Transformers documentation

Auto 클래스

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Auto 클래스

많은 경우, from_pretrained() 메서드에 전달된 사전 학습 모델의 이름이나 경로에서 사용할 아키텍처를 추론할 수 있습니다. AutoConfig, AutoModel, 또는 AutoTokenizer를 인스턴스화하면 적절한 아키텍처 클래스가 자동으로 생성됩니다. 예를 들어:

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

이것은 BertModel의 모델 인스턴스를 생성합니다.

각 작업에는 해당하는 AutoModel 클래스가 있습니다.

Auto 클래스 확장

각 auto 클래스는 커스텀 클래스로 확장할 수 있는 메서드를 제공합니다. 예를 들어, 커스텀 모델 클래스 NewModel을 정의했다면, 이에 해당하는 NewModelConfig도 함께 정의해야 합니다. 그런 다음 아래에 표시된 대로 auto 클래스에 등록할 수 있습니다:

from transformers import AutoConfig, AutoModel


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

이후 auto 클래스를 평소와 같이 사용할 수 있습니다.

NewModelConfig가 PreTrainedConfig의 하위 클래스인 경우, config를 등록할 때 사용하는 키(여기서는 "new-model")와 동일한 값으로 model_type 속성이 설정되어 있는지 확인하세요.

마찬가지로, NewModel이 PreTrainedModel의 하위 클래스인 경우, config_class 속성이 모델 등록 시 사용한 클래스(여기서는 NewModelConfig)와 동일하도록 설정되어 있는지 확인하세요.

AutoConfig

class transformers.AutoConfig

< >

( )

이것은 from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 구성 클래스 중 하나로 인스턴스화되는 일반적인 구성 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

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

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습된 모델 구성의 model id인 문자열입니다.
    • save_pretrained() 메서드를 사용하여 설정 파일을 저장한 디렉터리의 경로 또는 save_pretrained() 메서드, 예: ./my_model_directory/.
    • 저장된 설정 JSON 파일의 경로, 예: ./my_model_directory/configuration.json.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일을 (재)다운로드를 강제하고, 캐시된 버전이 존재하는 경우 이를 덮어쓸지 여부입니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • return_unused_kwargs (bool, 선택 사항, 기본값은 False) — 이 값이 False, 면 이 함수는 최종 configuration 객체만 반환합니다.

    True인 경우, 이 함수는 unused_kwargs가 구성 속성이 아닌 키/값 쌍으로 이루어진 사전인 Tuple(config, unused_kwargs)을 반환합니다. 즉, config를 업데이트하는 데 사용되지 않고 무시되는 kwargs의 부분입니다.

  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • kwargs(additional keyword arguments, 선택) — kwargs의 값 중 설정 속성에 해당하는 키는 로드된 값을 덮어쓰는 데 사용됩니다. 키가 설정 속성이 아닌 키/값 쌍에 대한 동작은 return_unused_kwargs 키워드 매개변수로 제어됩니다.

…

로드된 config 객체의 model_type 속성에 따라 인스턴스화할 configuration 클래스가 선택되며, 해당 속성이 없는 경우 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백됩니다:

예:

>>> from transformers import AutoConfig

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

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

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

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

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

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

>>> unused_kwargs
{'foo': False}

register

< >

( model_typeconfigexist_ok = False )

매개변수

  • model_type (str) — “bert” 또는 “gpt”과 같은 모델 유형입니다.
  • config (PreTrainedConfig) — 등록할 config.

이 클래스에 대한 새 구성을 등록합니다.

AutoTokenizer

클래스 transformers.AutoTokenizer

< >

( )

이것은 AutoTokenizer.from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 토크나이저 클래스 중 하나로 인스턴스화되는 범용 토크나이저 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 정의된 토크나이저의 model id를 나타내는 문자열
    • 토크나이저에 필요한 어휘 파일을 포함하는 디렉터리의 경로입니다. 예를 들어 save_pretrained() 메서드를 사용하여 저장한 경우, ./my_model_directory/와 같습니다.
    • 토크나이저가 단일 어휘 파일만 필요할 경우(예: Bert 또는 XLNet) 해당 단일 어휘 파일의 경로, 예: ./my_model_directory/vocab.txt. (모든 파생 클래스에 적용되지 않음)
  • inputs (추가 위치 인자, 선택 사항) — Tokenizer의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 인스턴스화할 토크나이저 클래스를 결정하는 데 사용되는 설정 객체입니다.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일을 (재)다운로드를 강제하고, 캐시된 버전이 존재하는 경우 이를 덮어쓸지 여부입니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • subfolder (str, 선택 사항) — huggingface.co의 모델 저장소에서 관련 파일이 하위 폴더에 있는 경우(예: facebook/rag-token-base) 여기에 지정합니다.
  • tokenizer_type (str, 선택 사항) — 로드할 토크나이저 유형.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • kwargs (추가 키워드 인자, 선택 사항) — Tokenizer의 __init__() 메서드에 전달됩니다. bos_token, eos_token, unk_token, sep_token, pad_token, cls_token, mask_token, additional_special_tokens와 같은 특수 토큰을 설정하는 데 사용할 수 있습니다. 자세한 내용은 __init__()의 매개변수를 참조하세요.

pretrained model 어휘에서 라이브러리의 토크나이저 클래스 중 하나를 인스턴스화합니다.

인스턴스화할 토크나이저 클래스는 config 객체의 model_type 속성(인자로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없는 경우, pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

예:

>>> from transformers import AutoTokenizer

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

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

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

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

register

< >

( config_classtokenizer_class = Noneslow_tokenizer_class = Nonefast_tokenizer_class = Noneexist_ok = False )

매개변수

  • config_class (PreTrainedConfig) — 등록할 모델에 해당하는 설정입니다.
  • tokenizer_class — 등록할 토크나이저 클래스 (V5 - 권장 파라미터).
  • slow_tokenizer_class — (비추천) 등록할 느린 토크나이저입니다.
  • fast_tokenizer_class — (비추천) 등록할 fast tokenizer입니다.

이 매핑에 새로운 tokenizer를 등록합니다.

AutoFeatureExtractor

클래스 transformers.AutoFeatureExtractor

< >

( )

이것은 AutoFeatureExtractor.from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 feature extractor 클래스 중 하나로 인스턴스화되는 범용 feature extractor 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • 문자열이며, huggingface.co의 모델 저장소에 호스팅된 사전 학습된 feature_extractor의 model id입니다.
    • a path to a directory containing a feature extractor file saved using the save_pretrained() method, e.g., ./my_model_directory/.
    • 저장된 feature extractor JSON 파일의 경로, 예: ./my_model_directory/preprocessor_config.json.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습된 모델의 feature extractor를 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 캐시된 버전이 존재하더라도 feature extractor 파일을 (재)다운로드를 강제하고 캐시된 버전을 덮어쓸지 여부.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전입니다. 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • token (str 또는 bool, 선택 사항) — 원격 파일에 대한 HTTP bearer 인증으로 사용할 토큰입니다. True인 경우, hf auth login 실행 시 생성된 토큰(~/.huggingface에 저장됨)을 사용합니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • return_unused_kwargs (bool, 선택 사항, 기본값 False) — False인 경우 이 함수는 최종 feature extractor 객체만 반환합니다. True인 경우 이 함수는 Tuple(feature_extractor, unused_kwargs)를 반환하며, 여기서 unused_kwargs는 feature extractor 속성이 아닌 키/값 쌍으로 구성된 사전입니다. 즉, kwargs 중 feature_extractor를 업데이트하는 데 사용되지 않고 무시되는 부분입니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • kwargs (dict[str, Any], 선택) — kwargs의 값 중 feature extractor 속성에 해당하는 키는 로드된 값을 덮어쓰는 데 사용됩니다. 키가 feature extractor 속성이 아닌 키/값 쌍에 대한 동작은 return_unused_kwargs 키워드 매개변수로 제어됩니다.

…

config 객체의 model_type 속성(인자로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 것)을 기준으로 인스턴스화할 feature extractor 클래스가 선택됩니다. 해당 속성이 없는 경우, pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

비공개 모델을 사용하려면 token=True를 전달해야 합니다.

예:

>>> from transformers import AutoFeatureExtractor

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

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

register

< >

( config_classfeature_extractor_classexist_ok = False )

매개변수

  • config_class (PreTrainedConfig) — 등록할 모델에 해당하는 설정입니다.
  • feature_extractor_class (FeatureExtractorMixin) — 등록할 feature extractor입니다.

