، اختياري، القيمة الافتراضية False) — ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتاً إذا كانت موجودة.
  • proxies (dict[str, str]، اختياري) — قاموس لخوادم الوكيل (proxy) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
  • output_loading_info(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب إرجاع قاموس يحتوي على المفاتيح المفقودة والمفاتيح غير المتوقعة ورسائل الأخطاء أم لا.
  • local_files_only(bool, اختياري، القيمة الافتراضية False) — ما إذا كان يجب الاطلاع على الملفات المحلية فقط (على سبيل المثال، عدم محاولة تنزيل النموذج).
  • revision (str، اختياري، القيمة الافتراضية "main") — الإصدار المحدد من النموذج الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف commit، نظرًا لاستخدامنا نظامًا قائمًا على git لتخزين النماذج والمخرجات الأخرى على huggingface.co، لذا يمكن أن يكون revision أي معرّف يسمح به git.
  • trust_remote_code (bool، اختياري، القيمة الافتراضية False) — ما إذا كان سيتم السماح بالنماذج المخصصة المعرّفة على Hub في ملفات نمذجة خاصة بها. يجب ضبط هذا الخيار على True فقط للمستودعات التي تثق بها والتي قرأتَ كودها، لأنه سيقوم بتنفيذ الكود الموجود على Hub على جهازك المحلي.
  • code_revision (str، اختياري، القيمة الافتراضية "main") — المراجعة المحددة التي يجب استخدامها للكود على Hub، في حال كان الكود موجوداً في مستودع مختلف عن بقية النموذج. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرّف التزامن (commit id)، نظراً لاستخدامنا نظاماً قائماً على git لتخزين النماذج وغيرها من المخرجات على huggingface.co، وبالتالي يمكن أن يكون revision أي معرّف مسموح به بواسطة git.
  • kwargs (معلمات إضافية بالاسم، اختيارية) — يمكن استخدامها لتحديث كائن الإعداد (بعد تحميله) وبدء تشغيل النموذج (على سبيل المثال، output_attentions=True). يتصرف بشكل مختلف اعتمادًا على ما إذا كان config قد تم توفيره أو تم تحميله تلقائيًا:
    • إذا تم توفير تكوين عبر config، فسيتم تمرير **kwargs مباشرةً إلى طريقة __init__ الخاصة بالنموذج الأساسي (على افتراض أن جميع التحديثات ذات الصلة بالتكوين قد تم إجراؤها بالفعل).
    • إذا لم يتم تقديم تكوين، فسيتم تمرير kwargs أولاً إلى دالة تهيئة فئة التكوين (from_pretrained()). وسيتم استخدام كل مفتاح من مفاتيح kwargs الذي يتوافق مع خاصية تكوين لتجاوز تلك الخاصية بالقيمة المقدمة في kwargs. أما المفاتيح المتبقية التي لا تتوافق مع أي خاصية تكوين، فسيتم تمريرها إلى دالة __init__ الخاصة بالنموذج الأساسي.

قم بإنشاء أحد فئات النماذج في المكتبة (مع رأس للتنبؤ بالسلاسل الزمنية) من نموذج مُدرَّب مسبقًا.

يتم اختيار فئة النموذج التي سيتم إنشاء مثيل منها بناءً على خاصية model_type في كائن الإعداد (سواءً تم تمريرها كحجة أو تم تحميلها من pretrained_model_name_or_path إن أمكن)، أو في حال غيابها، يتم اللجوء إلى استخدام مطابقة الأنماط على pretrained_model_name_or_path:

يُضبط النموذج في وضع التقييم افتراضياً باستخدام model.eval() (وبالتالي، على سبيل المثال، تُعطَّل وحدات dropout). ولتدريب النموذج، يجب عليك أولاً إعادة ضبطه في وضع التدريب باستخدام model.train()

أمثلة:

>>> from transformers import AutoConfig, AutoModelForTimeSeriesPrediction

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

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

←Troubleshoot الهيكل الأساسي→