Buckets:
LoRA
LoRA, model parametrelerinin tamamı yerine çok daha az sayıda parametreyi ekleyip eğiten hızlı ve hafif bir eğitim yöntemidir. Bu, daha küçük bir dosya (~100 MB) oluşturur ve bir modelin yeni bir kavramı öğrenmesi için hızla eğitilmesini kolaylaştırır. LoRA ağırlıkları genellikle denoiser'a, metin kodlayıcıya veya her ikisine yüklenir. Denoiser genellikle bir UNet (UNet2DConditionModel, örneğin) veya bir Transformer (SD3Transformer2DModel, örneğin) ile eşleşir. LoRA ağırlıklarını yüklemek için birkaç sınıf bulunmaktadır:
StableDiffusionLoraLoaderMixin, LoRA ağırlıklarını yönetmek için yükleme ve kaldırma, birleştirme ve ayırma, etkinleştirme ve devre dışı bırakma gibi işlevler sağlar. Bu sınıf herhangi bir modelle kullanılabilir.StableDiffusionXLLoraLoaderMixin, LoRA ağırlıklarını yüklemek ve kaydetmek içinStableDiffusionLoraLoaderMixinsınıfının Stable Diffusion (SDXL) sürümüdür. Yalnızca SDXL modeliyle kullanılabilir.SD3LoraLoaderMixin, Stable Diffusion 3 için benzer işlevler sağlar.FluxLoraLoaderMixin, Flux için benzer işlevler sağlar.CogVideoXLoraLoaderMixin, CogVideoX için benzer işlevler sağlar.Mochi1LoraLoaderMixin, Mochi için benzer işlevler sağlar.AuraFlowLoraLoaderMixin, AuraFlow için benzer işlevler sağlar.LTXVideoLoraLoaderMixin, LTX-Video için benzer işlevler sağlar.SanaLoraLoaderMixin, Sana için benzer işlevler sağlar.HeliosLoraLoaderMixin, HunyuanVideo için benzer işlevler sağlar.HunyuanVideoLoraLoaderMixin, HunyuanVideo için benzer işlevler sağlar.Lumina2LoraLoaderMixin, Lumina2 için benzer işlevler sağlar.WanLoraLoaderMixin, Wan için benzer işlevler sağlar.SkyReelsV2LoraLoaderMixin, SkyReels-V2 için benzer işlevler sağlar.CogView4LoraLoaderMixin, CogView4 için benzer işlevler sağlar.AmusedLoraLoaderMixin,AmusedPipelineiçindir.AnimaLoraLoaderMixin, Anima için benzer işlevler sağlar.AceStepLoraLoaderMixin, ACE-Step için benzer işlevler sağlar.HiDreamImageLoraLoaderMixin, HiDream Image için benzer işlevler sağlarQwenImageLoraLoaderMixin, Qwen Image için benzer işlevler sağlar.ZImageLoraLoaderMixin, Z-Image için benzer işlevler sağlar.Flux2LoraLoaderMixin, Flux2 için benzer işlevler sağlar.ErnieImageLoraLoaderMixin, Ernie-Image için benzer işlevler sağlar.LTX2LoraLoaderMixin, Flux2 için benzer işlevler sağlar.MiniMaxH3LoraLoaderMixin, MiniMax-H3 için benzer işlevler sağlar.PikaH3FlexLoraLoaderMixin, Pika H3 Flex için benzer işlevler sağlar.RFD4ProteinaLoraLoaderMixin, RFD4-Proteína için benzer işlevler sağlar.BriaFibo2LoraLoaderMixin, fibo-2 için benzer işlevler sağlar.LoraBaseMixin, LoRA'ları birleştirme, ayırma, yükleme ve daha fazlası için çeşitli yardımcı yöntemler içeren bir taban sınıfı sağlar.
LoRA ağırlıklarının nasıl yükleneceğini öğrenmek için LoRA yükleme kılavuzuna bakın.
