Buckets:
LoRA
تُعد LoRA طريقة تدريب سريعة وخفيفة تُدخل وتدرّب عددًا أصغر بكثير من المعاملات بدلاً من جميع معاملات النموذج. ينتج عن ذلك ملف أصغر (حوالي 100 ميغابايت) ويجعل من السهل تدريب نموذج بسرعة ليتعلم مفهومًا جديدًا. عادةً ما تُحمَّل أوزان LoRA في مُزيل الضوضاء أو مُشفّر النص أو كليهما. يتوافق مُزيل الضوضاء عادةً مع UNet (مثل UNet2DConditionModel) أو Transformer (مثل SD3Transformer2DModel). توجد عدة فئات لتحميل أوزان LoRA:
StableDiffusionLoraLoaderMixinيوفر دوالًا لتحميل أوزان LoRA وإلغاء تحميلها، ودمجها وفك دمجها، وتمكينها وتعطيلها، بالإضافة إلى دوال أخرى لإدارة أوزان LoRA. يمكن استخدام هذه الفئة مع أي نموذج.StableDiffusionXLLoraLoaderMixinهي نسخة Stable Diffusion (SDXL) من فئةStableDiffusionLoraLoaderMixinلتحميل وحفظ أوزان LoRA. لا يمكن استخدامها إلا مع نموذج SDXL.SD3LoraLoaderMixinيوفر وظائف مشابهة لـ Stable Diffusion 3.FluxLoraLoaderMixinيوفر وظائف مشابهة لـ Flux.CogVideoXLoraLoaderMixinيوفر وظائف مشابهة لـ CogVideoX.Mochi1LoraLoaderMixinيوفر وظائف مشابهة لـ Mochi.AuraFlowLoraLoaderMixinيوفر وظائف مشابهة لـ AuraFlow.LTXVideoLoraLoaderMixinيوفر وظائف مشابهة لـ LTX-Video.SanaLoraLoaderMixinيوفر وظائف مشابهة لـ Sana.HeliosLoraLoaderMixinيوفر وظائف مشابهة لـ HunyuanVideo.HunyuanVideoLoraLoaderMixinيوفر وظائف مشابهة لـ HunyuanVideo.Lumina2LoraLoaderMixinيوفر وظائف مشابهة لـ Lumina2.WanLoraLoaderMixinيوفر وظائف مشابهة لـ Wan.SkyReelsV2LoraLoaderMixinيوفر وظائف مشابهة لـ SkyReels-V2.CogView4LoraLoaderMixinيوفر وظائف مشابهة لـ CogView4.AmusedLoraLoaderMixinمخصص لـAmusedPipeline.AnimaLoraLoaderMixinيوفر وظائف مشابهة لـ Anima.AceStepLoraLoaderMixinيوفر وظائف مشابهة لـ ACE-Step.HiDreamImageLoraLoaderMixinيوفر وظائف مشابهة لـ HiDream ImageQwenImageLoraLoaderMixinيوفر وظائف مشابهة لـ Qwen Image.ZImageLoraLoaderMixinيوفر وظائف مشابهة لـ Z-Image.Flux2LoraLoaderMixinيوفر وظائف مشابهة لـ Flux2.ErnieImageLoraLoaderMixinيوفر وظائف مشابهة لـ Ernie-Image.LTX2LoraLoaderMixinيوفر وظائف مشابهة لـ Flux2.MiniMaxH3LoraLoaderMixinيوفر وظائف مشابهة لـ MiniMax-H3.PikaH3FlexLoraLoaderMixinيوفر وظائف مشابهة لـ Pika H3 Flex.RFD4ProteinaLoraLoaderMixinيوفر وظائف مشابهة لـ RFD4-Proteína.BriaFibo2LoraLoaderMixinيوفر وظائف مشابهة لـ fibo-2.LoraBaseMixinيوفر فئة أساسية تتضمن عدة طرق مساعدة لدمج LoRAs وإلغاء الدمج والتفريغ وغيرها.
للتعرف على المزيد حول كيفية تحميل أوزان LoRA، راجد دليل تحميل LoRA.
RFD4ProteinaLoraLoaderMixin[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin]]
diffusers.loaders.RFD4ProteinaLoraLoaderMixin[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin]]
diffusers.loaders.RFD4ProteinaLoraLoaderMixin()
حمّل طبقات LoRA في RFD4ProteinaTransformer.
يُقرَن مُشفِّر-المُفكِّك (autoencoder) مع نقطة الفحص (checkpoint) الخاصة بإزالة الضوضاء، ولا يخضع للتكيّف، لذا فإن المحوّل (transformer) هو الوحدة القابلة للتحميل الوحيدة.
fuse_lora[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin()
فئة مساعدة للتعامل مع LoRAs.
delete_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.delete_adapters]]
delete_adapters(adapter_names: list[str] | str)
المعاملات:
adapter_names (list[str, str]) : أسماء المُكيّفات التي سيتم حذفها.
احذف طبقات LoRA الخاصة بالمُكيّف من خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_names="cinematic"
)
pipeline.delete_adapters("cinematic")
disable_lora[[diffusers.loaders.lora_base.LoraBaseMixin.disable_lora]]
disable_lora()
يعطّل طبقات LoRA النشطة في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.disable_lora()
enable_lora[[diffusers.loaders.lora_base.LoraBaseMixin.enable_lora]]
enable_lora()
يُفعّل طبقات LoRA النشطة في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.enable_lora()
enable_lora_hotswap[[diffusers.loaders.lora_base.LoraBaseMixin.enable_lora_hotswap]]
enable_lora_hotswap(**kwargs)
المعاملات:
target_rank (int) : أعلى رتبة بين جميع المُكيِّفات التي سيتم تحميلها.
check_compiled (str، اختياري، القيمة الافتراضية "error") : كيفية التعامل مع نموذج مُجمَّع مسبقًا. يمكن أن تُرجع الفحوصات الرسائل التالية: - "error" (الافتراضي): يرمي خطأ - "warn": يُصدر تحذيرًا - "ignore": لا يفعل شيئًا
استبدل المُكيِّفات (Adapters) دون تفعيل إعادة تجميع النموذج أو في حال اختلاف رتب المُكيِّفات المُحمَّلة.
fuse_lora[[diffusers.loaders.lora_base.LoraBaseMixin.fuse_lora]]
fuse_lora(components: list[str] | None = None, lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
المعاملات:
components : (list[str]): قائمة بمكونات LoRA القابلة للحقن لدمج LoRAs فيها.
lora_scale (float، القيمة الافتراضية 1.0) : يتحكم في مقدار تأثير معاملات LoRA على المخرجات.
safe_fusing (bool، القيمة الافتراضية False) : ما إذا كان سيتم فحص الأوزان المدمجة بحثًا عن قيم NaN قبل الدمج، وعدم دمجها إذا كانت القيم NaN.
adapter_names (list[str]، اختياري) : أسماء المُكيِّفات (Adapters) التي سيتم استخدامها للدمج. إذا لم يتم تمرير أي شيء، فسيتم دمج جميع المُكيِّفات النشطة.
يُدمج معاملات LoRA في المعاملات الأصلية للكتل المقابلة.
مثال:
from diffusers import DiffusionPipeline
import torch
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights("nerijs/pixel-art-xl", weight_name="pixel-art-xl.safetensors", adapter_name="pixel")
pipeline.fuse_lora(lora_scale=0.7)
get_active_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.get_active_adapters]]
get_active_adapters()
يحصل على قائمة المُكيِّفات النشطة حاليًا.
