Buckets:
| # UNet | |
| Algunos métodos de entrenamiento, como LoRA y Custom Diffusion, suelen dirigirse a las capas de atención del UNet, pero estos métodos también pueden dirigirse a otras capas que no son de atención. En lugar de entrenar todos los parámetros de un modelo, solo se entrena un subconjunto de parámetros, lo cual es más rápido y eficiente. Esta clase es útil si *solo* estás cargando pesos en un UNet. Si necesitas cargar pesos en el codificador de texto o en un codificador de texto y un UNet, intenta usar la función [load_lora_weights()](/docs/diffusers/main/es/api/loaders/lora#diffusers.loaders.StableDiffusionLoraLoaderMixin.load_lora_weights) en su lugar. | |
| La clase `UNet2DConditionLoadersMixin` proporciona funciones para cargar y guardar pesos, fusionar y desfusionar LoRAs, desactivar y activar LoRAs, y establecer y eliminar adaptadores. | |
| > [!TIP] | |
| > Para obtener más información sobre cómo cargar los pesos de LoRA, consulte la guía de [LoRA](../../tutorials/using_peft_for_inference). | |
| ## UNet2DConditionLoadersMixin[[diffusers.loaders.UNet2DConditionLoadersMixin]] | |
| #### diffusers.loaders.UNet2DConditionLoadersMixin[[diffusers.loaders.UNet2DConditionLoadersMixin]] | |
| ```python | |
| diffusers.loaders.UNet2DConditionLoadersMixin() | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/loaders/unet.py#L53) | |
| Carga las capas LoRA en un `UNet2DCondtionModel`. | |
| #### load_attn_procs[[diffusers.loaders.UNet2DConditionLoadersMixin.load_attn_procs]] | |
| ```python | |
| load_attn_procs(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/loaders/unet.py#L61) | |
| **Parámetros:** | |
| pretrained_model_name_or_path_or_dict (`str` o `os.PathLike` o `dict`) : Puede ser: - Una cadena, el id del modelo (por ejemplo `google/ddpm-celebahq-256`) de un modelo preentrenado alojado en el Hub. - Una ruta a un directorio (por ejemplo `./my_model_directory`) que contiene los pesos del modelo guardados con [ModelMixin.save_pretrained()](/docs/diffusers/main/es/api/models/overview#diffusers.ModelMixin.save_pretrained). - Un [torch state dict](https://pytorch.org/tutorials/beginner/saving_loading_models.html#what-is-a-state-dict). | |
| cache_dir (`str | os.PathLike`, *opcional*) : Ruta a un directorio donde se almacena en caché la configuración de un modelo preentrenado descargado si no se utiliza la caché estándar. | |
| force_download (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, reemplazando las versiones en caché si existen. | |
| proxies (`dict[str, str]`, *opcional*) : Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, por ejemplo, `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Los proxies se utilizan en cada solicitud. | |
| local_files_only (`bool`, *opcional*, valor predeterminado `False`) : Indica si se deben cargar únicamente los pesos y archivos de configuración del modelo localmente. Si se establece en `True`, el modelo no se descargará desde el Hub. | |
| token (`str` o *bool*, *opcional*) : El token que se usará como autorización HTTP bearer para archivos remotos. Si es `True`, se utiliza el token generado por `diffusers-cli login` (almacenado en `~/.huggingface`). | |
| revision (`str`, *opcional*, valor predeterminado `"main"`) : La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta, un id de commit o cualquier identificador permitido por Git. | |
| subfolder (`str`, *opcional*, valor predeterminado `""`) : La ubicación de la subcarpeta de un archivo de modelo dentro de un repositorio de modelos más grande en el Hub o localmente. | |
| weight_name (`str`, *opcional*, valor predeterminado None) : Nombre del archivo de state dict serializado. | |
| Carga las capas de procesador de atención de Custom Diffusion preentrenadas en [UNet2DConditionModel](/docs/diffusers/main/es/api/models/unet2d-cond#diffusers.UNet2DConditionModel). Las capas de procesador de atención deben definirse en [`attention_processor.py`](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) y ser una clase `torch.nn.Module`. Para cargar capas LoRA, usa [load_lora_adapter()](/docs/diffusers/main/es/api/loaders/peft#diffusers.loaders.PeftAdapterMixin.load_lora_adapter) en su lugar. | |
| Ejemplo: | |
| ```py | |
| import torch | |
| from diffusers import DiffusionPipeline | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "CompVis/stable-diffusion-v1-4", | |
| torch_dtype=torch.float16, | |
| ).to("cuda") | |
| pipeline.unet.load_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin") | |
| ``` | |
| #### save_attn_procs[[diffusers.loaders.UNet2DConditionLoadersMixin.save_attn_procs]] | |
| ```python | |
| save_attn_procs(save_directory: str | os.PathLike, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, **kwargs) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/loaders/unet.py#L252) | |
| **Parámetros:** | |
| save_directory (`str` o `os.PathLike`) : Directorio para guardar un procesador de atención (se creará si no existe). | |
| is_main_process (`bool`, *opcional*, valor predeterminado `True`) : Indica si el proceso que realiza esta llamada es el proceso principal o no. Útil durante el entrenamiento distribuido cuando es necesario llamar a esta función en todos los procesos. En este caso, establezca `is_main_process=True` solo en el proceso principal para evitar condiciones de carrera. | |
| save_function (`Callable`) : La función que se utilizará para guardar el diccionario de estado. Útil durante el entrenamiento distribuido cuando necesitas reemplazar `torch.save` con otro método. Se puede configurar con la variable de entorno `DIFFUSERS_SAVE_MODE`. | |
| safe_serialization (`bool`, *opcional*, valor predeterminado `True`) : Si se guarda el modelo usando `safetensors` o con `pickle`. | |
| Guarde las capas del procesador de atención de Custom Diffusion en un directorio para que pueda recargarlas con el método [load_attn_procs()](/docs/diffusers/main/es/api/loaders/unet#diffusers.loaders.UNet2DConditionLoadersMixin.load_attn_procs). Para guardar las capas de LoRA, use [save_lora_adapter()](/docs/diffusers/main/es/api/loaders/peft#diffusers.loaders.PeftAdapterMixin.save_lora_adapter) en su lugar. | |
| Ejemplo: | |
| ```py | |
| import torch | |
| from diffusers import DiffusionPipeline | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "CompVis/stable-diffusion-v1-4", | |
| torch_dtype=torch.float16, | |
| ).to("cuda") | |
| pipeline.unet.load_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin") | |
| pipeline.unet.save_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin") | |
| ``` | |
Xet Storage Details
- Size:
- 6.89 kB
- Xet hash:
- 47d92e4ca49d396ca14f92d05cb59c452df7a1733f4572771c8a4dfb1b4c3633
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.