RFD4ProteinaLoraLoaderMixin[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin]]
diffusers.loaders.RFD4ProteinaLoraLoaderMixin[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin]]
diffusers.loaders.RFD4ProteinaLoraLoaderMixin()
LoRA katmanlarını RFD4ProteinaTransformer içine yükleyin.
Otomatik kodlayıcı, gürültü azaltıcı kontrol noktasıyla eşleştirilir ve uyarlanmaz; bu nedenle dönüştürücü, yüklenebilir tek modüldür.
fuse_lora[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.RFD4ProteinaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin[[diffusers.loaders.lora_base.LoraBaseMixin]]
diffusers.loaders.lora_base.LoraBaseMixin()
LoRA'ları işlemek için yardımcı sınıf.
delete_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.delete_adapters]]
delete_adapters(adapter_names: list[str] | str)
Parametreler:
adapter_names (list[str, str]) : Silinecek adaptörlerin adları.
Hattın (pipeline) içindeki bir adaptörün LoRA katmanlarını silin.
Örnek:
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()
Hattın (pipeline) etkin LoRA katmanlarını devre dışı bırakır.
Örnek:
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()
Hattın (pipeline) etkin LoRA katmanlarını etkinleştirir.
Örnek:
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)
Parametreler:
target_rank (int) : Yüklenecek tüm adaptörler arasındaki en yüksek rütbe.
check_compiled (str, isteğe bağlı, varsayılan "error") : Zaten derlenmiş bir modelin nasıl ele alınacağı. Kontrol aşağıdaki mesajları döndürebilir: - "error" (varsayılan): bir hata fırlat - "warn": bir uyarı ver - "ignore": hiçbir şey yapma
Bir modelin yeniden derlenmesini tetiklemeden veya yüklenen adaptörlerin dereceleri farklıysa adaptörleri sıcak değiştirin.
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)
Parametreler:
components : (list[str]): LoRA'ların birleştirileceği LoRA enjekte edilebilir bileşenlerin listesi.
lora_scale (float, varsayılan 1.0) : LoRA parametrelerinin çıktıları ne ölçüde etkileyeceğini kontrol eder.
safe_fusing (bool, varsayılan False) : Birleştirme işleminden önce birleştirilmiş ağırlıkların NaN değerleri içerip içermediğini kontrol edip içeriyorsa birleştirmemeyi belirtir.
adapter_names (list[str], isteğe bağlı) : Birleştirme için kullanılacak adaptör adları. Hiçbiri geçirilmezse, tüm etkin adaptörler birleştirilir.
LoRA parametrelerini, ilgili blokların orijinal parametreleriyle birleştirir.
Örnek:
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()
Mevcut etkin adaptörlerin listesini alır.
Örnek:
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()
Hattın mevcut tüm kullanılabilir adaptörlerinin listesini alır.
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)
Parametreler:
adapter_names (list[str] veya str) : Kullanılacak adaptörlerin adları.
adapter_weights (float, dict veya list, isteğe bağlı) : Adaptörler için ağırlıklar. Bir skaler, tüm LoRA uyumlu bileşenleri ölçekler. Bir sözlük, bileşen adlarını (ör. "unet", "transformer" veya "text_encoder") ağırlıklara eşler; bir UNet bileşeninin ağırlığı ayrıca blok ölçeklerinden oluşan iç içe geçmiş bir sözlük de olabilir. Tek bir skaler veya sözlük, her adaptöre uygulanır. Bir liste, adapter_names sırasına göre her adaptör için bir skaler, sözlük veya None içermelidir. None, liste girdileri ve bileşen ağırlıkları dahil olmak üzere 1.0 varsayılanına sahiptir. Belirtilmeyen bileşenler ve UNet blokları da 1.0 varsayılanına sahiptir.
Hattın kullanımında aktif olarak kullanılacak adaptörleri ayarlayın.