مثال:
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0",
).to("cuda")
pipeline.load_lora_weights("CiroN2022/toy-face", weight_name="toy_face_sdxl.safetensors", adapter_name="toy")
pipeline.get_active_adapters()
get_list_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.get_list_adapters]]
get_list_adapters()
يحصل على القائمة الحالية لجميع المحوِّلات المتاحة في خط المعالجة.
set_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.set_adapters]]
set_adapters(adapter_names: list[str] | str, adapter_weights: float | dict[str, float | dict | None] | list[float | dict[str, float | dict | None] | None] | None = None)
المعاملات:
adapter_names (list[str] أو str) : أسماء المُكيِّفات (adapters) المراد استخدامها.
adapter_weights (float أو dict أو list، اختياري) : أوزان المُكيِّفات. يُقيِّم العدد القياسي جميع المكونات المتوافقة مع LoRA. تُخاطِب القاموس أسماء المكونات (مثل "unet" أو "transformer" أو "text_encoder") إلى الأوزان؛ ويمكن أن يكون وزن مكوّن UNet قاموسًا متداخلًا لمقاييس الكتل. يُطبَّق العدد القياسي الواحد أو القاموس على كل مُكيِّف. يجب أن تحتوي القائمة على عدد قياسي واحد أو قاموس أو None لكل مُكيِّف، بترتيب adapter_names. القيمة الافتراضية لـNone هي 1.0، بما في ذلك إدخالات القائمة وأوزان المكونات. القيمة الافتراضية للمكونات غير المحددة وكتل UNet هي أيضًا 1.0.
اضبط المُكيِّفات النشطة حاليًا للاستخدام في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.load_lora_weights(
"troveski/sdxl-lora", weight_name="pytorch_lora_weights.safetensors", adapter_name="illustration"
)
pipeline.set_adapters(["cinematic", "illustration"], adapter_weights=[0.5, 0.5])
pipeline.set_adapters(
["cinematic", "illustration"],
adapter_weights=[{"unet": 0.5}, {"unet": 0.8, "text_encoder": 0.6}],
)
set_lora_device[[diffusers.loaders.lora_base.LoraBaseMixin.set_lora_device]]
set_lora_device(adapter_names: list[str], device: torch.device | str | int)
المعاملات:
adapter_names (list[str]) : قائمة بالمُكيِّفات المراد إرسال الجهاز إليها.
device (torch.device | str | int) : الجهاز المراد إرسال المُكيّفات (adapters) إليه. يمكن أن يكون جهاز torch أو نصًا (str) أو عددًا صحيحًا (int).
ينقل وحدات LoRA المدرجة في adapter_names إلى جهاز الهدف. مفيد لتحميل وحدة LoRA إلى وحدة المعالجة المركزية (CPU) في حال رغبتك في تحميل عدة وحدات تكيفية وتحرير بعض ذاكرة وحدة معالجة الرسوميات (GPU).
بعد نقل محولات LoRA إلى وحدة المعالجة المركزية (CPU)، طالما أن بقية النموذج لا تزال على وحدة معالجة الرسوميات (GPU)، لم يعد من الممكن استخدام محولات LoRA للاستدلال، لأن ذلك سيؤدي إلى عدم تطابق الأجهزة. تذكّر بإعادة ضبط الجهاز إلى وحدة معالجة الرسوميات (GPU) قبل استخدام تلك محولات LoRA للاستدلال.
>>> pipe.load_lora_weights(path_1, adapter_name="adapter-1")
>>> pipe.load_lora_weights(path_2, adapter_name="adapter-2")
>>> pipe.set_adapters("adapter-1")
>>> image_1 = pipe(**kwargs)
>>> # switch to adapter-2, offload adapter-1
>>> pipeline.set_lora_device(adapter_names=["adapter-1"], device="cpu")
>>> pipeline.set_lora_device(adapter_names=["adapter-2"], device="cuda:0")
>>> pipe.set_adapters("adapter-2")
>>> image_2 = pipe(**kwargs)
>>> # switch back to adapter-1, offload adapter-2
>>> pipeline.set_lora_device(adapter_names=["adapter-2"], device="cpu")
>>> pipeline.set_lora_device(adapter_names=["adapter-1"], device="cuda:0")
>>> pipe.set_adapters("adapter-1")
>>> ...
unfuse_lora[[diffusers.loaders.lora_base.LoraBaseMixin.unfuse_lora]]
unfuse_lora(components: list[str] | None = None, **kwargs)
المعاملات:
components (list[str]) : قائمة بالمكونات القابلة لحقن LoRA لإزالة LoRA منها.
unfuse_unet (bool، القيمة الافتراضية True) : ما إذا كان سيتم فك دمج معاملات LoRA الخاصة بـ UNet.
unfuse_text_encoder (bool، القيمة الافتراضية True) : ما إذا كان سيتم فك دمج معاملات LoRA لمشفّر النص. إذا لم يتم تعديل مشفّر النص باستخدام معاملات LoRA، فلن يكون لهذا الخيار أي تأثير.
يعكس تأثير pipe.fuse_lora().
unload_lora_weights[[diffusers.loaders.lora_base.LoraBaseMixin.unload_lora_weights]]
unload_lora_weights()
يفكك معاملات LoRA.
أمثلة:
>>> # Assuming `pipeline` is already loaded with the LoRA parameters.
>>> pipeline.unload_lora_weights()
>>> ...
write_lora_layers[[diffusers.loaders.lora_base.LoraBaseMixin.write_lora_layers]]
write_lora_layers(state_dict: dict[str, torch.Tensor], save_directory: str, is_main_process: bool, weight_name: str, save_function: Callable, safe_serialization: bool, lora_adapter_metadata: dict | None = None)
يكتب حالة طبقات LoRA (مع البيانات الوصفية اختيارياً) على القرص.
StableDiffusionLoraLoaderMixin[[diffusers.loaders.StableDiffusionLoraLoaderMixin]]
diffusers.loaders.StableDiffusionLoraLoaderMixin[[diffusers.loaders.StableDiffusionLoraLoaderMixin]]
diffusers.loaders.StableDiffusionLoraLoaderMixin()
حمّل طبقات LoRA إلى نموذج Stable Diffusion UNet2DConditionModel وCLIPTextModel.
load_lora_into_text_encoder[[diffusers.loaders.StableDiffusionLoraLoaderMixin.load_lora_into_text_encoder]]
load_lora_into_text_encoder(state_dict, network_alphas, text_encoder, prefix = None, lora_scale = 1.0, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يجب أن يبدأ المفتاح ببادئة إضافية text_encoder للتمييز بين طبقات lora الخاصة بـ unet.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
text_encoder (CLIPTextModel) : نموذج مُشفِّر النص الذي سيتم تحميل طبقات LoRA فيه.
prefix (str) : البادئة المتوقعة لـ text_encoder في state_dict.
lora_scale (float) : مقدار توسيع مخرج طبقة lora الخطية قبل إضافته إلى مخرج طبقة lora العادية.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict إلى text_encoder
load_lora_into_unet[[diffusers.loaders.StableDiffusionLoraLoaderMixin.load_lora_into_unet]]
load_lora_into_unet(state_dict, network_alphas, unet, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يمكن أن تكون المفاتيح إما مفهرسة مباشرةً في unet أو مُسبوقة ببادئة إضافية unet يمكن استخدامها للتمييز بين طبقات lora في مُشفّر النص.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
unet (UNet2DConditionModel) : نموذج UNet الذي سيتم تحميل طبقات LoRA فيه.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict داخل unet.
load_lora_weights[[diffusers.loaders.StableDiffusionLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
المعاملات:
pretrained_model_name_or_path_or_dict (str أو os.PathLike أو dict) : راجع lora_state_dict().
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool, اختياري) : القيمة الافتراضية هي False. ما إذا كان يجب استبدال مُكيّف (LoRA) موجود بمُكيّف جديد تم تحميله في مكانه. وهذا يعني أنه، بدلاً من تحميل مُكيّف إضافي، سيتم أخذ أوزان المُكيّف الحالي واستبدالها بأوزان المُكيّف الجديد. يمكن أن يكون هذا أسرع وأكثر كفاءة في استخدام الذاكرة. ومع ذلك، فإن الميزة الرئيسية للاستبدال الساخن هي أنه عند تجميع النموذج باستخدام torch.compile، فإن تحميل المُكيّف الجديد لا يتطلب إعادة تجميع النموذج. عند استخدام الاستبدال الساخن، يجب أن يكون adapter_name المُمرَّر هو اسم مُكيّف تم تحميله بالفعل. إذا كان للمُكيّف الجديد والمُكيّف القديم رتب مختلفة و/أو قيم LoRA alpha (أي التوسع)، فستحتاج إلى استدعاء طريقة إضافية قبل تحميل المُكيّف: py pipeline = ... # load diffusers pipeline max_rank = ... # the highest rank among all LoRAs that you want to load # call *before* compiling and loading the LoRA adapter pipeline.enable_lora_hotswap(target_rank=max_rank) pipeline.load_lora_weights(file_name) # optionally compile the model now لاحظ أن استبدال مُكيّفات مُشفّر النص غير مدعوم بعد. هناك بعض القيود الإضافية على هذه التقنية، وهي موثقة هنا: https://huggingface.co/docs/peft/main/en/package_reference/hotswap
kwargs (dict، اختياري) : راجع lora_state_dict().