이 클래스에 새로운 feature extractor를 등록합니다.

AutoImageProcessor

class transformers.AutoImageProcessor

< >

( )

이것은 AutoImageProcessor.from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 이미지 프로세서 클래스 중 하나로 인스턴스화되는 범용 이미지 프로세서 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • 문자열이며, huggingface.co의 모델 저장소에 호스팅된 사전 학습된 image_processor의 model id입니다.
    • save_pretrained() 메서드를 사용하여 이미지 프로세서 파일을 저장한 디렉터리의 경로, 예: ./my_model_directory/.
    • 저장된 이미지 프로세서 JSON 파일의 경로, 예: ./my_model_directory/preprocessor_config.json.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습된 모델 이미지 프로세서가 캐시될 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 이미지 프로세서 파일을 (재)다운로드를 강제하고, 캐시된 버전이 존재하는 경우 이를 덮어쓸지 여부.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전입니다. 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • token (str 또는 bool, 선택 사항) — 원격 파일에 대한 HTTP bearer 인증으로 사용할 토큰입니다. True인 경우, hf auth login 실행 시 생성된 토큰(~/.huggingface에 저장됨)을 사용합니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • use_fast (bool, 선택 사항, 기본값 False) — 비추천: 대신 backend="torchvision"을 사용하세요. 이 매개변수는 하위 호환성을 위해 유지됩니다. 해당 모델에 지원되는 경우, 빠른 torchvision 기반 이미지 프로세서를 사용합니다. 해당 모델에 빠른 이미지 프로세서가 없는 경우, 대신 일반적인 numpy 기반 이미지 프로세서가 반환됩니다.
  • backend (str, 선택 사항, 기본값은 None) — 이미지 처리에 사용할 백엔드입니다. 다음 값 중 하나를 사용할 수 있습니다:
    • None: 사용 가능한 최적의 백엔드를 자동으로 선택합니다 (torchvision이 사용 가능한 경우 torchvision, 그렇지 않으면 pil)
    • "torchvision": Torchvision 백엔드 사용 (GPU 가속, 더 빠름)
    • "pil": PIL 백엔드 사용(이식 가능, CPU 전용)
    • register() 메서드를 통해 등록된 모든 사용자 정의 백엔드 이름
  • return_unused_kwargs (bool, 선택 사항, 기본값 False) — False인 경우 이 함수는 최종 image processor 객체만 반환합니다. True인 경우 이 함수는 Tuple(image_processor, unused_kwargs)를 반환하며, 여기서 unused_kwargs는 image processor 속성이 아닌 키/값 쌍으로 구성된 딕셔너리입니다. 즉, kwargs 중 image_processor를 업데이트하는 데 사용되지 않고 무시되는 부분입니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • image_processor_filename (str, 선택 사항, 기본값 "config.json") — 모델 디렉터리에서 이미지 프로세서 설정에 사용할 파일 이름입니다.
  • kwargs (dict[str, Any], 선택) — kwargs의 값 중 image processor 속성에 해당하는 키는 로드된 값을 덮어쓰는 데 사용됩니다. 키가 image processor 속성이 아닌 키/값 쌍에 대한 동작은 return_unused_kwargs 키워드 매개변수로 제어됩니다.

…

model_type 속성에 따라 인스턴스화할 이미지 프로세서 클래스가 선택됩니다. 이 속성은 config 객체의 model_type 속성(인자로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 기반하여 결정되며, 해당 속성이 없는 경우 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백됩니다.

