Transformers 4.37 中文文档（十三）（2）-阿里云开发者社区

Transformers 4.37 中文文档（十三）（1）https://developer.aliyun.com/article/1564946

AgentImage

`class transformers.tools.agent_types.AgentImage`

( value )

代理返回的图像类型。行为类似于 PIL.Image。

`to_raw`

<来源>

( )

返回该对象的“原始”版本。在 AgentImage 的情况下，它是一个 PIL.Image。

`to_string`

<来源>

( )

返回该对象的字符串版本。在 AgentImage 的情况下，它是图像序列化版本的路径。

AgentAudio

`class transformers.tools.agent_types.AgentAudio`

<来源>

( value samplerate = 16000 )

代理返回的音频类型。

`to_raw`

<来源>

( )

返回该对象的“原始”版本。它是一个torch.Tensor对象。

`to_string`

<来源>

( )

返回该对象的字符串版本。在 AgentAudio 的情况下，它是音频序列化版本的路径。

自动类

原始文本：huggingface.co/docs/transformers/v4.37.2/en/model_doc/auto

在许多情况下，您想要使用的架构可以从您提供给from_pretrained()方法的预训练模型的名称或路径中猜出。AutoClasses 在这里为您执行此操作，以便根据预训练权重/配置/词汇的名称/路径自动检索相关模型。

实例化 AutoConfig、AutoModel 和 AutoTokenizer 中的一个将直接创建相关架构的类。例如

model = AutoModel.from_pretrained("bert-base-cased")

将创建一个 BertModel 的实例模型。

每个任务和每个后端（PyTorch、TensorFlow 或 Flax）都有一个AutoModel类。

扩展自动类

每个自动类都有一个方法可以用来扩展您的自定义类。例如，如果您定义了一个名为NewModel的自定义模型类，请确保有一个NewModelConfig，然后您可以像这样将它们添加到自动类中：

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

然后您就可以像通常一样使用自动类了！

如果您的NewModelConfig是 PretrainedConfig 的子类，请确保其model_type属性设置为注册配置时使用的相同键（这里是"new-model"）。

同样，如果您的NewModel是 PreTrainedModel 的子类，请确保其config_class属性设置为注册模型时使用的相同类（这里是NewModelConfig）。

AutoConfig

`class transformers.AutoConfig`

<来源>

( )

这是一个通用的配置类，当使用 from_pretrained()类方法创建时，将实例化为库的配置类之一。

这个类不能直接使用__init__()实例化（会抛出错误）。

`from_pretrained`

<来源>

( pretrained_model_name_or_path **kwargs )

参数

pretrained_model_name_or_path (str 或 os.PathLike) — 可以是：

一个字符串，预训练模型配置的模型 id，托管在 huggingface.co 上的模型存储库中。有效的模型 id 可以位于根级别，如bert-base-uncased，或者在用户或组织名称下命名空间，如dbmdz/bert-base-german-cased。
一个目录的路径，其中包含使用 save_pretrained()方法保存的配置文件，或者 save_pretrained()方法，例如 ./my_model_directory/。
一个保存的配置 JSON 文件的路径或 url，例如 ./my_model_directory/configuration.json。

cache_dir (str 或 os.PathLike, optional) — 下载的预训练模型配置应该缓存在其中的目录路径，如果不使用标准缓存。
force_download (bool, optional, 默认为 False) — 是否强制（重新）下载模型权重和配置文件，并覆盖缓存版本（如果存在）。
resume_download (bool, optional, 默认为 False) — 是否删除接收不完整的文件。如果存在这样的文件，将尝试恢复下载。
proxies（Dict[str, str]，可选）— 一个代理服务器字典，按协议或端点使用，例如，{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。这些代理在每个请求上使用。
revision（str，可选，默认为"main"）— 要使用的特定模型版本。它可以是分支名称、标签名称或提交 ID，因为我们在 huggingface.co 上使用基于 git 的系统来存储模型和其他工件，所以revision可以是 git 允许的任何标识符。
return_unused_kwargs（bool，可选，默认为False）— 如果为False，则此函数仅返回最终配置对象。
如果为True，则此函数返回一个Tuple(config, unused_kwargs)，其中unused_kwargs是一个字典，由那些键/值对组成，其键不是配置属性：即kwargs的一部分，未被用于更新config且被忽略的部分。
trust_remote_code（bool，可选，默认为False）— 是否允许在 Hub 上定义自定义模型的建模文件。此选项应仅对您信任的存储库设置为True，并且您已阅读代码，因为它将在本地机器上执行 Hub 上存在的代码。
kwargs（附加关键字参数，可选）— kwargs 中任何键的值，其为配置属性，将用于覆盖加载的值。关于键/值对中键不是配置属性的行为由return_unused_kwargs关键字参数控制。