حمّل أوزان LoRA المحددة في pretrained_model_name_or_path_or_dict إلى self.unet وself.text_encoder.
تُمرَّر جميع معاملات kwargs إلى self.lora_state_dict.
راجع lora_state_dict() لمزيد من التفاصيل حول كيفية تحميل قاموس الحالة.
راجع load_lora_into_unet() لمزيد من التفاصيل حول كيفية تحميل قاموس الحالة في self.unet.
راجع load_lora_into_text_encoder() لمزيد من التفاصيل حول كيفية تحميل state dict في self.text_encoder.
lora_state_dict[[diffusers.loaders.StableDiffusionLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
المعاملات:
pretrained_model_name_or_path_or_dict (str أو os.PathLike أو dict) : يمكن أن يكون أحد ما يلي: - نص، وهو معرف النموذج (مثل google/ddpm-celebahq-256) لنموذج مُدرَّب مسبقًا مستضاف على Hub. - مسار إلى مجلد (مثل ./my_model_directory) يحتوي على أوزان النموذج المحفوظة باستخدام ModelMixin.save_pretrained(). - قاموس حالة torch.
cache_dir (str | os.PathLike، اختياري) : مسار إلى مجلد حيث تُخزَّن مؤقتًا إعدادات النموذج المُسبق التحميل المُحمَّل إذا لم يُستخدم التخزين المؤقت القياسي.
force_download (bool، اختياري، القيمة الافتراضية False) : ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتًا إذا كانت موجودة.
proxies (dict[str, str]، اختياري) : قاموس لخوادم الوكيل (proxy servers) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال، {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
local_files_only (bool، اختياري، القيمة الافتراضية False) : ما إذا كان سيتم تحميل أوزان النموذج المحلية وملفات الإعداد فقط أم لا. إذا تم ضبطه على True، فلن يتم تنزيل النموذج من Hub.
token (str أو bool، اختياري) : الرمز الذي يُستخدم كتوكن مصادقة HTTP bearer للملفات البعيدة. إذا كان True، يُستخدم التوكن المولّد من diffusers-cli login (المخزَّن في ~/.huggingface).
revision (str، اختياري، القيمة الافتراضية "main") : إصدار النموذج المحدد الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف التزامن، أو أي معرّف مسموح به بواسطة Git.
subfolder (str، اختياري، القيمة الافتراضية "") : موقع المجلد الفرعي لملف النموذج داخل مستودع نموذج أكبر على Hub أو محليًا.
weight_name (str، اختياري، القيمة الافتراضية هي None) : اسم ملف state dict المُسلسَل.
return_lora_metadata (bool، اختياري، الافتراضي False) : عند التفعيل، يُرجع أيضًا بيانات وصفية لمُكيّف LoRA، والتي تُوجد عادةً في state dict.
إرجاع حالة القاموس (state dict) لأوزان lora وقيم الشبكة ألفا (network alphas).
> ندعم تحميل نقاط التفتيش LoRA بتنسيق A1111 بسعة محدودة. > > هذه الدالة تجريبي وقد يتغير في المستقبل.
save_lora_weights[[diffusers.loaders.StableDiffusionLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, unet_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_lora_layers: dict[str, torch.nn.Module] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, unet_lora_adapter_metadata = None, text_encoder_lora_adapter_metadata = None)
المعاملات:
save_directory (str أو os.PathLike) : المجلد الذي سيتم حفظ معلمات LoRA فيه. سيتم إنشاؤه إذا لم يكن موجودًا.
unet_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة (State dict) لطبقات LoRA المقابلة لـ unet.
text_encoder_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة (State dict) لطبقات LoRA المقابلة لـ text_encoder. يجب تمرير قاموس حالة LoRA الخاص بمشفر النص صراحةً لأنه يأتي من 🤗 Transformers.
is_main_process (bool، اختياري، القيمة الافتراضية True) : ما إذا كان العملية التي تستدعي هذا هي العملية الرئيسية أم لا. مفيد أثناء التدريب الموزع عندما تحتاج إلى استدعاء هذه الدالة على جميع العمليات. في هذه الحالة، اضبط is_main_process=True على العملية الرئيسية فقط لتجنب حالات السباق.
save_function (Callable) : الدالة المستخدمة لحفظ قاموس الحالة. مفيدة أثناء التدريب الموزع عندما تحتاج إلى استبدال torch.save بطريقة أخرى. يمكن ضبطها باستخدام متغير البيئة DIFFUSERS_SAVE_MODE.
safe_serialization (bool، اختياري، الافتراضي True) : ما إذا كان سيتم حفظ النموذج باستخدام safetensors أو بالطريقة التقليدية الخاصة بـ PyTorch باستخدام pickle.
unet_lora_adapter_metadata : بيانات الوصف (metadata) الخاصة بمحوّل LoRA المرتبط بـ unet والتي سيتم تسلسلها مع state dict.
text_encoder_lora_adapter_metadata : بيانات الوصف (البيانات الوصفية) الخاصة بمحوّل LoRA المرتبط بترميز النص، والتي سيتم تسلسلها مع قاموس الحالة.
احفظ معاملات LoRA المقابلة لـ UNet ومشفّر النص.
StableDiffusionXLLoraLoaderMixin[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin]]
diffusers.loaders.StableDiffusionXLLoraLoaderMixin[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin]]
diffusers.loaders.StableDiffusionXLLoraLoaderMixin()
تحميل طبقات LoRA إلى Stable Diffusion XL UNet2DConditionModel وCLIPTextModel وCLIPTextModelWithProjection.
fuse_lora[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['unet', 'text_encoder', 'text_encoder_2'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_text_encoder[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.load_lora_into_text_encoder]]
load_lora_into_text_encoder(state_dict, network_alphas, text_encoder, prefix = None, lora_scale = 1.0, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يجب أن يبدأ المفتاح ببادئة إضافية text_encoder للتمييز بين طبقات lora الخاصة بـ unet.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
text_encoder (CLIPTextModel) : نموذج مُشفِّر النص الذي سيتم تحميل طبقات LoRA فيه.
prefix (str) : البادئة المتوقعة لـ text_encoder في state_dict.
lora_scale (float) : مقدار توسيع مخرج طبقة lora الخطية قبل إضافته إلى مخرج طبقة lora العادية.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict إلى text_encoder
load_lora_into_unet[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.load_lora_into_unet]]
load_lora_into_unet(state_dict, network_alphas, unet, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يمكن أن تكون المفاتيح إما مفهرسة مباشرةً في unet أو مُسبوقة ببادئة إضافية unet يمكن استخدامها للتمييز بين طبقات lora في مُشفّر النص.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
unet (UNet2DConditionModel) : نموذج UNet الذي سيتم تحميل طبقات LoRA فيه.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict داخل unet.
load_lora_weights[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
المعاملات:
pretrained_model_name_or_path_or_dict (str أو os.PathLike أو dict) : يمكن أن يكون أحد ما يلي: - نص، وهو معرف النموذج (مثل google/ddpm-celebahq-256) لنموذج مُدرَّب مسبقًا مستضاف على Hub. - مسار إلى مجلد (مثل ./my_model_directory) يحتوي على أوزان النموذج المحفوظة باستخدام ModelMixin.save_pretrained(). - قاموس حالة torch.
cache_dir (str | os.PathLike، اختياري) : مسار إلى مجلد حيث تُخزَّن مؤقتًا إعدادات النموذج المُسبق التحميل المُحمَّل إذا لم يُستخدم التخزين المؤقت القياسي.
force_download (bool، اختياري، القيمة الافتراضية False) : ما إذا كان يجب إجبار إعادة تنزيل أوزان النموذج وملفات الإعداد، مع تجاوز النسخ المخزنة مؤقتًا إذا كانت موجودة.