  • aimv2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (Aimv2Config 모델)
  • aimv2_vision_model — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (Aimv2VisionConfig 모델)
  • align — {'torchvision': 'EfficientNetImageProcessor', 'pil': 'EfficientNetImageProcessorPil'} (AlignConfig 모델)
  • altclip — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (AltCLIPConfig 모델)
  • aria — {'pil': 'AriaImageProcessorPil', 'torchvision': 'AriaImageProcessor'} (AriaConfig 모델)
  • aya_vision — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (AyaVisionConfig 모델)
  • beit — {'pil': 'BeitImageProcessorPil', 'torchvision': 'BeitImageProcessor'} (BeitConfig 모델)
  • bit — {'pil': 'BitImageProcessorPil', 'torchvision': 'BitImageProcessor'} (BitConfig 모델)
  • blip — {'pil': 'BlipImageProcessorPil', 'torchvision': 'BlipImageProcessor'} (BlipConfig 모델)
  • blip-2 — {'torchvision': 'BlipImageProcessor', 'pil': 'BlipImageProcessorPil'} (Blip2Config 모델)
  • bridgetower — {'pil': 'BridgeTowerImageProcessorPil', 'torchvision': 'BridgeTowerImageProcessor'} (BridgeTowerConfig 모델)
  • chameleon — {'pil': 'ChameleonImageProcessorPil', 'torchvision': 'ChameleonImageProcessor'} (ChameleonConfig 모델)
  • chinese_clip — {'pil': 'ChineseCLIPImageProcessorPil', 'torchvision': 'ChineseCLIPImageProcessor'} (ChineseCLIPConfig 모델)
  • chmv2 — {'torchvision': 'CHMv2ImageProcessor'} (CHMv2Config 모델)
  • clip — {'pil': 'CLIPImageProcessorPil', 'torchvision': 'CLIPImageProcessor'} (CLIPConfig 모델)
  • clipseg — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (CLIPSegConfig 모델)
  • cohere2_vision — {'torchvision': 'Cohere2VisionImageProcessor'} (Cohere2VisionConfig 모델)
  • cohere_compass — {'pil': 'CohereCompassImageProcessorPil', 'torchvision': 'CohereCompassImageProcessor'} (CohereCompassConfig 모델)
  • colpali — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (ColPaliConfig 모델)
  • colqwen2 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (ColQwen2Config 모델)
  • conditional_detr — {'pil': 'ConditionalDetrImageProcessorPil', 'torchvision': 'ConditionalDetrImageProcessor'} (ConditionalDetrConfig 모델)
  • convnext — {'pil': 'ConvNextImageProcessorPil', 'torchvision': 'ConvNextImageProcessor'} (ConvNextConfig 모델)
  • convnextv2 — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (ConvNextV2Config 모델)
  • cosmos3_edge — {'pil': 'Cosmos3EdgeImageProcessorPil', 'torchvision': 'Cosmos3EdgeImageProcessor'} (Cosmos3EdgeConfig 모델)
  • cosmos3_omni — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Cosmos3OmniConfig 모델)
  • cvt — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (CvtConfig 모델)
  • data2vec-vision — {'torchvision': 'BeitImageProcessor', 'pil': 'BeitImageProcessorPil'} (Data2VecVisionConfig 모델)
  • deepseek_ocr2 — {'pil': 'DeepseekOcr2ImageProcessorPil', 'torchvision': 'DeepseekOcr2ImageProcessor'} (DeepseekOcr2Config 모델)
  • deepseek_vl — {'pil': 'DeepseekVLImageProcessorPil', 'torchvision': 'DeepseekVLImageProcessor'} (DeepseekVLConfig 모델)
  • deepseek_vl_hybrid — {'pil': 'DeepseekVLHybridImageProcessorPil', 'torchvision': 'DeepseekVLHybridImageProcessor'} (DeepseekVLHybridConfig 모델)
  • deformable_detr — {'pil': 'DeformableDetrImageProcessorPil', 'torchvision': 'DeformableDetrImageProcessor'} (DeformableDetrConfig 모델)
  • deimv2 — {'torchvision': 'RTDetrImageProcessor', 'pil': 'RTDetrImageProcessorPil'} (Deimv2Config 모델)
  • deit — {'pil': 'DeiTImageProcessorPil', 'torchvision': 'DeiTImageProcessor'} (DeiTConfig 모델)
  • depth_anything — {'torchvision': 'DPTImageProcessor', 'pil': 'DPTImageProcessorPil'} (DepthAnythingConfig 모델)
  • depth_pro — {'torchvision': 'DepthProImageProcessor'} (DepthProConfig 모델)
  • detr — {'pil': 'DetrImageProcessorPil', 'torchvision': 'DetrImageProcessor'} (DetrConfig 모델)
  • dinat — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (DinatConfig 모델)
  • dinov2 — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (Dinov2Config 모델)
  • dinov3_vit — {'torchvision': 'DINOv3ViTImageProcessor'} (DINOv3ViTConfig 모델)
  • donut-swin — {'torchvision': 'DonutImageProcessor', 'pil': 'DonutImageProcessorPil'} (DonutSwinConfig 모델)
  • dots3_note — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Dots3NoteConfig 모델)
  • dpt — {'pil': 'DPTImageProcessorPil', 'torchvision': 'DPTImageProcessor'} (DPTConfig 모델)
  • edgetam — {'torchvision': 'Sam2ImageProcessor'} (EdgeTamConfig 모델)
  • efficientloftr — {'pil': 'EfficientLoFTRImageProcessorPil', 'torchvision': 'EfficientLoFTRImageProcessor'} (EfficientLoFTRConfig 모델)
  • efficientnet — {'pil': 'EfficientNetImageProcessorPil', 'torchvision': 'EfficientNetImageProcessor'} (EfficientNetConfig 모델)
  • embedding_gemma2 — {'pil': 'Gemma4ImageProcessorPil', 'torchvision': 'Gemma4ImageProcessor'} (EmbeddingGemma2Config 모델)
  • emu3 — {'pil': 'Emu3ImageProcessor'} (Emu3Config 모델)
  • eomt — {'pil': 'EomtImageProcessorPil', 'torchvision': 'EomtImageProcessor'} (EomtConfig 모델)
  • eomt_dinov3 — {'torchvision': 'EomtImageProcessor', 'pil': 'EomtImageProcessorPil'} (EomtDinov3Config 모델)
  • ernie4_5_vl_moe — {'pil': 'Ernie4_5_VLMoeImageProcessorPil', 'torchvision': 'Ernie4_5_VLMoeImageProcessor'} (Ernie4_5_VLMoeConfig 모델)
  • exaone4_5 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Exaone4_5_Config 모델)
  • flava — {'pil': 'FlavaImageProcessorPil', 'torchvision': 'FlavaImageProcessor'} (FlavaConfig 모델)
  • florence2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (Florence2Config 모델)
  • focalnet — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (FocalNetConfig 모델)
  • fuyu — {'pil': 'FuyuImageProcessorPil', 'torchvision': 'FuyuImageProcessor'} (FuyuConfig 모델)
  • gemma3 — {'pil': 'Gemma3ImageProcessorPil', 'torchvision': 'Gemma3ImageProcessor'} (Gemma3Config 모델)
  • gemma3n — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (Gemma3nConfig 모델)
  • gemma4 — {'pil': 'Gemma4ImageProcessorPil', 'torchvision': 'Gemma4ImageProcessor'} (Gemma4Config 모델)
  • gemma4_unified — {'torchvision': 'Gemma4UnifiedImageProcessor'} (Gemma4UnifiedConfig 모델)
  • git — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (GitConfig 모델)
  • glm46v — {'pil': 'Glm46VImageProcessorPil', 'torchvision': 'Glm46VImageProcessor'} (Glm46VConfig 모델)
  • glm4v — {'pil': 'Glm4vImageProcessorPil', 'torchvision': 'Glm4vImageProcessor'} (Glm4vConfig 모델)
  • glm5_next — {'pil': 'Glm5NextImageProcessorPil', 'torchvision': 'Glm5NextImageProcessor'} (Glm5NextConfig 모델)
  • glm_image — {'pil': 'GlmImageImageProcessorPil', 'torchvision': 'GlmImageImageProcessor'} (GlmImageConfig 모델)
  • glmga — {'pil': 'GlmgaImageProcessorPil', 'torchvision': 'GlmgaImageProcessor'} (GlmgaConfig 모델)
  • glpn — {'pil': 'GLPNImageProcessorPil', 'torchvision': 'GLPNImageProcessor'} (GLPNConfig 모델)
  • got_ocr2 — {'pil': 'GotOcr2ImageProcessorPil', 'torchvision': 'GotOcr2ImageProcessor'} (GotOcr2Config 모델)
  • granite4_vision — {'torchvision': 'LlavaNextImageProcessor', 'pil': 'LlavaNextImageProcessorPil'} (Granite4VisionConfig 모델)
  • granite_docling — {'pil': 'GraniteDoclingImageProcessorPil', 'torchvision': 'GraniteDoclingImageProcessor'} (GraniteDoclingConfig 모델)
  • grounding-dino — {'pil': 'GroundingDinoImageProcessorPil', 'torchvision': 'GroundingDinoImageProcessor'} (GroundingDinoConfig 모델)
  • groupvit — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (GroupViTConfig 모델)
  • hiera — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (HieraConfig 모델)
  • hunyuan_vl — {'pil': 'HunYuanVLImageProcessorPil', 'torchvision': 'HunYuanVLImageProcessor'} (HunYuanVLConfig 모델)