从预训练模型配置中实例化库的配置类之一。

实例化的配置类是根据加载的配置对象的model_type属性选择的，或者当它缺失时，通过在pretrained_model_name_or_path上使用模式匹配来回退：

albert — AlbertConfig（ALBERT 模型）
align — AlignConfig（ALIGN 模型）
altclip — AltCLIPConfig（AltCLIP 模型）
audio-spectrogram-transformer — ASTConfig（音频频谱变换器模型）
autoformer — AutoformerConfig（Autoformer 模型）
bark — BarkConfig（Bark 模型）
bart — BartConfig（BART 模型）
beit — BeitConfig（BEiT 模型）
bert — BertConfig（BERT 模型）
bert-generation — BertGenerationConfig（Bert 生成模型）
big_bird — BigBirdConfig（BigBird 模型）
bigbird_pegasus — BigBirdPegasusConfig（BigBird-Pegasus 模型）
biogpt — BioGptConfig（BioGpt 模型）
bit — BitConfig（BiT 模型）
blenderbot — BlenderbotConfig（Blenderbot 模型）
blenderbot-small — BlenderbotSmallConfig（BlenderbotSmall 模型）
blip — BlipConfig (BLIP 模型)
blip-2 — Blip2Config (BLIP-2 模型)
bloom — BloomConfig (BLOOM 模型)
bridgetower — BridgeTowerConfig (BridgeTower 模型)
bros — BrosConfig (BROS 模型)
camembert — CamembertConfig (CamemBERT 模型)
canine — CanineConfig (CANINE 模型)
chinese_clip — ChineseCLIPConfig (Chinese-CLIP 模型)
clap — ClapConfig (CLAP 模型)
clip — CLIPConfig (CLIP 模型)
clip_vision_model — CLIPVisionConfig (CLIPVisionModel 模型)
clipseg — CLIPSegConfig (CLIPSeg 模型)
clvp — ClvpConfig (CLVP 模型)
code_llama — LlamaConfig (CodeLlama 模型)
codegen — CodeGenConfig (CodeGen 模型)
conditional_detr — ConditionalDetrConfig (Conditional DETR 模型)
convbert — ConvBertConfig (ConvBERT 模型)
convnext — ConvNextConfig (ConvNeXT 模型)
convnextv2 — ConvNextV2Config (ConvNeXTV2 模型)
cpmant — CpmAntConfig (CPM-Ant 模型)
ctrl — CTRLConfig (CTRL 模型)
cvt — CvtConfig (CvT 模型)
data2vec-audio — Data2VecAudioConfig (Data2VecAudio 模型)
data2vec-text — Data2VecTextConfig (Data2VecText 模型)
data2vec-vision — Data2VecVisionConfig (Data2VecVision 模型)
deberta — DebertaConfig (DeBERTa 模型)
deberta-v2 — DebertaV2Config (DeBERTa-v2 模型)
decision_transformer — DecisionTransformerConfig (Decision Transformer 模型)
deformable_detr — DeformableDetrConfig (Deformable DETR 模型)
deit — DeiTConfig (DeiT 模型)
deta — DetaConfig (DETA 模型)
detr — DetrConfig (DETR 模型)
dinat — DinatConfig (DiNAT 模型)
dinov2 — Dinov2Config (DINOv2 模型)
distilbert — DistilBertConfig (DistilBERT 模型)
donut-swin — DonutSwinConfig (DonutSwin 模型)
dpr — DPRConfig (DPR 模型)
dpt — DPTConfig (DPT 模型)
efficientformer — EfficientFormerConfig (EfficientFormer 模型)
efficientnet — EfficientNetConfig (EfficientNet 模型)
electra — ElectraConfig (ELECTRA 模型)
encodec — EncodecConfig (EnCodec 模型)
encoder-decoder — EncoderDecoderConfig (编码器解码器模型)
ernie — ErnieConfig (ERNIE 模型)
ernie_m — ErnieMConfig (ErnieM 模型)
esm — EsmConfig (ESM 模型)
falcon — FalconConfig (Falcon 模型)
fastspeech2_conformer — FastSpeech2ConformerConfig (FastSpeech2Conformer 模型)
flaubert — FlaubertConfig (FlauBERT 模型)
flava — FlavaConfig (FLAVA 模型)
fnet — FNetConfig (FNet 模型)
focalnet — FocalNetConfig (FocalNet 模型)
fsmt — FSMTConfig (FairSeq 机器翻译模型)
funnel — FunnelConfig (Funnel Transformer 模型)
fuyu — FuyuConfig (Fuyu 模型)
git — GitConfig (GIT 模型)
glpn — GLPNConfig (GLPN 模型)
gpt-sw3 — GPT2Config (GPT-Sw3 模型)
gpt2 — GPT2Config (OpenAI GPT-2 模型)
gpt_bigcode — GPTBigCodeConfig (GPTBigCode 模型)