Örnek:
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)
Parametreler:
adapter_names (list[str]) : cihazın gönderileceği adaptörlerin listesi.
device (torch.device | str | int) : Adaptörlerin gönderileceği cihaz. Bir torch cihazı, str veya tamsayı olabilir.
adapter_names içinde listelenen LoRA'ları hedef bir cihaza taşır. Birden fazla adaptör yüklemek ve GPU belleğinden yer açmak istediğinizde LoRA'yı CPU'ya taşımak için kullanışlıdır.
LoRA adaptörleri CPU'ya aktardıktan sonra, modelin geri kalanı GPU'da kaldığı sürece, LoRA adaptörleri artık çıkarım için kullanılamaz; çünkü bu bir cihaz uyumsuzluğuna neden olur. Bu LoRA adaptörlerini çıkarım için kullanmadan önce cihazı tekrar GPU'ya ayarlamayı unutmayın.
>>> 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)
Parametreler:
components (list[str]) : LoRA'nın çıkarılacağı LoRA enjekte edilebilir bileşenlerin listesi.
unfuse_unet (bool, varsayılan True) : UNet LoRA parametrelerinin ayrıştırılacak olup olmayacağı.
unfuse_text_encoder (bool, varsayılan True) : Metin kodlayıcı LoRA parametrelerinin ayrıştırılıp ayrıştırılmayacağını belirtir. Metin kodlayıcı LoRA parametreleriyle yamalanmadıysa, bu ayarın hiçbir etkisi olmaz.
pipe.fuse_lora() işleminin etkisini geri alır.
unload_lora_weights[[diffusers.loaders.lora_base.LoraBaseMixin.unload_lora_weights]]
unload_lora_weights()
LoRA parametrelerini boşaltır.
Örnekler:
>>> # 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)
LoRA katmanlarının durum sözlüğünü (isteğe bağlı olarak metadata ile birlikte) diske yazar.
StableDiffusionLoraLoaderMixin[[diffusers.loaders.StableDiffusionLoraLoaderMixin]]
diffusers.loaders.StableDiffusionLoraLoaderMixin[[diffusers.loaders.StableDiffusionLoraLoaderMixin]]
diffusers.loaders.StableDiffusionLoraLoaderMixin()
LoRA katmanlarını Stable Diffusion UNet2DConditionModel ve CLIPTextModel içine yükleyin.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. unet lora katmanlarından ayırt edebilmek için anahtar, ek olarak text_encoder önekiyle başlamalıdır.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
text_encoder (CLIPTextModel) : LoRA katmanlarının yükleneceği metin kodlayıcı modeli.
prefix (str) : state_dict içindeki text_encoder için beklenen önek.
lora_scale (float) : Düzenli lora katmanının çıktısıyla toplanmadan önce lora doğrusal katmanının çıktısının ne kadar ölçeklendirileceğini belirtir.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını text_encoder içine yükleyecektir.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. Anahtarlar, unet'e doğrudan indekslenebilir veya metin kodlayıcı lora katmanlarını ayırt etmek için kullanılabilecek ek bir unet önekiyle başlatılabilir.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
unet (UNet2DConditionModel) : LoRA katmanlarının yükleneceği UNet modeli.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan, yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını unet içine yükleyecektir.
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)
Parametreler:
pretrained_model_name_or_path_or_dict (str veya os.PathLike veya dict) : lora_state_dict() bkz.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, optional) : Defaults to False. Whether to substitute an existing (LoRA) adapter with the newly loaded adapter in-place. This means that, instead of loading an additional adapter, this will take the existing adapter weights and replace them with the weights of the new adapter. This can be faster and more memory efficient. However, the main advantage of hotswapping is that when the model is compiled with torch.compile, loading the new adapter does not require recompilation of the model. When using hotswapping, the passed adapter_name should be the name of an already loaded adapter. If the new adapter and the old adapter have different ranks and/or LoRA alphas (i.e. scaling), you need to call an additional method before loading the adapter: 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 Note that hotswapping adapters of the text encoder is not yet supported. There are some further limitations to this technique, which are documented here: https://huggingface.co/docs/peft/main/en/package_reference/hotswap
kwargs (dict, isteğe bağlı) : lora_state_dict()'e bakın.
pretrained_model_name_or_path_or_dict içinde belirtilen LoRA ağırlıklarını self.unet ve self.text_encoder içine yükler.