  • hyperclovax_vision_v2 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (HyperCLOVAXVisionV2Config 모델)
  • idefics — {'pil': 'IdeficsImageProcessorPil', 'torchvision': 'IdeficsImageProcessor'} (IdeficsConfig 모델)
  • idefics2 — {'pil': 'Idefics2ImageProcessorPil', 'torchvision': 'Idefics2ImageProcessor'} (Idefics2Config 모델)
  • idefics3 — {'pil': 'Idefics3ImageProcessorPil', 'torchvision': 'Idefics3ImageProcessor'} (Idefics3Config 모델)
  • ijepa — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (IJepaConfig 모델)
  • imagegpt — {'pil': 'ImageGPTImageProcessorPil', 'torchvision': 'ImageGPTImageProcessor'} (ImageGPTConfig 모델)
  • inkling2 — {'torchvision': 'Inkling2ImageProcessor'} (Inkling2Config 모델)
  • inkling_mm_model — {'torchvision': 'InklingImageProcessor'} (InklingConfig 모델)
  • instructblip — {'torchvision': 'BlipImageProcessor', 'pil': 'BlipImageProcessorPil'} (InstructBlipConfig 모델)
  • internvl — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (InternVLConfig 모델)
  • janus — {'pil': 'JanusImageProcessorPil', 'torchvision': 'JanusImageProcessor'} (JanusConfig 모델)
  • kimi_k25 — {'torchvision': 'Kimi_K25ImageProcessor'} (Kimi_K25Config 모델)
  • kosmos-2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (Kosmos2Config 모델)
  • kosmos-2.5 — {'torchvision': 'Kosmos2_5ImageProcessor', 'pil': 'Kosmos2_5ImageProcessorPil'} (Kosmos2_5Config 모델)
  • layoutlmv2 — {'pil': 'LayoutLMv2ImageProcessorPil', 'torchvision': 'LayoutLMv2ImageProcessor'} (LayoutLMv2Config 모델)
  • layoutlmv3 — {'pil': 'LayoutLMv3ImageProcessorPil', 'torchvision': 'LayoutLMv3ImageProcessor'} (LayoutLMv3Config 모델)
  • layoutxlm — {'torchvision': 'LayoutLMv2ImageProcessor', 'pil': 'LayoutLMv2ImageProcessorPil'} (LayoutXLMConfig 모델)
  • levit — {'pil': 'LevitImageProcessorPil', 'torchvision': 'LevitImageProcessor'} (LevitConfig 모델)
  • lfm2_vl — {'torchvision': 'Lfm2VlImageProcessor'} (Lfm2VlConfig 모델)
  • lfm3_vl — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Lfm3VlConfig 모델)
  • lightglue — {'pil': 'LightGlueImageProcessorPil', 'torchvision': 'LightGlueImageProcessor'} (LightGlueConfig 모델)
  • lighton_ocr — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (LightOnOcrConfig 모델)
  • llama4 — {'torchvision': 'Llama4ImageProcessor'} (Llama4Config 모델)
  • llava — {'pil': 'LlavaImageProcessorPil', 'torchvision': 'LlavaImageProcessor'} (LlavaConfig 모델)
  • llava_next — {'pil': 'LlavaNextImageProcessorPil', 'torchvision': 'LlavaNextImageProcessor'} (LlavaNextConfig 모델)
  • llava_next_video — {'torchvision': 'LlavaNextImageProcessor', 'pil': 'LlavaNextImageProcessorPil'} (LlavaNextVideoConfig 모델)
  • llava_onevision — {'pil': 'LlavaOnevisionImageProcessorPil', 'torchvision': 'LlavaOnevisionImageProcessor'} (LlavaOnevisionConfig 모델)
  • lw_detr — {'torchvision': 'DeformableDetrImageProcessor', 'pil': 'DeformableDetrImageProcessorPil'} (LwDetrConfig 모델)
  • mask2former — {'pil': 'Mask2FormerImageProcessorPil', 'torchvision': 'Mask2FormerImageProcessor'} (Mask2FormerConfig 모델)
  • maskformer — {'pil': 'MaskFormerImageProcessorPil', 'torchvision': 'MaskFormerImageProcessor'} (MaskFormerConfig 모델)
  • metaclip_2 — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (MetaClip2Config 모델)
  • mgp-str — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (MgpstrConfig 모델)
  • minicpm_ocr — {'torchvision': 'MiniCPMOcrImageProcessor'} (MiniCPMOcrConfig 모델)
  • minicpmv4_6 — {'pil': 'MiniCPMV4_6ImageProcessorPil', 'torchvision': 'MiniCPMV4_6ImageProcessor'} (MiniCPMV4_6Config 모델)
  • minicpmv4_7 — {'pil': 'MiniCPMV4_6ImageProcessorPil', 'torchvision': 'MiniCPMV4_6ImageProcessor'} (MiniCPMV4_7Config 모델)
  • minimax_m3_vl — {'torchvision': 'MiniMaxM3VLImageProcessor'} (MiniMaxM3VLConfig 모델)
  • mistral3 — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (Mistral3Config 모델)
  • mistral_large4 — {'torchvision': 'PixtralImageProcessor', 'pil': 'PixtralImageProcessorPil'} (MistralLarge4Config 모델)
  • mlcd — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (MLCDVisionConfig 모델)
  • mllama — {'pil': 'MllamaImageProcessorPil', 'torchvision': 'MllamaImageProcessor'} (MllamaConfig 모델)
  • mm-grounding-dino — {'torchvision': 'GroundingDinoImageProcessor', 'pil': 'GroundingDinoImageProcessorPil'} (MMGroundingDinoConfig 모델)
  • mobilenet_v1 — {'pil': 'MobileNetV1ImageProcessorPil', 'torchvision': 'MobileNetV1ImageProcessor'} (MobileNetV1Config 모델)
  • mobilenet_v2 — {'pil': 'MobileNetV2ImageProcessorPil', 'torchvision': 'MobileNetV2ImageProcessor'} (MobileNetV2Config 모델)
  • mobilevit — {'pil': 'MobileViTImageProcessorPil', 'torchvision': 'MobileViTImageProcessor'} (MobileViTConfig 모델)
  • mobilevitv2 — {'torchvision': 'MobileViTImageProcessor', 'pil': 'MobileViTImageProcessorPil'} (MobileViTV2Config 모델)
  • molmo2 — {'torchvision': 'Molmo2ImageProcessor'} (Molmo2Config 모델)
  • muse_glimmer — {'torchvision': 'MuseGlimmerImageProcessor'} (MuseGlimmerConfig 모델)
  • muse_spark — {'torchvision': 'MuseGlimmerImageProcessor'} (MuseSparkConfig 모델)
  • nemotron_h_omni — {'torchvision': 'NemotronH_Omni_Reasoning_V3ImageProcessor'} (NemotronH_Omni_Reasoning_V3_Config 모델)
  • neomme — {'torchvision': 'NeoMMEImageProcessor'} (NeoMMEConfig 모델)
  • nougat — {'pil': 'NougatImageProcessorPil', 'torchvision': 'NougatImageProcessor'} (NougatConfig 모델)
  • omdet-turbo — {'torchvision': 'DetrImageProcessor', 'pil': 'DetrImageProcessorPil'} (OmDetTurboConfig 모델)
  • oneformer — {'pil': 'OneFormerImageProcessorPil', 'torchvision': 'OneFormerImageProcessor'} (OneFormerConfig 모델)
  • ovis2 — {'pil': 'Ovis2ImageProcessorPil', 'torchvision': 'Ovis2ImageProcessor'} (Ovis2Config 모델)
  • owlv2 — {'pil': 'Owlv2ImageProcessorPil', 'torchvision': 'Owlv2ImageProcessor'} (Owlv2Config 모델)
  • owlvit — {'pil': 'OwlViTImageProcessorPil', 'torchvision': 'OwlViTImageProcessor'} (OwlViTConfig 모델)
  • paddleocr_vl — {'pil': 'PaddleOCRVLImageProcessorPil', 'torchvision': 'PaddleOCRVLImageProcessor'} (PaddleOCRVLConfig 모델)
  • paligemma — {'torchvision': 'SiglipImageProcessor', 'pil': 'SiglipImageProcessorPil'} (PaliGemmaConfig 모델)
  • perceiver — {'pil': 'PerceiverImageProcessorPil', 'torchvision': 'PerceiverImageProcessor'} (PerceiverConfig 모델)
  • perception_lm — {'torchvision': 'PerceptionLMImageProcessor'} (PerceptionLMConfig 모델)
  • phi4_multimodal — {'torchvision': 'Phi4MultimodalImageProcessor'} (Phi4MultimodalConfig 모델)
  • pi0 — {'torchvision': 'PI0ImageProcessor'} (PI0Config 모델)
  • pix2struct — {'pil': 'Pix2StructImageProcessorPil', 'torchvision': 'Pix2StructImageProcessor'} (Pix2StructConfig 모델)
  • pixio — {'torchvision': 'BitImageProcessor', 'pil': 'BitImageProcessorPil'} (PixioConfig 모델)
  • pixtral — {'pil': 'PixtralImageProcessorPil', 'torchvision': 'PixtralImageProcessor'} (PixtralVisionConfig 모델)
  • poolformer — {'pil': 'PoolFormerImageProcessorPil', 'torchvision': 'PoolFormerImageProcessor'} (PoolFormerConfig 모델)
  • pp_chart2table — {'pil': 'PPChart2TableImageProcessorPil', 'torchvision': 'PPChart2TableImageProcessor'} (PPChart2TableConfig 모델)
  • pp_doclayout_v2 — {'torchvision': 'PPDocLayoutV2ImageProcessor'} (PPDocLayoutV2Config 모델)
  • pp_doclayout_v3 — {'torchvision': 'PPDocLayoutV3ImageProcessor'} (PPDocLayoutV3Config 모델)
  • pp_doclayout_v4 — {'torchvision': 'PPDocLayoutV4ImageProcessor'} (PPDocLayoutV4Config 모델)
  • pp_formulanet — {'torchvision': 'PPFormulaNetImageProcessor'} (PPFormulaNetConfig 모델)
  • pp_lcnet — {'torchvision': 'PPLCNetImageProcessor'} (PPLCNetConfig 모델)