proxies (dict[str, str]، اختياري) : قاموس لخوادم الوكيل (proxy servers) للاستخدام حسب البروتوكول أو نقطة النهاية، على سبيل المثال، {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. تُستخدم هذه الوكلاء في كل طلب.
local_files_only (bool، اختياري، القيمة الافتراضية False) : ما إذا كان سيتم تحميل أوزان النموذج المحلية وملفات الإعداد فقط أم لا. إذا تم ضبطه على True، فلن يتم تنزيل النموذج من Hub.
token (str أو bool، اختياري) : الرمز الذي يُستخدم كتوكن مصادقة HTTP bearer للملفات البعيدة. إذا كان True، يُستخدم التوكن المولّد من diffusers-cli login (المخزَّن في ~/.huggingface).
revision (str، اختياري، القيمة الافتراضية "main") : إصدار النموذج المحدد الذي سيتم استخدامه. يمكن أن يكون اسم فرع، أو اسم وسم، أو معرف التزامن، أو أي معرّف مسموح به بواسطة Git.
subfolder (str، اختياري، القيمة الافتراضية "") : موقع المجلد الفرعي لملف النموذج داخل مستودع نموذج أكبر على Hub أو محليًا.
weight_name (str، اختياري، القيمة الافتراضية هي None) : اسم ملف state dict المُسلسَل.
return_lora_metadata (bool، اختياري، الافتراضي False) : عند التفعيل، يُرجع أيضًا بيانات وصفية لمُكيّف LoRA، والتي تُوجد عادةً في state dict.
إرجاع حالة القاموس (state dict) لأوزان lora وقيم الشبكة ألفا (network alphas).
> ندعم تحميل نقاط التفتيش LoRA بتنسيق A1111 بسعة محدودة. > > هذه الدالة تجريبي وقد يتغير في المستقبل.
save_lora_weights[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, unet_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_2_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, unet_lora_adapter_metadata = None, text_encoder_lora_adapter_metadata = None, text_encoder_2_lora_adapter_metadata = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['unet', 'text_encoder', 'text_encoder_2'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
SD3LoraLoaderMixin[[diffusers.loaders.SD3LoraLoaderMixin]]
diffusers.loaders.SD3LoraLoaderMixin[[diffusers.loaders.SD3LoraLoaderMixin]]
diffusers.loaders.SD3LoraLoaderMixin()
حمّل طبقات LoRA إلى SD3Transformer2DModel وCLIPTextModel وCLIPTextModelWithProjection.
خاص بـ StableDiffusion3Pipeline.
fuse_lora[[diffusers.loaders.SD3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer', 'text_encoder', 'text_encoder_2'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_text_encoder[[diffusers.loaders.SD3LoraLoaderMixin.load_lora_into_text_encoder]]
load_lora_into_text_encoder(state_dict, network_alphas, text_encoder, prefix = None, lora_scale = 1.0, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يجب أن يبدأ المفتاح ببادئة إضافية text_encoder للتمييز بين طبقات lora الخاصة بـ unet.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
text_encoder (CLIPTextModel) : نموذج مُشفِّر النص الذي سيتم تحميل طبقات LoRA فيه.
prefix (str) : البادئة المتوقعة لـ text_encoder في state_dict.
lora_scale (float) : مقدار توسيع مخرج طبقة lora الخطية قبل إضافته إلى مخرج طبقة lora العادية.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict إلى text_encoder
load_lora_into_transformer[[diffusers.loaders.SD3LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.SD3LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.SD3LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.SD3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_2_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata = None, text_encoder_lora_adapter_metadata = None, text_encoder_2_lora_adapter_metadata = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.SD3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer', 'text_encoder', 'text_encoder_2'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
FluxLoraLoaderMixin[[diffusers.loaders.FluxLoraLoaderMixin]]
diffusers.loaders.FluxLoraLoaderMixin[[diffusers.loaders.FluxLoraLoaderMixin]]
diffusers.loaders.FluxLoraLoaderMixin()
حمّل طبقات LoRA إلى FluxTransformer2DModel، CLIPTextModel.
خاص بـ FluxPipeline.
fuse_lora[[diffusers.loaders.FluxLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
load_lora_into_text_encoder[[diffusers.loaders.FluxLoraLoaderMixin.load_lora_into_text_encoder]]
load_lora_into_text_encoder(state_dict, network_alphas, text_encoder, prefix = None, lora_scale = 1.0, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
المعاملات:
state_dict (dict) : قاموس حالة قياسي يحتوي على معاملات طبقات lora. يجب أن يبدأ المفتاح ببادئة إضافية text_encoder للتمييز بين طبقات lora الخاصة بـ unet.
network_alphas (dict[str, float]) : قيمة ألفا للشبكة المستخدمة للتعلم المستقر ومنع النقص. تحمل هذه القيمة المعنى نفسه لخيار --network_alpha في سكربت المدرب kohya-ss. راجع هذا الرابط.
text_encoder (CLIPTextModel) : نموذج مُشفِّر النص الذي سيتم تحميل طبقات LoRA فيه.
prefix (str) : البادئة المتوقعة لـ text_encoder في state_dict.
lora_scale (float) : مقدار توسيع مخرج طبقة lora الخطية قبل إضافته إلى مخرج طبقة lora العادية.
adapter_name (str، اختياري) : اسم المُكيّف (Adapter) الذي سيُستخدم للإشارة إلى نموذج المُكيّف المُحمّل. إذا لم يُحدد، فسيُستخدم default_{i} حيث i هو العدد الإجمالي للمُكيّفات قيد التحميل.
low_cpu_mem_usage (bool، اختياري) : تسريع تحميل النموذج من خلال تحميل أوزان LoRA المُسبقة التدريب فقط دون تهيئة الأوزان العشوائية.
hotswap (bool، اختياري) : راجع load_lora_weights().
metadata (dict) : بيانات وصفية اختيارية لمحوّل LoRA. عند تقديمها، لن تُشتق حُجج LoraConfig الخاصة بـpeft من قاموس الحالة.
سيؤدي هذا إلى تحميل طبقات LoRA المحددة في state_dict إلى text_encoder
load_lora_into_transformer[[diffusers.loaders.FluxLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, network_alphas, transformer, adapter_name = None, metadata = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.FluxLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.FluxLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], return_alphas: bool = False, **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.FluxLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, text_encoder_lora_layers: dict[str, torch.nn.Module] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata = None, text_encoder_lora_adapter_metadata = None)
المعاملات:
save_directory (str أو os.PathLike) : المجلد الذي سيتم حفظ معلمات LoRA فيه. سيتم إنشاؤه إذا لم يكن موجودًا.
transformer_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة الخاص بطبقات LoRA المقابلة لـ transformer.
text_encoder_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة (State dict) لطبقات LoRA المقابلة لـ text_encoder. يجب تمرير قاموس حالة LoRA الخاص بمشفر النص صراحةً لأنه يأتي من 🤗 Transformers.
is_main_process (bool، اختياري، القيمة الافتراضية True) : ما إذا كان العملية التي تستدعي هذا هي العملية الرئيسية أم لا. مفيد أثناء التدريب الموزع عندما تحتاج إلى استدعاء هذه الدالة على جميع العمليات. في هذه الحالة، اضبط is_main_process=True على العملية الرئيسية فقط لتجنب حالات السباق.
save_function (Callable) : الدالة المستخدمة لحفظ قاموس الحالة. مفيدة أثناء التدريب الموزع عندما تحتاج إلى استبدال torch.save بطريقة أخرى. يمكن ضبطها باستخدام متغير البيئة DIFFUSERS_SAVE_MODE.
safe_serialization (bool، اختياري، الافتراضي True) : ما إذا كان سيتم حفظ النموذج باستخدام safetensors أو بالطريقة التقليدية الخاصة بـ PyTorch باستخدام pickle.
transformer_lora_adapter_metadata : بيانات الوصف (metadata) الخاصة بمحوّل LoRA المرتبط بالـ transformer والتي سيتم تسلسلها مع state dict.
text_encoder_lora_adapter_metadata : بيانات الوصف (البيانات الوصفية) الخاصة بمحوّل LoRA المرتبط بترميز النص، والتي سيتم تسلسلها مع قاموس الحالة.