Tüm kwargs, self.lora_state_dict'ye iletilir.
State dict'in nasıl yüklendiğine dair daha fazla ayrıntı için lora_state_dict() işlevine bakın.
self.unet'e durum sözlüğünün nasıl yüklendiğine dair daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
self.text_encoder'e durum sözlüğünün nasıl yüklendiğine dair daha fazla ayrıntı için load_lora_into_text_encoder() işlevine bakın.
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)
Parametreler:
pretrained_model_name_or_path_or_dict (str veya os.PathLike veya dict) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir modelin model kimliği (örneğin google/ddpm-celebahq-256) olan bir dize. - ModelMixin.save_pretrained() ile kaydedilmiş model ağırlıklarını içeren bir dizin yolu (örneğin ./my_model_directory). - Bir torch state dict.
cache_dir (str | os.PathLike, isteğe bağlı) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu.
force_download (bool, isteğe bağlı, varsayılan False) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar.
proxies (dict[str, str], isteğe bağlı) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Vekiller her istekte kullanılır.
local_files_only (bool, isteğe bağlı, varsayılan False) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. True olarak ayarlanırsa, model Hub'dan indirilmez.
token (str veya bool, isteğe bağlı) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. True ise, diffusers-cli login ile oluşturulan jeton (~/.huggingface içinde saklanır) kullanılır.
revision (str, isteğe bağlı, varsayılan "main") : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir.
subfolder (str, isteğe bağlı, varsayılan "") : Hub'da veya yerel olarak daha büyük bir model deposu içindeki bir model dosyasının alt klasör konumu.
weight_name (str, isteğe bağlı, varsayılan olarak None) : Seri hale getirilmiş state dict dosyasının adı.
return_lora_metadata (bool, isteğe bağlı, varsayılan olarak False) : Etkinleştirildiğinde, genellikle state dict'te bulunan LoRA adaptör meta verilerini de döndürür.
lora ağırlıkları ve ağ alfa değerleri için durum sözlüğünü döndürür.
> A1111 biçimli LoRA checkpoint'lerini sınırlı bir kapasitede yüklemeyi destekliyoruz. > > Bu işlev deneysel olup gelecekte değişebilir.
save_lora_weights[[diffusers.loaders.StableDiffusionLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, unet_lora_layers: dict = None, text_encoder_lora_layers: dict = 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)
Parametreler:
save_directory (str veya os.PathLike) : LoRA parametrelerinin kaydedileceği dizin. Var değilse oluşturulur.
unet_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : unet'ye karşılık gelen LoRA katmanlarının state dict'i.
text_encoder_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : text_encoder'a karşılık gelen LoRA katmanlarının durum sözlüğü. 🤗 Transformers'tan geldiği için metin kodlayıcı LoRA durum sözlüğünün açıkça geçirilmesi gerekir.
is_main_process (bool, isteğe bağlı, varsayılan True) : Bu işlemi çağıran sürecin ana süreç olup olmadığı. Dağıtık eğitim sırasında ve bu fonksiyonu tüm süreçlerde çağırmanız gerektiğinde kullanışlıdır. Bu durumda, yarış durumlarını (race condition) önlemek için is_main_process=True değerini yalnızca ana süreçte ayarlayın.
save_function (Callable) : Durum sözlüğünü (state dictionary) kaydetmek için kullanılacak işlev. Dağıtık eğitim sırasında torch.save yerine başka bir yöntem kullanmanız gerektiğinde faydalıdır. DIFFUSERS_SAVE_MODE ortam değişkeni ile yapılandırılabilir.
safe_serialization (bool, isteğe bağlı, varsayılan True) : Modelin safetensors ile mi yoksa geleneksel PyTorch yöntemiyle pickle kullanılarak mı kaydedileceğini belirtir.
unet_lora_adapter_metadata : state dict ile birlikte serialize edilecek unet ile ilişkili LoRA adapter meta verileri.
text_encoder_lora_adapter_metadata : Durum sözlüğüyle birlikte seri hale getirilecek metin kodlayıcıyla ilişkili LoRA adaptör meta verileri.