  • pp_ocrv5_mobile_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (PPOCRV5MobileDetConfig 모델)
  • pp_ocrv5_mobile_rec — {'torchvision': 'PPOCRV5ServerRecImageProcessor'} (PPOCRV5MobileRecConfig 모델)
  • pp_ocrv5_server_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (PPOCRV5ServerDetConfig 모델)
  • pp_ocrv5_server_rec — {'torchvision': 'PPOCRV5ServerRecImageProcessor'} (PPOCRV5ServerRecConfig 모델)
  • pp_ocrv6_medium_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (PPOCRV6MediumDetConfig 모델)
  • pp_ocrv6_small_det — {'torchvision': 'PPOCRV5ServerDetImageProcessor'} (PPOCRV6SmallDetConfig 모델)
  • pp_ocrv6_small_rec — {'torchvision': 'PPOCRV6SmallRecImageProcessor'} (PPOCRV6SmallRecConfig 모델)
  • pp_ocrv6_tiny_rec — {'torchvision': 'PPOCRV6SmallRecImageProcessor'} (PPOCRV6TinyRecConfig 모델)
  • prompt_depth_anything — {'pil': 'PromptDepthAnythingImageProcessorPil', 'torchvision': 'PromptDepthAnythingImageProcessor'} (PromptDepthAnythingConfig 모델)
  • pvt — {'pil': 'PvtImageProcessorPil', 'torchvision': 'PvtImageProcessor'} (PvtConfig 모델)
  • pvt_v2 — {'torchvision': 'PvtImageProcessor', 'pil': 'PvtImageProcessorPil'} (PvtV2Config 모델)
  • qianfan_ocr — {'torchvision': 'GotOcr2ImageProcessor', 'pil': 'GotOcr2ImageProcessorPil'} (QianfanOCRConfig 모델)
  • qwen2_5_omni — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen2_5OmniConfig 모델)
  • qwen2_5_vl — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen2_5_VLConfig 모델)
  • qwen2_vl — {'pil': 'Qwen2VLImageProcessorPil', 'torchvision': 'Qwen2VLImageProcessor'} (Qwen2VLConfig 모델)
  • qwen3_5 — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen3_5Config 모델)
  • qwen3_5_moe — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen3_5MoeConfig 모델)
  • qwen3_omni_moe — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen3OmniMoeConfig 모델)
  • qwen3_vl — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen3VLConfig 모델)
  • qwen4_exp — {'torchvision': 'Qwen2VLImageProcessor', 'pil': 'Qwen2VLImageProcessorPil'} (Qwen4ExpConfig 모델)
  • regnet — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (RegNetConfig 모델)
  • resnet — {'torchvision': 'ConvNextImageProcessor', 'pil': 'ConvNextImageProcessorPil'} (ResNetConfig 모델)
  • rf_detr — {'torchvision': 'RfDetrImageProcessor'} (RfDetrConfig 모델)
  • rt_detr — {'pil': 'RTDetrImageProcessorPil', 'torchvision': 'RTDetrImageProcessor'} (RTDetrConfig 모델)
  • sam — {'pil': 'SamImageProcessorPil', 'torchvision': 'SamImageProcessor'} (SamConfig 모델)
  • sam2 — {'torchvision': 'Sam2ImageProcessor'} (Sam2Config 모델)
  • sam2_video — {'torchvision': 'Sam2ImageProcessor'} (Sam2VideoConfig 모델)
  • sam3 — {'torchvision': 'Sam3ImageProcessor'} (Sam3Config 모델)
  • sam3_lite_text — {'torchvision': 'Sam3ImageProcessor'} (Sam3LiteTextConfig 모델)
  • sam3_tracker — {'torchvision': 'Sam3ImageProcessor'} (Sam3TrackerConfig 모델)
  • sam3_tracker_video — {'torchvision': 'Sam3ImageProcessor'} (Sam3TrackerVideoConfig 모델)
  • sam3_video — {'torchvision': 'Sam3ImageProcessor'} (Sam3VideoConfig 모델)
  • sam_hq — {'torchvision': 'SamImageProcessor', 'pil': 'SamImageProcessorPil'} (SamHQConfig 모델)
  • sapiens2 — {'torchvision': 'Sapiens2ImageProcessor'} (Sapiens2Config 모델)
  • segformer — {'pil': 'SegformerImageProcessorPil', 'torchvision': 'SegformerImageProcessor'} (SegformerConfig 모델)
  • seggpt — {'pil': 'SegGptImageProcessorPil', 'torchvision': 'SegGptImageProcessor'} (SegGptConfig 모델)
  • shieldgemma2 — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (ShieldGemma2Config 모델)
  • siglip — {'pil': 'SiglipImageProcessorPil', 'torchvision': 'SiglipImageProcessor'} (SiglipConfig 모델)
  • siglip2 — {'pil': 'Siglip2ImageProcessorPil', 'torchvision': 'Siglip2ImageProcessor'} (Siglip2Config 모델)
  • slanet — {'torchvision': 'SLANeXtImageProcessor'} (SLANetConfig 모델)
  • slanext — {'torchvision': 'SLANeXtImageProcessor'} (SLANeXtConfig 모델)
  • smolvlm — {'pil': 'SmolVLMImageProcessorPil', 'torchvision': 'SmolVLMImageProcessor'} (SmolVLMConfig 모델)
  • step3p7 — {'torchvision': 'Step3p7ImageProcessor'} (Step3p7Config 모델)
  • superglue — {'pil': 'SuperGlueImageProcessorPil', 'torchvision': 'SuperGlueImageProcessor'} (SuperGlueConfig 모델)
  • superpoint — {'pil': 'SuperPointImageProcessorPil', 'torchvision': 'SuperPointImageProcessor'} (SuperPointConfig 모델)
  • swiftformer — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (SwiftFormerConfig 모델)
  • swin — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (SwinConfig 모델)
  • swin2sr — {'pil': 'Swin2SRImageProcessorPil', 'torchvision': 'Swin2SRImageProcessor'} (Swin2SRConfig 모델)
  • swinv2 — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (Swinv2Config 모델)
  • t5gemma2 — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (T5Gemma2Config 모델)
  • t5gemma2_encoder — {'torchvision': 'Gemma3ImageProcessor', 'pil': 'Gemma3ImageProcessorPil'} (T5Gemma2EncoderConfig 모델)
  • table-transformer — {'torchvision': 'DetrImageProcessor', 'pil': 'DetrImageProcessorPil'} (TableTransformerConfig 모델)
  • textnet — {'pil': 'TextNetImageProcessorPil', 'torchvision': 'TextNetImageProcessor'} (TextNetConfig 모델)
  • timesformer — {'pil': 'VideoMAEImageProcessorPil', 'torchvision': 'VideoMAEImageProcessor'} (TimesformerConfig 모델)
  • timm_wrapper — {'pil': 'TimmWrapperImageProcessor'} (TimmWrapperConfig 모델)
  • tipsv2 — {'torchvision': 'Tipsv2ImageProcessor'} (Tipsv2Config 모델)
  • tipsv2_dpt — {'torchvision': 'Tipsv2DptImageProcessor'} (Tipsv2DptConfig 모델)
  • trocr — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (TrOCRConfig 모델)
  • tvp — {'pil': 'TvpImageProcessorPil', 'torchvision': 'TvpImageProcessor'} (TvpConfig 모델)
  • udop — {'torchvision': 'LayoutLMv3ImageProcessor', 'pil': 'LayoutLMv3ImageProcessorPil'} (UdopConfig 모델)
  • ultravbert — {'torchvision': 'UltraVBertImageProcessor'} (UltraVBertConfig 모델)
  • unlimited_ocr — {'torchvision': 'UnlimitedOcrImageProcessor'} (UnlimitedOcrConfig 모델)
  • upernet — {'torchvision': 'SegformerImageProcessor', 'pil': 'SegformerImageProcessorPil'} (UperNetConfig 모델)
  • uvdoc — {'torchvision': 'UVDocImageProcessor'} (UVDocConfig 모델)
  • video_llama_3 — {'pil': 'VideoLlama3ImageProcessorPil', 'torchvision': 'VideoLlama3ImageProcessor'} (VideoLlama3Config 모델)
  • video_llava — {'pil': 'VideoLlavaImageProcessor'} (VideoLlavaConfig 모델)
  • videomae — {'pil': 'VideoMAEImageProcessorPil', 'torchvision': 'VideoMAEImageProcessor'} (VideoMAEConfig 모델)
  • vilt — {'pil': 'ViltImageProcessorPil', 'torchvision': 'ViltImageProcessor'} (ViltConfig 모델)
  • vipllava — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (VipLlavaConfig 모델)
  • vit — {'pil': 'ViTImageProcessorPil', 'torchvision': 'ViTImageProcessor'} (ViTConfig 모델)
  • vit_mae — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (ViTMAEConfig 모델)
  • vit_msn — {'torchvision': 'ViTImageProcessor', 'pil': 'ViTImageProcessorPil'} (ViTMSNConfig 모델)
  • vitmatte — {'pil': 'VitMatteImageProcessorPil', 'torchvision': 'VitMatteImageProcessor'} (VitMatteConfig 모델)
  • vitpose — {'pil': 'VitPoseImageProcessorPil', 'torchvision': 'VitPoseImageProcessor'} (VitPoseConfig 모델)
  • vivit — {'torchvision': 'VivitImageProcessor'} (VivitConfig 모델)
  • xclip — {'torchvision': 'CLIPImageProcessor', 'pil': 'CLIPImageProcessorPil'} (XCLIPConfig 모델)
  • yolos — {'pil': 'YolosImageProcessorPil', 'torchvision': 'YolosImageProcessor'} (YolosConfig 모델)
  • zoedepth — {'pil': 'ZoeDepthImageProcessorPil', 'torchvision': 'ZoeDepthImageProcessor'} (ZoeDepthConfig 모델)