احفظ معاملات LoRA المقابلة لـ UNet ومشفّر النص.
unfuse_lora[[diffusers.loaders.FluxLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer', 'text_encoder'], **kwargs)
المعاملات:
components (list[str]) : قائمة بالمكونات القابلة لحقن LoRA لإزالة LoRA منها.
يعكس تأثير pipe.fuse_lora().
unload_lora_weights[[diffusers.loaders.FluxLoraLoaderMixin.unload_lora_weights]]
unload_lora_weights(reset_to_overwritten_params = False)
المعاملات:
reset_to_overwritten_params (bool، القيمة الافتراضية False) : ما إذا كان يجب إعادة تعيين الوحدات المحمّلة عبر LoRA إلى معاملاتها الأصلية. راجع توثيق Flux لمعرفة المزيد.
يفكك معاملات LoRA.
أمثلة:
>>> # Assuming `pipeline` is already loaded with the LoRA parameters.
>>> pipeline.unload_lora_weights()
>>> ...
Flux2LoraLoaderMixin[[diffusers.loaders.Flux2LoraLoaderMixin]]
diffusers.loaders.Flux2LoraLoaderMixin[[diffusers.loaders.Flux2LoraLoaderMixin]]
diffusers.loaders.Flux2LoraLoaderMixin()
تحميل طبقات LoRA إلى Flux2Transformer2DModel. خاص بـ Flux2Pipeline.
fuse_lora[[diffusers.loaders.Flux2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Flux2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Flux2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.Flux2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Flux2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Flux2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
Flux3LoraLoaderMixin[[diffusers.loaders.Flux3LoraLoaderMixin]]
diffusers.loaders.Flux3LoraLoaderMixin[[diffusers.loaders.Flux3LoraLoaderMixin]]
diffusers.loaders.Flux3LoraLoaderMixin()
fuse_lora[[diffusers.loaders.Flux3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Flux3LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Flux3LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Flux3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Flux3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
BriaFibo2LoraLoaderMixin[[diffusers.loaders.BriaFibo2LoraLoaderMixin]]
diffusers.loaders.BriaFibo2LoraLoaderMixin[[diffusers.loaders.BriaFibo2LoraLoaderMixin]]
diffusers.loaders.BriaFibo2LoraLoaderMixin()
تحميل طبقات LoRA إلى BriaFibo2Transformer2DModel. خاص بـ BriaFibo2Pipeline.
fuse_lora[[diffusers.loaders.BriaFibo2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.BriaFibo2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.BriaFibo2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.BriaFibo2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.BriaFibo2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.BriaFibo2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
ErnieImageLoraLoaderMixin[[diffusers.loaders.ErnieImageLoraLoaderMixin]]
diffusers.loaders.ErnieImageLoraLoaderMixin[[diffusers.loaders.ErnieImageLoraLoaderMixin]]
diffusers.loaders.ErnieImageLoraLoaderMixin()
تحميل طبقات LoRA إلى ErnieImageTransformer2DModel. خاص بـ ErnieImagePipeline.
fuse_lora[[diffusers.loaders.ErnieImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.ErnieImageLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.ErnieImageLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.ErnieImageLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.ErnieImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.ErnieImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
LTX2LoraLoaderMixin[[diffusers.loaders.LTX2LoraLoaderMixin]]
diffusers.loaders.LTX2LoraLoaderMixin[[diffusers.loaders.LTX2LoraLoaderMixin]]
diffusers.loaders.LTX2LoraLoaderMixin()
تحميل طبقات LoRA إلى LTX2VideoTransformer3DModel. خاص بـ LTX2Pipeline.
fuse_lora[[diffusers.loaders.LTX2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.LTX2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None, prefix: str = 'transformer')
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.LTX2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.LTX2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.LTX2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.LTX2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
CogVideoXLoraLoaderMixin[[diffusers.loaders.CogVideoXLoraLoaderMixin]]
diffusers.loaders.CogVideoXLoraLoaderMixin[[diffusers.loaders.CogVideoXLoraLoaderMixin]]
diffusers.loaders.CogVideoXLoraLoaderMixin()
تحميل طبقات LoRA إلى CogVideoXTransformer3DModel. خاص بـ CogVideoXPipeline.
fuse_lora[[diffusers.loaders.CogVideoXLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.CogVideoXLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.CogVideoXLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.CogVideoXLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.CogVideoXLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.CogVideoXLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
Mochi1LoraLoaderMixin[[diffusers.loaders.Mochi1LoraLoaderMixin]]
diffusers.loaders.Mochi1LoraLoaderMixin[[diffusers.loaders.Mochi1LoraLoaderMixin]]
diffusers.loaders.Mochi1LoraLoaderMixin()
تحميل طبقات LoRA إلى MochiTransformer3DModel. خاص بـ MochiPipeline.
fuse_lora[[diffusers.loaders.Mochi1LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Mochi1LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Mochi1LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.Mochi1LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Mochi1LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Mochi1LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
AuraFlowLoraLoaderMixin[[diffusers.loaders.AuraFlowLoraLoaderMixin]]
diffusers.loaders.AuraFlowLoraLoaderMixin[[diffusers.loaders.AuraFlowLoraLoaderMixin]]
diffusers.loaders.AuraFlowLoraLoaderMixin()
تحميل طبقات LoRA إلى AuraFlowTransformer2DModel خاص بـ AuraFlowPipeline.
fuse_lora[[diffusers.loaders.AuraFlowLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.AuraFlowLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.AuraFlowLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.AuraFlowLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.AuraFlowLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.AuraFlowLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer', 'text_encoder'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
LTXVideoLoraLoaderMixin[[diffusers.loaders.LTXVideoLoraLoaderMixin]]
diffusers.loaders.LTXVideoLoraLoaderMixin[[diffusers.loaders.LTXVideoLoraLoaderMixin]]
diffusers.loaders.LTXVideoLoraLoaderMixin()
تحميل طبقات LoRA إلى LTXVideoTransformer3DModel. خاص بـ LTXPipeline.
fuse_lora[[diffusers.loaders.LTXVideoLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.LTXVideoLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.LTXVideoLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.LTXVideoLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.LTXVideoLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.LTXVideoLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
SanaLoraLoaderMixin[[diffusers.loaders.SanaLoraLoaderMixin]]
diffusers.loaders.SanaLoraLoaderMixin[[diffusers.loaders.SanaLoraLoaderMixin]]
diffusers.loaders.SanaLoraLoaderMixin()
تحميل طبقات LoRA إلى SanaTransformer2DModel. خاص بـ SanaPipeline.
fuse_lora[[diffusers.loaders.SanaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.SanaLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.SanaLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.SanaLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.SanaLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.SanaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
HeliosLoraLoaderMixin[[diffusers.loaders.HeliosLoraLoaderMixin]]
diffusers.loaders.HeliosLoraLoaderMixin[[diffusers.loaders.HeliosLoraLoaderMixin]]
diffusers.loaders.HeliosLoraLoaderMixin()
تحميل طبقات LoRA إلى HeliosTransformer3DModel. خاص بـ HeliosPipeline و HeliosPyramidPipeline.
fuse_lora[[diffusers.loaders.HeliosLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.HeliosLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.HeliosLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.HeliosLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.HeliosLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.HeliosLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
HunyuanVideoLoraLoaderMixin[[diffusers.loaders.HunyuanVideoLoraLoaderMixin]]
diffusers.loaders.HunyuanVideoLoraLoaderMixin[[diffusers.loaders.HunyuanVideoLoraLoaderMixin]]
diffusers.loaders.HunyuanVideoLoraLoaderMixin()
تحميل طبقات LoRA إلى HunyuanVideoTransformer3DModel. خاص بـ HunyuanVideoPipeline.
fuse_lora[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
Lumina2LoraLoaderMixin[[diffusers.loaders.Lumina2LoraLoaderMixin]]
diffusers.loaders.Lumina2LoraLoaderMixin[[diffusers.loaders.Lumina2LoraLoaderMixin]]
diffusers.loaders.Lumina2LoraLoaderMixin()
تحميل طبقات LoRA إلى Lumina2Transformer2DModel. خاص بـ Lumina2Pipeline.