gpt_neo — GPTNeoConfig (GPT Neo 模型)
gpt_neox — GPTNeoXConfig (GPT NeoX 模型)
gpt_neox_japanese — GPTNeoXJapaneseConfig (GPT NeoX 日语模型)
gptj — GPTJConfig (GPT-J 模型)
gptsan-japanese — GPTSanJapaneseConfig（GPTSAN-japanese 模型）
graphormer — GraphormerConfig（Graphormer 模型）
groupvit — GroupViTConfig（GroupViT 模型）
hubert — HubertConfig（Hubert 模型）
ibert — IBertConfig（I-BERT 模型）
idefics — IdeficsConfig（IDEFICS 模型）
imagegpt — ImageGPTConfig（ImageGPT 模型）
informer — InformerConfig（Informer 模型）
instructblip — InstructBlipConfig（InstructBLIP 模型）
jukebox — JukeboxConfig（Jukebox 模型）
kosmos-2 — Kosmos2Config（KOSMOS-2 模型）
layoutlm — LayoutLMConfig（LayoutLM 模型）
layoutlmv2 — LayoutLMv2Config（LayoutLMv2 模型）
layoutlmv3 — LayoutLMv3Config（LayoutLMv3 模型）
led — LEDConfig（LED 模型）
levit — LevitConfig（LeViT 模型）
lilt — LiltConfig（LiLT 模型）
llama — LlamaConfig（LLaMA 模型）
llava — LlavaConfig（LLaVa 模型）
longformer — LongformerConfig（Longformer 模型）
longt5 — LongT5Config（LongT5 模型）
luke — LukeConfig（LUKE 模型）
lxmert — LxmertConfig（LXMERT 模型）
m2m_100 — M2M100Config（M2M100 模型）
marian — MarianConfig（Marian 模型）
markuplm — MarkupLMConfig（MarkupLM 模型）
mask2former — Mask2FormerConfig（Mask2Former 模型）
maskformer — MaskFormerConfig（MaskFormer 模型）
maskformer-swin — MaskFormerSwinConfig（MaskFormerSwin 模型）
mbart — MBartConfig（mBART 模型）
mctct — MCTCTConfig（M-CTC-T 模型）
mega — MegaConfig（MEGA 模型）
megatron-bert — MegatronBertConfig（Megatron-BERT 模型）
mgp-str — MgpstrConfig (MGP-STR 模型)
mistral — MistralConfig (Mistral 模型)
mixtral — MixtralConfig (Mixtral 模型)
mobilebert — MobileBertConfig (MobileBERT 模型)
mobilenet_v1 — MobileNetV1Config (MobileNetV1 模型)
mobilenet_v2 — MobileNetV2Config (MobileNetV2 模型)
mobilevit — MobileViTConfig (MobileViT 模型)
mobilevitv2 — MobileViTV2Config (MobileViTV2 模型)
mpnet — MPNetConfig (MPNet 模型)
mpt — MptConfig (MPT 模型)
mra — MraConfig (MRA 模型)
mt5 — MT5Config (MT5 模型)
musicgen — MusicgenConfig (MusicGen 模型)
mvp — MvpConfig (MVP 模型)
nat — NatConfig (NAT 模型)
nezha — NezhaConfig (Nezha 模型)
nllb-moe — NllbMoeConfig (NLLB-MOE 模型)
nougat — VisionEncoderDecoderConfig (Nougat 模型)
nystromformer — NystromformerConfig (Nyströmformer 模型)
oneformer — OneFormerConfig (OneFormer 模型)
open-llama — OpenLlamaConfig (OpenLlama 模型)
openai-gpt — OpenAIGPTConfig (OpenAI GPT 模型)
opt — OPTConfig (OPT 模型)
owlv2 — Owlv2Config (OWLv2 模型)
owlvit — OwlViTConfig (OWL-ViT 模型)
patchtsmixer — PatchTSMixerConfig (PatchTSMixer 模型)
patchtst — PatchTSTConfig (PatchTST 模型)
pegasus — PegasusConfig (Pegasus 模型)
pegasus_x — PegasusXConfig (PEGASUS-X 模型)
perceiver — PerceiverConfig (Perceiver 模型)
persimmon — PersimmonConfig (Persimmon 模型)
phi — PhiConfig (Phi 模型)
pix2struct — Pix2StructConfig (Pix2Struct 模型)
plbart — PLBartConfig (PLBart 模型)
poolformer — PoolFormerConfig (PoolFormer 模型)
pop2piano — Pop2PianoConfig (Pop2Piano 模型)
prophetnet — ProphetNetConfig (ProphetNet 模型)
pvt — PvtConfig (PVT 模型)
qdqbert — QDQBertConfig (QDQBert 模型)
qwen2 — Qwen2Config (Qwen2 模型)
rag — RagConfig (RAG 模型)
realm — RealmConfig (REALM 模型)
reformer — ReformerConfig (Reformer 模型)
regnet — RegNetConfig (RegNet 模型)
rembert — RemBertConfig (RemBERT 模型)