비공개 모델을 사용하려면 token=True를 전달해야 합니다.

예:

>>> from transformers import AutoImageProcessor

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

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

register

< >

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

매개변수

  • config_class (PreTrainedConfig) — 등록할 모델에 해당하는 설정입니다.
  • slow_image_processor_class (type, 선택 사항) — PIL 백엔드 이미지 프로세서 클래스입니다(비추천, image_processor_classes={"pil": ...} 사용).
  • fast_image_processor_class (type, 선택 사항) — Torchvision 백엔드 이미지 프로세서 클래스입니다. (비추천, image_processor_classes={"torchvision": ...} 사용)
  • image_processor_classes (dict[str, type], 선택) — 백엔드 이름을 이미지 프로세서 클래스로 매핑하는 딕셔너리입니다. 커스텀 백엔드를 등록할 수 있습니다. 예: {"pil": MyPilProcessor, "torchvision": MyTorchvisionProcessor, "custom": MyCustomProcessor}
  • exist_ok (bool, 선택 사항, 기본값 False) — True인 경우, 기존 등록을 덮어쓰는 것을 허용합니다.

이 클래스에 새로운 이미지 프로세서를 등록합니다.

AutoVideoProcessor

백엔드 선택, 사용자 정의 등록, 저장 및 재로딩에 대해서는 Video processor backends를 참조하세요.

class transformers.AutoVideoProcessor

< >

( )

이것은 AutoVideoProcessor.from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 비디오 프로세서 클래스 중 하나로 인스턴스화되는 범용 비디오 프로세서 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

( pretrained_model_name_or_path*inputs**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • 문자열이며, huggingface.co의 모델 저장소에 호스팅된 사전 학습된 model id입니다.
    • save_pretrained() 메서드를 사용하여 비디오 프로세서 파일을 저장한 디렉터리의 경로, 예: ./my_model_directory/.
    • 저장된 비디오 프로세서 JSON 파일의 경로, 예: ./my_model_directory/preprocessor_config.json.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습된 모델의 video processor를 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 캐시된 버전이 존재하더라도 video processor 파일을 (재)다운로드를 강제하고 캐시된 버전을 덮어쓸지 여부입니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전입니다. 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • token (str 또는 bool, 선택 사항) — 원격 파일에 대한 HTTP bearer 인증으로 사용할 토큰입니다. True인 경우, hf auth login 실행 시 생성된 토큰(~/.huggingface에 저장됨)을 사용합니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • return_unused_kwargs (bool, 선택 사항, 기본값 False) — False인 경우, 이 함수는 최종 video processor 객체만 반환합니다. True인 경우, 이 함수는 Tuple(video_processor, unused_kwargs)를 반환하며, 여기서 unused_kwargs는 video processor 속성이 아닌 키/값 쌍으로 구성된 사전입니다. 즉, kwargs 중 video_processor를 업데이트하는 데 사용되지 않고 무시되는 부분입니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • kwargs (dict[str, Any], 선택) — kwargs의 값 중 video processor 속성에 해당하는 키는 로드된 값을 덮어쓰는 데 사용됩니다. 키가 video processor 속성이 아닌 키/값 쌍에 대한 동작은 return_unused_kwargs 키워드 매개변수로 제어됩니다.

pretrained model 어휘에서 라이브러리의 비디오 프로세서 클래스 중 하나를 인스턴스화합니다.

config 객체의 model_type 속성(인자로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)을 기준으로 인스턴스화할 video processor 클래스가 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

  • cohere_compass — {'torchvision': 'CohereCompassVideoProcessor'} (CohereCompassConfig 모델)
  • cosmos3_edge — {'torchvision': 'Cosmos3EdgeVideoProcessor'} (Cosmos3EdgeConfig 모델)
  • cosmos3_omni — {'torchvision': 'Qwen3VLVideoProcessor'} (Cosmos3OmniConfig 모델)
  • dots3_note — {'torchvision': 'Qwen3VLVideoProcessor'} (Dots3NoteConfig 모델)
  • embedding_gemma2 — {'torchvision': 'EmbeddingGemma2VideoProcessor'} (EmbeddingGemma2Config 모델)
  • ernie4_5_vl_moe — {'torchvision': 'Ernie4_5_VLMoeVideoProcessor'} (Ernie4_5_VLMoeConfig 모델)
  • exaone4_5 — {'torchvision': 'Qwen2VLVideoProcessor'} (Exaone4_5_Config 모델)
  • gemma4 — {'torchvision': 'Gemma4VideoProcessor'} (Gemma4Config 모델)
  • gemma4_unified — {'torchvision': 'Gemma4UnifiedVideoProcessor'} (Gemma4UnifiedConfig 모델)
  • glm46v — {'torchvision': 'Glm46VVideoProcessor'} (Glm46VConfig 모델)
  • glm4v — {'torchvision': 'Glm4vVideoProcessor'} (Glm4vConfig 모델)
  • glm5_next — {'torchvision': 'Glm5NextVideoProcessor'} (Glm5NextConfig 모델)
  • glmga — {'torchvision': 'GlmgaVideoProcessor'} (GlmgaConfig 모델)
  • hyperclovax_vision_v2 — {'torchvision': 'Qwen2VLVideoProcessor'} (HyperCLOVAXVisionV2Config 모델)
  • instructblip — {'torchvision': 'InstructBlipVideoVideoProcessor'} (InstructBlipConfig 모델)
  • instructblipvideo — {'torchvision': 'InstructBlipVideoVideoProcessor'} (InstructBlipVideoConfig 모델)
  • internvl — {'torchvision': 'InternVLVideoProcessor'} (InternVLConfig 모델)
  • kimi_k25 — {'torchvision': 'Kimi_K25VideoProcessor'} (Kimi_K25Config 모델)
  • lfm3_vl — {'torchvision': 'Qwen3VLVideoProcessor'} (Lfm3VlConfig 모델)
  • llava_next_video — {'torchvision': 'LlavaNextVideoVideoProcessor'} (LlavaNextVideoConfig 모델)
  • llava_onevision — {'torchvision': 'LlavaOnevisionVideoProcessor'} (LlavaOnevisionConfig 모델)
  • minicpm_ocr — {'torchvision': 'MiniCPMOcrVideoProcessor'} (MiniCPMOcrConfig 모델)
  • minicpmv4_6 — {'torchvision': 'MiniCPMV4_6VideoProcessor'} (MiniCPMV4_6Config 모델)
  • minicpmv4_7 — {'torchvision': 'MiniCPMV4_6VideoProcessor'} (MiniCPMV4_7Config 모델)
  • minimax_m3_vl — {'torchvision': 'MiniMaxM3VLVideoProcessor'} (MiniMaxM3VLConfig 모델)
  • molmo2 — {'torchvision': 'Molmo2VideoProcessor'} (Molmo2Config 모델)
  • muse_glimmer — {'torchvision': 'MuseGlimmerVideoProcessor'} (MuseGlimmerConfig 모델)
  • muse_spark — {'torchvision': 'MuseGlimmerVideoProcessor'} (MuseSparkConfig 모델)
  • nemotron_h_omni — {'torchvision': 'NemotronH_Omni_Reasoning_V3VideoProcessor'} (NemotronH_Omni_Reasoning_V3_Config 모델)
  • pe_audio_video — {'torchvision': 'PeVideoVideoProcessor'} (PeAudioVideoConfig 모델)
  • pe_video — {'torchvision': 'PeVideoVideoProcessor'} (PeVideoConfig 모델)
  • perception_lm — {'torchvision': 'PerceptionLMVideoProcessor'} (PerceptionLMConfig 모델)
  • qwen2_5_omni — {'torchvision': 'Qwen2VLVideoProcessor'} (Qwen2_5OmniConfig 모델)
  • qwen2_5_vl — {'torchvision': 'Qwen2VLVideoProcessor'} (Qwen2_5_VLConfig 모델)
  • qwen2_vl — {'torchvision': 'Qwen2VLVideoProcessor'} (Qwen2VLConfig 모델)
  • qwen3_5 — {'torchvision': 'Qwen3VLVideoProcessor'} (Qwen3_5Config 모델)
  • qwen3_5_moe — {'torchvision': 'Qwen3VLVideoProcessor'} (Qwen3_5MoeConfig 모델)
  • qwen3_omni_moe — {'torchvision': 'Qwen2VLVideoProcessor'} (Qwen3OmniMoeConfig 모델)
  • qwen3_vl — {'torchvision': 'Qwen3VLVideoProcessor'} (Qwen3VLConfig 모델)
  • qwen3_vl_moe — {'torchvision': 'Qwen3VLVideoProcessor'} (Qwen3VLMoeConfig 모델)
  • qwen4_exp — {'torchvision': 'Qwen3VLVideoProcessor'} (Qwen4ExpConfig 모델)
  • sam2_video — {'torchvision': 'Sam2VideoVideoProcessor'} (Sam2VideoConfig 모델)
  • smolvlm — {'torchvision': 'SmolVLMVideoProcessor'} (SmolVLMConfig 모델)
  • timesformer — {'torchvision': 'TimesformerVideoProcessor'} (TimesformerConfig 모델)
  • video_llama_3 — {'torchvision': 'VideoLlama3VideoProcessor'} (VideoLlama3Config 모델)
  • video_llava — {'torchvision': 'VideoLlavaVideoProcessor'} (VideoLlavaConfig 모델)
  • videomae — {'torchvision': 'VideoMAEVideoProcessor'} (VideoMAEConfig 모델)
  • videomt — {'torchvision': 'VideomtVideoProcessor'} (VideomtConfig 모델)
  • videoprism — {'torchvision': 'LlavaOnevisionVideoProcessor'} (VideoPrismConfig 모델)
  • vivit — {'torchvision': 'VivitVideoProcessor'} (VivitConfig 모델)
  • vjepa2 — {'torchvision': 'VJEPA2VideoProcessor'} (VJEPA2Config 모델)

비공개 모델을 사용하려면 token=True를 전달해야 합니다.