UNet ve metin kodlayıcıya karşılık gelen LoRA parametrelerini kaydedin.
StableDiffusionXLLoraLoaderMixin[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin]]
diffusers.loaders.StableDiffusionXLLoraLoaderMixin[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin]]
diffusers.loaders.StableDiffusionXLLoraLoaderMixin()
Stable Diffusion XL UNet2DConditionModel, CLIPTextModel ve CLIPTextModelWithProjection bileşenlerine LoRA katmanlarını yükleyin.
fuse_lora[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['unet', 'text_encoder', 'text_encoder_2'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. unet lora katmanlarından ayırt edebilmek için anahtar, ek olarak text_encoder önekiyle başlamalıdır.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
text_encoder (CLIPTextModel) : LoRA katmanlarının yükleneceği metin kodlayıcı modeli.
prefix (str) : state_dict içindeki text_encoder için beklenen önek.
lora_scale (float) : Düzenli lora katmanının çıktısıyla toplanmadan önce lora doğrusal katmanının çıktısının ne kadar ölçeklendirileceğini belirtir.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını text_encoder içine yükleyecektir.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. Anahtarlar, unet'e doğrudan indekslenebilir veya metin kodlayıcı lora katmanlarını ayırt etmek için kullanılabilecek ek bir unet önekiyle başlatılabilir.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
unet (UNet2DConditionModel) : LoRA katmanlarının yükleneceği UNet modeli.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan, yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını unet içine yükleyecektir.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Parametreler:
pretrained_model_name_or_path_or_dict (str veya os.PathLike veya dict) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir modelin model kimliği (örneğin google/ddpm-celebahq-256) olan bir dize. - ModelMixin.save_pretrained() ile kaydedilmiş model ağırlıklarını içeren bir dizin yolu (örneğin ./my_model_directory). - Bir torch state dict.
cache_dir (str | os.PathLike, isteğe bağlı) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu.
force_download (bool, isteğe bağlı, varsayılan False) : Model ağırlıklarının ve yapılandırma dosyalarının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekteki sürümler varsa bunların üzerine yazar.
proxies (dict[str, str], isteğe bağlı) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü, örneğin {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}. Vekiller her istekte kullanılır.
local_files_only (bool, isteğe bağlı, varsayılan False) : Sadece yerel model ağırlıklarının ve yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir. True olarak ayarlanırsa, model Hub'dan indirilmez.
token (str veya bool, isteğe bağlı) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak jeton. True ise, diffusers-cli login ile oluşturulan jeton (~/.huggingface içinde saklanır) kullanılır.
revision (str, isteğe bağlı, varsayılan "main") : Kullanılacak belirli model sürümü. Bir dal adı, etiket adı, commit kimliği veya Git tarafından izin verilen herhangi bir tanımlayıcı olabilir.
subfolder (str, isteğe bağlı, varsayılan "") : Hub'da veya yerel olarak daha büyük bir model deposu içindeki bir model dosyasının alt klasör konumu.
weight_name (str, isteğe bağlı, varsayılan olarak None) : Seri hale getirilmiş state dict dosyasının adı.
return_lora_metadata (bool, isteğe bağlı, varsayılan olarak False) : Etkinleştirildiğinde, genellikle state dict'te bulunan LoRA adaptör meta verilerini de döndürür.
lora ağırlıkları ve ağ alfa değerleri için durum sözlüğünü döndürür.