fuse_lora[[diffusers.loaders.Lumina2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Lumina2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Lumina2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.Lumina2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Lumina2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Lumina2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
CogView4LoraLoaderMixin[[diffusers.loaders.CogView4LoraLoaderMixin]]
diffusers.loaders.CogView4LoraLoaderMixin[[diffusers.loaders.CogView4LoraLoaderMixin]]
diffusers.loaders.CogView4LoraLoaderMixin()
تحميل طبقات LoRA إلى WanTransformer3DModel. خاص بـ CogView4Pipeline.
fuse_lora[[diffusers.loaders.CogView4LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.CogView4LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.CogView4LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.CogView4LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.CogView4LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.CogView4LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
WanLoraLoaderMixin[[diffusers.loaders.WanLoraLoaderMixin]]
diffusers.loaders.WanLoraLoaderMixin[[diffusers.loaders.WanLoraLoaderMixin]]
diffusers.loaders.WanLoraLoaderMixin()
تحميل طبقات LoRA إلى WanTransformer3DModel. خاص بـ WanPipeline و [WanImageToVideoPipeline.
fuse_lora[[diffusers.loaders.WanLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.WanLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.WanLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.WanLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.WanLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.WanLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
SkyReelsV2LoraLoaderMixin[[diffusers.loaders.SkyReelsV2LoraLoaderMixin]]
diffusers.loaders.SkyRe[[diffusers.loaders.SkyReelsV2LoraLoaderMixin]]
diffusers.loaders.SkyReelsV2LoraLoaderMixin()
حمّل طبقات LoRA إلى SkyReelsV2Transformer3DModel.
fuse_lora[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
AmusedLoraLoaderMixin[[diffusers.loaders.AmusedLoraLoaderMixin]]
diffusers.loaders.AmusedLoraLoaderMixin[[diffusers.loaders.AmusedLoraLoaderMixin]]
diffusers.loaders.AmusedLoraLoaderMixin()
load_lora_into_transformer[[diffusers.loaders.AmusedLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, network_alphas, transformer, adapter_name = None, metadata = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False)
راجع load_lora_into_unet() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.AmusedLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, text_encoder_lora_layers: dict[str, torch.nn.Module] = None, transformer_lora_layers: dict[str, torch.nn.Module] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True)
المعاملات:
save_directory (str أو os.PathLike) : المجلد الذي سيتم حفظ معلمات LoRA فيه. سيتم إنشاؤه إذا لم يكن موجودًا.
unet_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة (State dict) لطبقات LoRA المقابلة لـ unet.
text_encoder_lora_layers (dict[str, torch.nn.Module] أو dict[str, torch.Tensor]) : قاموس الحالة (State dict) لطبقات LoRA المقابلة لـ text_encoder. يجب تمرير قاموس حالة LoRA الخاص بمشفر النص صراحةً لأنه يأتي من 🤗 Transformers.
is_main_process (bool، اختياري، القيمة الافتراضية True) : ما إذا كان العملية التي تستدعي هذا هي العملية الرئيسية أم لا. مفيد أثناء التدريب الموزع عندما تحتاج إلى استدعاء هذه الدالة على جميع العمليات. في هذه الحالة، اضبط is_main_process=True على العملية الرئيسية فقط لتجنب حالات السباق.
save_function (Callable) : الدالة المستخدمة لحفظ قاموس الحالة. مفيدة أثناء التدريب الموزع عندما تحتاج إلى استبدال torch.save بطريقة أخرى. يمكن ضبطها باستخدام متغير البيئة DIFFUSERS_SAVE_MODE.
safe_serialization (bool، اختياري، الافتراضي True) : ما إذا كان سيتم حفظ النموذج باستخدام safetensors أو بالطريقة التقليدية الخاصة بـ PyTorch باستخدام pickle.
احفظ معاملات LoRA المقابلة لـ UNet ومشفّر النص.
AnimaLoraLoaderMixin[[diffusers.loaders.AnimaLoraLoaderMixin]]
diffusers.loaders.AnimaLoraLoaderMixin[[diffusers.loaders.AnimaLoraLoaderMixin]]
diffusers.loaders.AnimaLoraLoaderMixin()
حمّل طبقات LoRA إلى CosmosTransformer3DModel وAnimaTextConditioner.
fuse_lora[[diffusers.loaders.AnimaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer', 'text_conditioner'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.AnimaLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.AnimaLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
unfuse_lora[[diffusers.loaders.AnimaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer', 'text_conditioner'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
AceStepLoraLoaderMixin[[diffusers.loaders.AceStepLoraLoaderMixin]]
diffusers.loaders.AceStepLoraLoaderMixin[[diffusers.loaders.AceStepLoraLoaderMixin]]
diffusers.loaders.AceStepLoraLoaderMixin()
تحميل طبقات LoRA إلى AceStepTransformer1DModel. خاص بـ AceStepPipeline.
fuse_lora[[diffusers.loaders.AceStepLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.AceStepLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.AceStepLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.AceStepLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.AceStepLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.AceStepLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
HiDreamImageLoraLoaderMixin[[diffusers.loaders.HiDreamImageLoraLoaderMixin]]
diffusers.loaders.HiDreamImageLoraLoaderMixin[[diffusers.loaders.HiDreamImageLoraLoaderMixin]]
diffusers.loaders.HiDreamImageLoraLoaderMixin()
تحميل طبقات LoRA إلى HiDreamImageTransformer2DModel. خاص بـ HiDreamImagePipeline.
fuse_lora[[diffusers.loaders.HiDreamImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.HiDreamImageLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.HiDreamImageLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.HiDreamImageLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.HiDreamImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.HiDreamImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
QwenImageLoraLoaderMixin[[diffusers.loaders.QwenImageLoraLoaderMixin]]
diffusers.loaders.QwenImageLoraLoaderMixin[[diffusers.loaders.QwenImageLoraLoaderMixin]]
diffusers.loaders.QwenImageLoraLoaderMixin()
تحميل طبقات LoRA إلى QwenImageTransformer2DModel. خاص بـ QwenImagePipeline.
fuse_lora[[diffusers.loaders.QwenImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.QwenImageLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.QwenImageLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.QwenImageLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.QwenImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.QwenImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
ZImageLoraLoaderMixin[[diffusers.loaders.ZImageLoraLoaderMixin]]
diffusers.loaders.ZImageLoraLoaderMixin[[diffusers.loaders.ZImageLoraLoaderMixin]]
diffusers.loaders.ZImageLoraLoaderMixin()
تحميل طبقات LoRA إلى ZImageTransformer2DModel. خاص بـ ZImagePipeline.
fuse_lora[[diffusers.loaders.ZImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.ZImageLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.ZImageLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.ZImageLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.ZImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.ZImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
CosmosLoraLoaderMixin[[diffusers.loaders.CosmosLoraLoaderMixin]]
diffusers.loaders.CosmosLoraLoaderMixin[[diffusers.loaders.CosmosLoraLoaderMixin]]
diffusers.loaders.CosmosLoraLoaderMixin()
تحميل طبقات LoRA إلى CosmosTransformer3DModel، خاصة بـ Cosmos2_5_PredictBasePipeline.
fuse_lora[[diffusers.loaders.CosmosLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.CosmosLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.CosmosLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.CosmosLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.CosmosLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.CosmosLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
KandinskyLoraLoaderMixin[[diffusers.loaders.KandinskyLoraLoaderMixin]]
diffusers.loaders.KandinskyLoraLoaderMixin[[diffusers.loaders.KandinskyLoraLoaderMixin]]
diffusers.loaders.KandinskyLoraLoaderMixin()
حمّل طبقات LoRA إلى Kandinsky5Transformer3DModel،
fuse_lora[[diffusers.loaders.KandinskyLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.KandinskyLoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.KandinskyLoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.KandinskyLoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.KandinskyLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.KandinskyLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
Ideogram4LoraLoaderMixin[[diffusers.loaders.Ideogram4LoraLoaderMixin]]
diffusers.loaders.Ideogram4LoraLoaderMixin[[diffusers.loaders.Ideogram4LoraLoaderMixin]]
diffusers.loaders.Ideogram4LoraLoaderMixin()
تحميل طبقات LoRA إلى Ideogram4Transformer2DModel. خاص بـ Ideogram4Pipeline.