예:

>>> from transformers import AutoVideoProcessor

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

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

register

< >

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

매개변수

  • config_class (PreTrainedConfig) — 등록할 모델에 해당하는 설정입니다.
  • video_processor_class (BaseVideoProcessor) — 등록할 video processor입니다.
  • video_processor_classes (dict[str, type], 선택) — 백엔드 이름을 비디오 프로세서 클래스로 매핑하는 사전입니다. 사용자 정의 백엔드를 등록할 수 있습니다. 예: {"pil": MyPilVideoProcessor, "torchvision": MyTorchvisionVideoProcessor, "custom": MyCustomVideoProcessor}
  • exist_ok (bool, 선택 사항, 기본값 False) — True인 경우, 기존 등록을 덮어쓰는 것을 허용합니다.

이 클래스에 새로운 video processor를 등록합니다.

AutoProcessor

클래스 transformers.AutoProcessor

< >

( )

이것은 AutoProcessor.from_pretrained() 클래스 메서드로 생성될 때 라이브러리의 프로세서 클래스 중 하나로 인스턴스화되는 범용 프로세서 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_pretrained

< >

( pretrained_model_name_or_path**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • 문자열이며, huggingface.co의 모델 저장소에 호스팅된 사전 학습된 feature_extractor의 model id입니다.
    • save_pretrained() 메서드를 사용하여 프로세서 파일을 저장한 디렉터리의 경로, 예: ./my_model_directory/.
  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습된 모델의 feature extractor를 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 캐시된 버전이 존재하더라도 feature extractor 파일을 (재)다운로드를 강제하고 캐시된 버전을 덮어쓸지 여부.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전입니다. 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • token (str 또는 bool, 선택 사항) — 원격 파일에 대한 HTTP bearer 인증으로 사용할 토큰입니다. True인 경우, hf auth login 실행 시 생성된 토큰(~/.huggingface에 저장됨)을 사용합니다.
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • return_unused_kwargs (bool, 선택 사항, 기본값 False) — False인 경우 이 함수는 최종 feature extractor 객체만 반환합니다. True인 경우 이 함수는 Tuple(feature_extractor, unused_kwargs)를 반환하며, 여기서 unused_kwargs는 feature extractor 속성이 아닌 키/값 쌍으로 구성된 사전입니다. 즉, kwargs 중 feature_extractor를 업데이트하는 데 사용되지 않고 무시되는 부분입니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • kwargs (dict[str, Any], 선택) — kwargs의 값 중 feature extractor 속성에 해당하는 키는 로드된 값을 덮어쓰는 데 사용됩니다. 키가 feature extractor 속성이 아닌 키/값 쌍에 대한 동작은 return_unused_kwargs 키워드 매개변수로 제어됩니다.

…

인스턴스화할 프로세서 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다:

비공개 모델을 사용하려면 token=True를 전달해야 합니다.

예:

>>> from transformers import AutoProcessor

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

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

register

< >

( config_classprocessor_classexist_ok = False )

매개변수

  • config_class (PreTrainedConfig) — 등록할 모델에 해당하는 설정입니다.
  • processor_class (ProcessorMixin) — 등록할 프로세서입니다.

이 클래스에 새 프로세서를 등록합니다.

범용 모델 클래스

auto 클래스는 특정 헤드가 없는 기본 모델 클래스를 인스턴스화하는 데 사용할 수 있습니다.

AutoModel

class transformers.AutoModel

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 기본 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 기본 모델 클래스 중 하나를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

범용 사전 학습 클래스

다음과 같은 auto 클래스를 사용하면 사전 학습 헤드가 있는 모델을 인스턴스화할 수 있습니다.

AutoModelForPreTraining

클래스 transformers.AutoModelForPreTraining

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나로(프리트레이닝 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

자연어 처리

다음은 자연어 처리 작업을 위해 사용할 수 있는 자동 클래스입니다.

AutoModelForCausalLM

클래스 transformers.AutoModelForCausalLM

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForMaskedLM

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(마스크 언어 모델링 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 transformers.AutoModelForMaskGeneration

< >

( *args**kwargs )

AutoModelForSeq2SeqLM

클래스 transformers.AutoModelForSeq2SeqLM

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(시퀀스-투-시퀀스 언어 모델링 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForSequenceClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(시퀀스 분류 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(시퀀스 분류 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForMultipleChoice

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(다중 선택 헤드를 포함하여)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(다중 선택 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForNextSentencePrediction

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(다음 문장 예측 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 transformers.AutoModelForTokenClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(토큰 분류 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(토큰 분류 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 transformers.AutoModelForQuestionAnswering

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(질문 답변 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForTextEncoding

< >

( *args**kwargs )

컴퓨터 비전

다음과 같은 컴퓨터 비전 작업에 사용할 수 있는 자동 클래스가 있습니다.

AutoModelForDepthEstimation

class transformers.AutoModelForDepthEstimation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(깊이 추정 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForNormalEstimation

< >

( *args**kwargs )

이것은 일반적인 모델 클래스로, from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나(일반적인 추정 헤드를 가진)로 인스턴스화됩니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForPointmapEstimation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(점도 추정 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(점도 추정 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForImageMatting

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(이미지 매팅 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForTextRecognition

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(텍스트 인식 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

… 라이브러리의 모델 클래스 중 하나(텍스트 인식 헤드를 포함하여)를 사전 학습된 모델에서 초기화합니다.

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 transformers.AutoModelForTableRecognition

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 테이블 인식 헤드가 포함된 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForImageClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(이미지 분류 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForVideoClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나로(비디오 분류 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

… 라이브러리의 모델 클래스 중 하나(비디오 분류 헤드를 포함)를 구성에서 인스턴스화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForPoseEstimation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나(포즈 추정 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForKeypointDetection

< >

( *args**kwargs )

AutoModelForKeypointMatching

클래스 transformers.AutoModelForKeypointMatching

< >

( *args**kwargs )

AutoModelForMaskedImageModeling

class transformers.AutoModelForMaskedImageModeling

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(마스크 이미지 모델링 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForObjectDetection

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(객체 감지 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

object detection 헤드가 포함된 라이브러리의 모델 클래스 중 하나를 구성에서 인스턴스화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

object detection head가 포함된 라이브러리의 모델 클래스 중 하나를 사전 학습된 모델에서 초기화합니다.

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForImageSegmentation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(이미지 분할 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 transformers.AutoModelForImageToImage

< >

( *args**kwargs )

AutoModelForSemanticSegmentation

class transformers.AutoModelForSemanticSegmentation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(시맨틱 세그멘테이션 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

… 라이브러리의 모델 클래스 중 하나(시맨틱 세그멘테이션 헤드를 포함)를 구성에서 인스턴스화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForInstanceSegmentation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(인스턴스 분할 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(인스턴스 분할 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForUniversalSegmentation

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(보편적 이미지 분할 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForZeroShotImageClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(제로샷 이미지 분류 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForZeroShotObjectDetection

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(제로샷 객체 감지 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

오디오

다음과 같은 오디오 작업에 사용할 수 있는 자동 클래스가 있습니다.