> A1111 biçimli LoRA checkpoint'lerini sınırlı bir kapasitede yüklemeyi destekliyoruz. > > Bu işlev deneysel olup gelecekte değişebilir.
save_lora_weights[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, unet_lora_layers: dict = None, text_encoder_lora_layers: dict = None, text_encoder_2_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.StableDiffusionXLLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['unet', 'text_encoder', 'text_encoder_2'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
SD3LoraLoaderMixin[[diffusers.loaders.SD3LoraLoaderMixin]]
diffusers.loaders.SD3LoraLoaderMixin[[diffusers.loaders.SD3LoraLoaderMixin]]
diffusers.loaders.SD3LoraLoaderMixin()
LoRA katmanlarını SD3Transformer2DModel, CLIPTextModel ve CLIPTextModelWithProjection içine yükleyin.
StableDiffusion3Pipeline'e özgü.
fuse_lora[[diffusers.loaders.SD3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer', 'text_encoder', 'text_encoder_2'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. unet lora katmanlarından ayırt edebilmek için anahtar, ek olarak text_encoder önekiyle başlamalıdır.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
text_encoder (CLIPTextModel) : LoRA katmanlarının yükleneceği metin kodlayıcı modeli.
prefix (str) : state_dict içindeki text_encoder için beklenen önek.
lora_scale (float) : Düzenli lora katmanının çıktısıyla toplanmadan önce lora doğrusal katmanının çıktısının ne kadar ölçeklendirileceğini belirtir.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını text_encoder içine yükleyecektir.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.SD3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = None, text_encoder_lora_layers: dict = None, text_encoder_2_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.SD3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer', 'text_encoder', 'text_encoder_2'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
FluxLoraLoaderMixin[[diffusers.loaders.FluxLoraLoaderMixin]]
diffusers.loaders.FluxLoraLoaderMixin[[diffusers.loaders.FluxLoraLoaderMixin]]
diffusers.loaders.FluxLoraLoaderMixin()
LoRA katmanlarını FluxTransformer2DModel, CLIPTextModel içine yükleyin.
FluxPipeline'ye özgü.
fuse_lora[[diffusers.loaders.FluxLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
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)
Parametreler:
state_dict (dict) : lora katman parametrelerini içeren standart bir state dict. unet lora katmanlarından ayırt edebilmek için anahtar, ek olarak text_encoder önekiyle başlamalıdır.
network_alphas (dict[str, float]) : Kararlı öğrenme için kullanılan ve taşma altı (underflow) durumunu önleyen ağ alfası değeri. Bu değer, kohya-ss eğitim betiğindeki --network_alpha seçeneğiyle aynı anlama gelir. bu bağlantıya bakın.
text_encoder (CLIPTextModel) : LoRA katmanlarının yükleneceği metin kodlayıcı modeli.
prefix (str) : state_dict içindeki text_encoder için beklenen önek.
lora_scale (float) : Düzenli lora katmanının çıktısıyla toplanmadan önce lora doğrusal katmanının çıktısının ne kadar ölçeklendirileceğini belirtir.
adapter_name (str, isteğe bağlı) : Yüklenen adapter modeline atıfta bulunmak için kullanılacak adapter adı. Belirtilmezse, yüklenen adapterlerin toplam sayısını temsil eden i için default_{i} kullanılır.
low_cpu_mem_usage (bool, isteğe bağlı) : Rastgele ağırlıkları başlatmadan yalnızca önceden eğitilmiş LoRA ağırlıklarını yükleyerek model yükleme hızını artırır.
hotswap (bool, isteğe bağlı) : load_lora_weights() bkz.
metadata (dict) : İsteğe bağlı LoRA adaptör meta verileri. Sağlandığında, peft'nin LoraConfig argümanları durum sözlüğünden türetilmez.