fuse_lora[[diffusers.loaders.Ideogram4LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Ideogram4LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Ideogram4LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.Ideogram4LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Ideogram4LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Ideogram4LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
Krea2LoraLoaderMixin[[diffusers.loaders.Krea2LoraLoaderMixin]]
diffusers.loaders.Krea2LoraLoaderMixin[[diffusers.loaders.Krea2LoraLoaderMixin]]
diffusers.loaders.Krea2LoraLoaderMixin()
تحميل طبقات LoRA إلى Krea2Transformer2DModel. خاص بـ Krea2Pipeline.
fuse_lora[[diffusers.loaders.Krea2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.Krea2LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.Krea2LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, **kwargs)
راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.Krea2LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.Krea2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None)
راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.Krea2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
MiniMaxH3LoraLoaderMixin[[diffusers.loaders.MiniMaxH3LoraLoaderMixin]]
diffusers.loaders.MiniMaxH3LoraLoaderMixin[[diffusers.loaders.MiniMaxH3LoraLoaderMixin]]
diffusers.loaders.MiniMaxH3LoraLoaderMixin()
تحميل طبقات LoRA إلى MiniMaxH3Transformer3DModel. خاص بـ MiniMaxH3ModularPipeline.
يأتي MiniMax-H3 مع قسمين مستقلين من DiT يحملان أسماء وحدات متطابقة (حيث يؤدي تحميل LoRA مخصص لأحدهما إلى القسم الآخر إلى تدهور المخرجات)، لذا يكون التوجيه صريحًا: تستهدف قواميس الحالة المحوّلة transformer.؛ للوصول إلى transformer_ref استخدم ملفًا يبدأ ببادئة transformer_ref. أو اضبط load_into_transformer_ref=True.
تُدرَّب نماذج LoRA الخاصة بـ DiffSynth-Studio (مثل DiffSynth-Studio/MiniMax-H3-LoRA-LineartAnime) مقابل مصفوفات QKV المدمجة والمترابطة لكل رأس في نقطة الفحص الخام، وتُفكّ الترابط عند التحويل. تجعل معاملات fp32 الخاصة بها مسار LoRA غير المدمج يُحسب في fp32؛ بينما يعيد .to(torch.bfloat16) على النموذج بعد تحميله ميزانية الذاكرة الخاصة بـ bf16.
تفشل نماذج LoRA المدربة على نقطة فحص مُقصوصة (ملفات *_pruned_* في Comfy-Org/MiniMax-H3؛ joyfox/MiniMax-H3-Turbo هي واحدة منها) بسبب عدم تطابق الحجم. تُحمَّل الملفات التي لا تحتوي على Alpha بقيمة alpha == rank (مقياس 1.0، وهو الاتفاق المذكور على سبيل المثال في larryvrh/MiniMax-H3-Turbo-Lora)؛ أما إذا وُجدت مدخلات alpha ضمن __metadata__ (مثل ملف الخطوات الثماني في lightx2v/Minimax-h3-Turbo)، فيُلتزم بها بدلاً من ذلك.
fuse_lora[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list[str] = ['transformer', 'transformer_ref'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
راجع fuse_lora() لمزيد من التفاصيل.
load_lora_into_transformer[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.load_lora_into_transformer]]
load_lora_into_transformer(state_dict, transformer, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_into_transformer_ref[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.load_lora_into_transformer_ref]]
load_lora_into_transformer_ref(state_dict, transformer_ref, prefix, adapter_name = None, _pipeline = None, low_cpu_mem_usage = False, hotswap: bool = False, metadata = None)
حمّل طبقات LoRA إلى قسم transformer_ref. يُشير prefix إلى اسم المكوّن الذي تحمله المفاتيح، وهو transformer_ref للملف الذي يسمّي القسم وtransformer للملف المُوجَّه إلى هنا بواسطة load_into_transformer_ref=True. راجع load_lora_into_unet() لمزيد من التفاصيل.
load_lora_weights[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.load_lora_weights]]
load_lora_weights(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], adapter_name: str | None = None, hotswap: bool = False, load_into_transformer_ref: bool = False, **kwargs)
المعاملات:
load_into_transformer_ref (bool، القيمة الافتراضية False) : تحميل طبقات transformer. ذات البادئة إلى قسم transformer_ref — وهو القسم الذي يستخدمه سير عمل ref2va لإزالة الضوضاء — بدلاً من transformer. لا يُطلب ذلك إلا عند تحميل كلا القسمين: فخط الأنابيب الذي يحمل transformer_ref وحده يوجّه الطلبات إليه تلقائياً.
حمّل طبقات LoRA إلى transformer أو، عند استخدام load_into_transformer_ref=True، إلى transformer_ref. راجع load_lora_weights() لمزيد من التفاصيل.
lora_state_dict[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.lora_state_dict]]
lora_state_dict(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
راجع lora_state_dict() لمزيد من التفاصيل.
save_lora_weights[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, transformer_ref_lora_layers: dict[str, typing.Union[torch.nn.Module, torch.Tensor]] = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, transformer_lora_adapter_metadata: dict | None = None, transformer_ref_lora_adapter_metadata: dict | None = None)
احفظ طبقات LoRA لأحد تقسيمَي MiniMax-H3 أو لكليهما. لا يمكن استعادة التقسيم الذي تنتمي إليه طبقة LoRA من مفاتيحها، لذا فإن هذه هي الطريقة الوحيدة لنشر LoRA خاص بـ H3 يسجّل ذلك. راجع save_lora_weights() لمزيد من المعلومات.
unfuse_lora[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list[str] = ['transformer', 'transformer_ref'], **kwargs)
راجع unfuse_lora() لمزيد من التفاصيل.
PikaH3FlexLoraLoaderMixin[[diffusers.loaders.PikaH3FlexLoraLoaderMixin]]
diffusers.loaders.PikaH3FlexLoraLoaderMixin[[diffusers.loaders.PikaH3FlexLoraLoaderMixin]]
diffusers.loaders.PikaH3FlexLoraLoaderMixin()
تحميل طبقات LoRA إلى MiniMaxH3Transformer3DModel. خاص بـ PikaH3FlexModularPipeline.
إصدار Pika H3 Flex هو زوج من محوِّلات rank-128 فوق قسمي MiniMax-H3 transformer، وقد نُشر كملفات PEFT عادية بأسماء وحدات diffusers (fl2va/adapter.safetensors لـ transformer، وref2va/adapter.safetensors لـ transformer_ref). تُحمَّل الملفات التي لا تحتوي على alpha عند alpha == rank (مقياس 1.0)، وهو العقد الخاص بالمحوِّلات نفسها، وتكون عمليات التحميل والتوجيه والحفظ هي تلك الخاصة بـ MiniMaxH3LoraLoaderMixin: حيث يذهب محوِّل fl2va إلى transformer، ويذهب محوِّل ref2va إلى transformer_ref — بشكل مستقل عندما يحتفظ خط العمل بذلك القسم وحده (workflow="ref2va")، ومع load_into_transformer_ref=True عندما يحتفظ بكلا القسمين.
pipe.load_lora_weights("Pika-Labs/Pika-H3-Flex", weight_name="fl2va/adapter.safetensors")
LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin()
فئة مساعدة للتعامل مع LoRAs.
delete_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.delete_adapters]]
delete_adapters(adapter_names: list[str] | str)
المعاملات:
adapter_names (list[str, str]) : أسماء المُكيّفات التي سيتم حذفها.