AutoModelForAudioClassification

class transformers.AutoModelForAudioClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때 오디오 분류 헤드를 가진 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

configuration에서 라이브러리의 모델 클래스 중 하나(오디오 분류 헤드를 포함)를 초기화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForAudioFrameClassification

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 오디오 프레임(토큰) 분류 헤드를 가진 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

… 라이브러리의 모델 클래스 중 하나(오디오 프레임(토큰) 분류 헤드를 가진)를 사전 학습된 모델에서 초기화합니다.

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForCTC

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(연결주의 시간 분류 헤드 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForTDT

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(토큰-기간 트랜스듀서 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

token-and-duration transducer head를 갖춘 라이브러리의 모델 클래스 중 하나를 구성에서 인스턴스화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

token-and-duration transducer head를 갖춘 라이브러리의 모델 클래스 중 하나를 사전 학습된 모델에서 초기화합니다.

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

클래스 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.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForSpeechSeq2Seq

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(시퀀스-투-시퀀스 음성-텍스트 모델링 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class 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.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

… 라이브러리의 모델 클래스 중 하나(오디오 검색을 x-vector 헤드를 통해 수행하는 모델)를 구성에서 인스턴스화합니다.

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForTextToSpectrogram

< >

( *args**kwargs )

AutoModelForTextToWaveform

class transformers.AutoModelForTextToWaveform

< >

( *args**kwargs )

AutoModelForAudioTokenization

클래스 transformers.AutoModelForAudioTokenization

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(코드북 헤드를 통한 오디오 토큰화를 수행).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

멀티모달

다음과 같은 멀티모달 작업을 위해 다음 auto 클래스가 사용할 수 있습니다.

AutoModelForMultimodalLM

클래스 transformers.AutoModelForMultimodalLM

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나(멀티모달 생성 헤드를 포함)로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForTableQuestionAnswering

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 테이블 질문 답변 헤드를 가진 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForDocumentQuestionAnswering

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 문서 질의응답 헤드를 가진 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForVisualQuestionAnswering

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(시각 질의응답 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

class transformers.AutoModelForImageTextToText

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로 인스턴스화되는 범용 모델 클래스입니다(이미지-텍스트-텍스트 모델링 헤드를 포함).

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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

AutoModelForDecision

클래스 transformers.AutoModelForDecision

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(결정 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> from transformers import AutoConfig, AutoModelForDecision

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

from_pretrained

< >

( *model_args**kwargs )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> from transformers import AutoConfig, AutoModelForDecision

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

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

시계열

AutoModelForTimeSeriesPrediction

class transformers.AutoModelForTimeSeriesPrediction

< >

( *args**kwargs )

이것은 from_pretrained() 클래스 메서드 또는 from_config() 클래스 메서드로 생성될 때, 라이브러리의 모델 클래스 중 하나로(시계열 예측 헤드를 포함하여) 인스턴스화되는 범용 모델 클래스입니다.

이 클래스는 __init__()를 사용하여 직접 인스턴스화할 수 없습니다(에러가 발생합니다).

from_config

< >

( **kwargs )

매개변수

…

Note: 설정 파일에서 모델을 로드하는 것은 모델 가중치를 로드하지 않습니다. 모델의 설정에만 영향을 미칩니다. 모델 가중치를 로드하려면 from_pretrained()를 사용하세요.

예:

>>> 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 )

매개변수

  • pretrained_model_name_or_path (str 또는 os.PathLike) — 다음 중 하나일 수 있습니다:
    • huggingface.co의 모델 저장소에 호스팅된 사전 학습 모델의 model id를 나타내는 문자열입니다.
    • save_pretrained()를 사용하여 저장된 모델 가중치가 포함된 디렉터리의 경로입니다. 예: ./my_model_directory/.
  • model_args (추가 위치 인자, 선택 사항) — 기저 모델의 __init__() 메서드에 전달됩니다.
  • config (PreTrainedConfig, 선택 사항) — 자동 로드된 설정 대신 사용할 모델의 설정. 다음 조건을 충족하면 설정이 자동으로 로드됩니다:
    • 모델은 라이브러리가 제공하는 모델(사전 학습된 모델의 model id 문자열로 로드됨)입니다.
    • 모델은 save_pretrained()를 사용하여 저장되었으며, 저장 디렉토리를 제공하여 다시 로드됩니다.
    • 로컬 디렉토리를 pretrained_model_name_or_path로 제공하고 해당 디렉토리에 config.json이라는 이름의 구성 JSON 파일이 있으면 모델이 로드됩니다.
  • state_dict (dict[str, torch.Tensor], 선택 사항) — 저장된 가중치 파일에서 로드한 state dictionary 대신 사용할 state dictionary입니다. 사전 학습된 구성으로 모델을 생성하되 자체 가중치를 로드하려는 경우에 이 옵션을 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

    이 옵션은 사전 학습된 구성을 기반으로 모델을 생성하되, 자체 가중치를 로드하려는 경우에 사용할 수 있습니다. 이 경우 save_pretrained()와 from_pretrained()를 사용하는 것이 더 간단한 옵션인지 확인해 보시기 바랍니다.

  • cache_dir (str 또는 os.PathLike, 선택 사항) — 표준 캐시를 사용하지 않을 경우, 다운로드한 사전 학습 모델 구성을 캐시할 디렉터리의 경로입니다.
  • force_download (bool, 선택 사항, 기본값 False) — 모델 가중치 및 구성 파일의 (재)다운로드를 강제할지 여부입니다. 캐시된 버전이 존재하는 경우 이를 무시합니다.
  • proxies (dict[str, str], 선택) — 프로토콜 또는 엔드포인트별로 사용할 프록시 서버의 사전, 예: {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. 각 요청에 프록시가 사용됩니다.
  • output_loading_info(bool, optional, 기본값 False) — 누락된 키, 예상치 못한 키 및 오류 메시지를 포함하는 사전도 함께 반환할지 여부.
  • local_files_only(bool, 선택 사항, 기본값 False) — 로컬 파일만 사용할지 여부(예: 모델 다운로드를 시도하지 않음).
  • revision (str, 선택 사항, 기본값 "main") — 사용할 특정 모델 버전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID가 될 수 있습니다.
  • trust_remote_code (bool, 선택 사항, 기본값 False) — Hub에서 자체 modeling 파일로 정의된 커스텀 모델을 허용할지 여부입니다. 이 옵션은 Hub에 존재하는 코드가 로컬 머신에서 실행되므로, 신뢰할 수 있는 저장소에서만 True로 설정하고 해당 코드를 검토한 후에 사용해야 합니다.
  • code_revision (str, 선택 사항, 기본값 "main") — 모델의 나머지 부분과 다른 저장소에 코드가 있는 경우, Hub에서 사용할 특정 리비전입니다. huggingface.co에서 모델과 기타 아티팩트를 저장하기 위해 git 기반 시스템을 사용하므로, revision은 git에서 허용하는 모든 식별자, 즉 브랜치 이름, 태그 이름 또는 커밋 ID를 사용할 수 있습니다.
  • kwargs (추가 키워드 인자, 선택 사항) — 설정 객체를 로드한 후 업데이트하고 모델을 초기화하는 데 사용할 수 있습니다(예: output_attentions=True). 다음과 같이 동작하며, config 이 제공되었는지 또는 자동으로 로드되었는지에 따라 다릅니다:
    • config로 설정이 제공되면, **kwargs는 기본 모델의 __init__ 메서드에 직접 전달됩니다(설정과 관련된 모든 업데이트가 이미 수행된 것으로 가정합니다).
    • 설정이 제공되지 않으면 kwargs가 먼저 설정 클래스의 초기화 함수(from_pretrained())에 전달됩니다. kwargs의 각 키 중 설정 속성에 해당하는 키는 제공된 kwargs 값으로 해당 속성을 덮어쓰는 데 사용됩니다. 설정 속성에 해당하지 않는 나머지 키는 기본 모델의 __init__ 함수에 전달됩니다.

…

인스턴스화할 모델 클래스는 config 객체의 model_type 속성(인수로 전달되거나, 가능하면 pretrained_model_name_or_path에서 로드된 값)에 따라 선택됩니다. 해당 속성이 없으면 pretrained_model_name_or_path에 대해 패턴 매칭을 사용하는 방식으로 폴백합니다.

모델은 기본적으로 model.eval()를 사용하여 평가 모드로 설정됩니다(예를 들어, dropout 모듈이 비활성화됨). 모델을 학습하려면 먼저 model.train()를 사용하여 학습 모드로 되돌려야 합니다.

예:

>>> 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