resnet — ResNetConfig (ResNet 模型)
retribert — RetriBertConfig (RetriBERT 模型)
roberta — RobertaConfig (RoBERTa 模型)
roberta-prelayernorm — RobertaPreLayerNormConfig (RoBERTa-PreLayerNorm 模型)
roc_bert — RoCBertConfig (RoCBert 模型)
roformer — RoFormerConfig (RoFormer 模型)
rwkv — RwkvConfig (RWKV 模型)
sam — SamConfig (SAM 模型)
seamless_m4t — SeamlessM4TConfig (SeamlessM4T 模型)
seamless_m4t_v2 — SeamlessM4Tv2Config (SeamlessM4Tv2 模型)
segformer — SegformerConfig (SegFormer 模型)
sew — SEWConfig (SEW 模型)
sew-d — SEWDConfig (SEW-D 模型)
siglip — SiglipConfig (SigLIP 模型)
siglip_vision_model — SiglipVisionConfig (SiglipVisionModel 模型)
speech-encoder-decoder — SpeechEncoderDecoderConfig (Speech 编码器解码器模型)
speech_to_text — Speech2TextConfig (Speech2Text 模型)
speech_to_text_2 — Speech2Text2Config (Speech2Text2 模型)
speecht5 — SpeechT5Config (SpeechT5 模型)
splinter — SplinterConfig (Splinter 模型)
squeezebert — SqueezeBertConfig (SqueezeBERT 模型)
swiftformer — SwiftFormerConfig (SwiftFormer 模型)
swin — SwinConfig (Swin Transformer 模型)
swin2sr — Swin2SRConfig (Swin2SR 模型)
swinv2 — Swinv2Config (Swin Transformer V2 模型)
switch_transformers — SwitchTransformersConfig (SwitchTransformers 模型)
t5 — T5Config (T5 模型)
table-transformer — TableTransformerConfig (Table Transformer 模型)
tapas — TapasConfig (TAPAS 模型)
time_series_transformer — TimeSeriesTransformerConfig (Time Series Transformer 模型)
timesformer — TimesformerConfig (TimeSformer 模型)
timm_backbone — TimmBackboneConfig (TimmBackbone 模型)
trajectory_transformer — TrajectoryTransformerConfig (Trajectory Transformer 模型)
transfo-xl — TransfoXLConfig (Transformer-XL 模型)
trocr — TrOCRConfig (TrOCR 模型)
tvlt — TvltConfig (TVLT 模型)
tvp — TvpConfig (TVP 模型)
umt5 — UMT5Config (UMT5 模型)
unispeech — UniSpeechConfig (UniSpeech 模型)
unispeech-sat — UniSpeechSatConfig (UniSpeechSat 模型)
univnet — UnivNetConfig (UnivNet 模型)
upernet — UperNetConfig (UPerNet 模型)
van — VanConfig (VAN 模型)
videomae — VideoMAEConfig (VideoMAE 模型)
vilt — ViltConfig (ViLT 模型)
vipllava — VipLlavaConfig (VipLlava 模型)
vision-encoder-decoder — VisionEncoderDecoderConfig (Vision Encoder decoder 模型)
vision-text-dual-encoder — VisionTextDualEncoderConfig (VisionTextDualEncoder 模型)
visual_bert — VisualBertConfig（VisualBERT 模型）
vit — ViTConfig（ViT 模型）
vit_hybrid — ViTHybridConfig（ViT 混合模型）
vit_mae — ViTMAEConfig（ViTMAE 模型）
vit_msn — ViTMSNConfig（ViTMSN 模型）
vitdet — VitDetConfig（VitDet 模型）
vitmatte — VitMatteConfig（ViTMatte 模型）
vits — VitsConfig（VITS 模型）
vivit — VivitConfig（ViViT 模型）
wav2vec2 — Wav2Vec2Config（Wav2Vec2 模型）
wav2vec2-bert — Wav2Vec2BertConfig（Wav2Vec2-BERT 模型）
wav2vec2-conformer — Wav2Vec2ConformerConfig（Wav2Vec2-Conformer 模型）
wavlm — WavLMConfig（WavLM 模型）
whisper — WhisperConfig（Whisper 模型）
xclip — XCLIPConfig（X-CLIP 模型）
xglm — XGLMConfig（XGLM 模型）
xlm — XLMConfig（XLM 模型）
xlm-prophetnet — XLMProphetNetConfig（XLM-ProphetNet 模型）
xlm-roberta — XLMRobertaConfig（XLM-RoBERTa 模型）
xlm-roberta-xl — XLMRobertaXLConfig（XLM-RoBERTa-XL 模型）
xlnet — XLNetConfig（XLNet 模型）
xmod — XmodConfig（X-MOD 模型）
yolos — YolosConfig（YOLOS 模型）
yoso — YosoConfig（YOSO 模型）