احذف طبقات LoRA الخاصة بالمُكيّف من خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_names="cinematic"
)
pipeline.delete_adapters("cinematic")
disable_lora[[diffusers.loaders.lora_base.LoraBaseMixin.disable_lora]]
disable_lora()
يعطّل طبقات LoRA النشطة في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.disable_lora()
enable_lora[[diffusers.loaders.lora_base.LoraBaseMixin.enable_lora]]
enable_lora()
يُفعّل طبقات LoRA النشطة في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.enable_lora()
enable_lora_hotswap[[diffusers.loaders.lora_base.LoraBaseMixin.enable_lora_hotswap]]
enable_lora_hotswap(**kwargs)
المعاملات:
target_rank (int) : أعلى رتبة بين جميع المُكيِّفات التي سيتم تحميلها.
check_compiled (str، اختياري، القيمة الافتراضية "error") : كيفية التعامل مع نموذج مُجمَّع مسبقًا. يمكن أن تُرجع الفحوصات الرسائل التالية: - "error" (الافتراضي): يرمي خطأ - "warn": يُصدر تحذيرًا - "ignore": لا يفعل شيئًا
استبدل المُكيِّفات (Adapters) دون تفعيل إعادة تجميع النموذج أو في حال اختلاف رتب المُكيِّفات المُحمَّلة.
fuse_lora[[diffusers.loaders.lora_base.LoraBaseMixin.fuse_lora]]
fuse_lora(components: list[str] | None = None, lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
المعاملات:
components : (list[str]): قائمة بمكونات LoRA القابلة للحقن لدمج LoRAs فيها.
lora_scale (float، القيمة الافتراضية 1.0) : يتحكم في مقدار تأثير معاملات LoRA على المخرجات.
safe_fusing (bool، القيمة الافتراضية False) : ما إذا كان سيتم فحص الأوزان المدمجة بحثًا عن قيم NaN قبل الدمج، وعدم دمجها إذا كانت القيم NaN.
adapter_names (list[str]، اختياري) : أسماء المُكيِّفات (Adapters) التي سيتم استخدامها للدمج. إذا لم يتم تمرير أي شيء، فسيتم دمج جميع المُكيِّفات النشطة.
يُدمج معاملات LoRA في المعاملات الأصلية للكتل المقابلة.
مثال:
from diffusers import DiffusionPipeline
import torch
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights("nerijs/pixel-art-xl", weight_name="pixel-art-xl.safetensors", adapter_name="pixel")
pipeline.fuse_lora(lora_scale=0.7)
get_active_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.get_active_adapters]]
get_active_adapters()
يحصل على قائمة المُكيِّفات النشطة حاليًا.
مثال:
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0",
).to("cuda")
pipeline.load_lora_weights("CiroN2022/toy-face", weight_name="toy_face_sdxl.safetensors", adapter_name="toy")
pipeline.get_active_adapters()
get_list_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.get_list_adapters]]
get_list_adapters()
يحصل على القائمة الحالية لجميع المحوِّلات المتاحة في خط المعالجة.
set_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.set_adapters]]
set_adapters(adapter_names: list[str] | str, adapter_weights: float | dict[str, float | dict | None] | list[float | dict[str, float | dict | None] | None] | None = None)
المعاملات:
adapter_names (list[str] أو str) : أسماء المُكيِّفات (adapters) المراد استخدامها.
adapter_weights (float أو dict أو list، اختياري) : أوزان المُكيِّفات. يُقيِّم العدد القياسي جميع المكونات المتوافقة مع LoRA. تُخاطِب القاموس أسماء المكونات (مثل "unet" أو "transformer" أو "text_encoder") إلى الأوزان؛ ويمكن أن يكون وزن مكوّن UNet قاموسًا متداخلًا لمقاييس الكتل. يُطبَّق العدد القياسي الواحد أو القاموس على كل مُكيِّف. يجب أن تحتوي القائمة على عدد قياسي واحد أو قاموس أو None لكل مُكيِّف، بترتيب adapter_names. القيمة الافتراضية لـNone هي 1.0، بما في ذلك إدخالات القائمة وأوزان المكونات. القيمة الافتراضية للمكونات غير المحددة وكتل UNet هي أيضًا 1.0.
اضبط المُكيِّفات النشطة حاليًا للاستخدام في خط المعالجة.
مثال:
from diffusers import AutoPipelineForText2Image
import torch
pipeline = AutoPipelineForText2Image.from_pretrained(
"stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")
pipeline.load_lora_weights(
"jbilcke-hf/sdxl-cinematic-1", weight_name="pytorch_lora_weights.safetensors", adapter_name="cinematic"
)
pipeline.load_lora_weights(
"troveski/sdxl-lora", weight_name="pytorch_lora_weights.safetensors", adapter_name="illustration"
)
pipeline.set_adapters(["cinematic", "illustration"], adapter_weights=[0.5, 0.5])
pipeline.set_adapters(
["cinematic", "illustration"],
adapter_weights=[{"unet": 0.5}, {"unet": 0.8, "text_encoder": 0.6}],
)
set_lora_device[[diffusers.loaders.lora_base.LoraBaseMixin.set_lora_device]]
set_lora_device(adapter_names: list[str], device: torch.device | str | int)
المعاملات:
adapter_names (list[str]) : قائمة بالمُكيِّفات المراد إرسال الجهاز إليها.
device (torch.device | str | int) : الجهاز المراد إرسال المُكيّفات (adapters) إليه. يمكن أن يكون جهاز torch أو نصًا (str) أو عددًا صحيحًا (int).
ينقل وحدات LoRA المدرجة في adapter_names إلى جهاز الهدف. مفيد لتحميل وحدة LoRA إلى وحدة المعالجة المركزية (CPU) في حال رغبتك في تحميل عدة وحدات تكيفية وتحرير بعض ذاكرة وحدة معالجة الرسوميات (GPU).
بعد نقل محولات LoRA إلى وحدة المعالجة المركزية (CPU)، طالما أن بقية النموذج لا تزال على وحدة معالجة الرسوميات (GPU)، لم يعد من الممكن استخدام محولات LoRA للاستدلال، لأن ذلك سيؤدي إلى عدم تطابق الأجهزة. تذكّر بإعادة ضبط الجهاز إلى وحدة معالجة الرسوميات (GPU) قبل استخدام تلك محولات LoRA للاستدلال.
>>> pipe.load_lora_weights(path_1, adapter_name="adapter-1")
>>> pipe.load_lora_weights(path_2, adapter_name="adapter-2")
>>> pipe.set_adapters("adapter-1")
>>> image_1 = pipe(**kwargs)
>>> # switch to adapter-2, offload adapter-1
>>> pipeline.set_lora_device(adapter_names=["adapter-1"], device="cpu")
>>> pipeline.set_lora_device(adapter_names=["adapter-2"], device="cuda:0")
>>> pipe.set_adapters("adapter-2")
>>> image_2 = pipe(**kwargs)
>>> # switch back to adapter-1, offload adapter-2
>>> pipeline.set_lora_device(adapter_names=["adapter-2"], device="cpu")
>>> pipeline.set_lora_device(adapter_names=["adapter-1"], device="cuda:0")
>>> pipe.set_adapters("adapter-1")
>>> ...
unfuse_lora[[diffusers.loaders.lora_base.LoraBaseMixin.unfuse_lora]]
unfuse_lora(components: list[str] | None = None, **kwargs)
المعاملات:
components (list[str]) : قائمة بالمكونات القابلة لحقن LoRA لإزالة LoRA منها.
unfuse_unet (bool، القيمة الافتراضية True) : ما إذا كان سيتم فك دمج معاملات LoRA الخاصة بـ UNet.
unfuse_text_encoder (bool، القيمة الافتراضية True) : ما إذا كان سيتم فك دمج معاملات LoRA لمشفّر النص. إذا لم يتم تعديل مشفّر النص باستخدام معاملات LoRA، فلن يكون لهذا الخيار أي تأثير.
يعكس تأثير pipe.fuse_lora().
unload_lora_weights[[diffusers.loaders.lora_base.LoraBaseMixin.unload_lora_weights]]
unload_lora_weights()
يفكك معاملات LoRA.
أمثلة:
>>> # Assuming `pipeline` is already loaded with the LoRA parameters.
>>> pipeline.unload_lora_weights()
>>> ...
write_lora_layers[[diffusers.loaders.lora_base.LoraBaseMixin.write_lora_layers]]
write_lora_layers(state_dict: dict[str, torch.Tensor], save_directory: str, is_main_process: bool, weight_name: str, save_function: Callable, safe_serialization: bool, lora_adapter_metadata: dict | None = None)
يكتب حالة طبقات LoRA (مع البيانات الوصفية اختيارياً) على القرص.
Xet Storage Details
- Size:
- 178 kB
- Xet hash:
- abbe224b799b77ff4326dcd9cce48e26d45d83e593b61fe0013c4310d2f69627
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.