示例：

>>> from transformers import AutoConfig
>>> # Download configuration from huggingface.co and cache.
>>> config = AutoConfig.from_pretrained("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("bert-base-uncased", output_attentions=True, foo=False)
>>> config.output_attentions
True
>>> config, unused_kwargs = AutoConfig.from_pretrained(
...     "bert-base-uncased", output_attentions=True, foo=False, return_unused_kwargs=True
... )
>>> config.output_attentions
True
>>> unused_kwargs
{'foo': False}

`register`

<来源>

( model_type config exist_ok = False )

参数

model_type（str）— 模型类型，如“bert”或“gpt”。
config（PretrainedConfig）— 要注册的配置。

为这个类注册一个新的配置。

Transformers 4.37 中文文档（十三）（3）https://developer.aliyun.com/article/1564948

Transformers 4.37 中文文档（十三）（2）

AgentImage

`class transformers.tools.agent_types.AgentImage`

`to_raw`

`to_string`

AgentAudio

`class transformers.tools.agent_types.AgentAudio`

`to_raw`

`to_string`

自动类

扩展自动类

AutoConfig

`class transformers.AutoConfig`

`from_pretrained`

`register`

热门文章

最新文章

相关电子书

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

Transformers 4.37 中文文档（十三）（2）

AgentImage

class transformers.tools.agent_types.AgentImage

to_raw

to_string

AgentAudio

class transformers.tools.agent_types.AgentAudio

to_raw

to_string

自动类

扩展自动类

AutoConfig

class transformers.AutoConfig

from_pretrained

register

热门文章

最新文章

相关电子书

`class transformers.tools.agent_types.AgentImage`

`to_raw`

`to_string`

`class transformers.tools.agent_types.AgentAudio`

`to_raw`

`to_string`

`class transformers.AutoConfig`

`from_pretrained`

`register`