Bu, state_dict içinde belirtilen LoRA katmanlarını text_encoder içine yükleyecektir.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.FluxLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = None, text_encoder_lora_layers: dict = 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)
Parametreler:
save_directory (str veya os.PathLike) : LoRA parametrelerinin kaydedileceği dizin. Var değilse oluşturulur.
transformer_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : transformer'a karşılık gelen LoRA katmanlarının durum sözlüğü.
text_encoder_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : text_encoder'a karşılık gelen LoRA katmanlarının durum sözlüğü. 🤗 Transformers'tan geldiği için metin kodlayıcı LoRA durum sözlüğünün açıkça geçirilmesi gerekir.
is_main_process (bool, isteğe bağlı, varsayılan True) : Bu işlemi çağıran sürecin ana süreç olup olmadığı. Dağıtık eğitim sırasında ve bu fonksiyonu tüm süreçlerde çağırmanız gerektiğinde kullanışlıdır. Bu durumda, yarış durumlarını (race condition) önlemek için is_main_process=True değerini yalnızca ana süreçte ayarlayın.
save_function (Callable) : Durum sözlüğünü (state dictionary) kaydetmek için kullanılacak işlev. Dağıtık eğitim sırasında torch.save yerine başka bir yöntem kullanmanız gerektiğinde faydalıdır. DIFFUSERS_SAVE_MODE ortam değişkeni ile yapılandırılabilir.
safe_serialization (bool, isteğe bağlı, varsayılan True) : Modelin safetensors ile mi yoksa geleneksel PyTorch yöntemiyle pickle kullanılarak mı kaydedileceğini belirtir.
transformer_lora_adapter_metadata : Durum sözlüğüyle birlikte serialize edilecek transformer ile ilişkili LoRA adaptör meta verileri.
text_encoder_lora_adapter_metadata : Durum sözlüğüyle birlikte seri hale getirilecek metin kodlayıcıyla ilişkili LoRA adaptör meta verileri.
UNet ve metin kodlayıcıya karşılık gelen LoRA parametrelerini kaydedin.
unfuse_lora[[diffusers.loaders.FluxLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer', 'text_encoder'], **kwargs)
Parametreler:
components (list[str]) : LoRA'nın çıkarılacağı LoRA enjekte edilebilir bileşenlerin listesi.
pipe.fuse_lora() işleminin etkisini geri alır.
unload_lora_weights[[diffusers.loaders.FluxLoraLoaderMixin.unload_lora_weights]]
unload_lora_weights(reset_to_overwritten_params = False)
Parametreler:
reset_to_overwritten_params (bool, varsayılan False) : LoRA yüklenmiş modüllerin orijinal parametrelerine sıfırlanıp sıfırlanmayacağını belirtir. Daha fazla bilgi için Flux belgelerine bakın.
LoRA parametrelerini boşaltır.
Örnekler:
>>> # 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()
LoRA katmanlarını Flux2Transformer2DModel içine yükleyin. Flux2Pipeline için özeldir.
fuse_lora[[diffusers.loaders.Flux2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Flux2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Flux2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
Flux3LoraLoaderMixin[[diffusers.loaders.Flux3LoraLoaderMixin]]
diffusers.loaders.Flux3LoraLoaderMixin[[diffusers.loaders.Flux3LoraLoaderMixin]]
diffusers.loaders.Flux3LoraLoaderMixin()
fuse_lora[[diffusers.loaders.Flux3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Flux3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Flux3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
BriaFibo2LoraLoaderMixin[[diffusers.loaders.BriaFibo2LoraLoaderMixin]]
diffusers.loaders.BriaFibo2LoraLoaderMixin[[diffusers.loaders.BriaFibo2LoraLoaderMixin]]
diffusers.loaders.BriaFibo2LoraLoaderMixin()
LoRA katmanlarını BriaFibo2Transformer2DModel içine yükleyin. BriaFibo2Pipeline için özeldir.
fuse_lora[[diffusers.loaders.BriaFibo2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.BriaFibo2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.BriaFibo2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
ErnieImageLoraLoaderMixin[[diffusers.loaders.ErnieImageLoraLoaderMixin]]
diffusers.loaders.ErnieImageLoraLoaderMixin[[diffusers.loaders.ErnieImageLoraLoaderMixin]]
diffusers.loaders.ErnieImageLoraLoaderMixin()
LoRA katmanlarını ErnieImageTransformer2DModel içine yükleyin. ErnieImagePipeline için özeldir.
fuse_lora[[diffusers.loaders.ErnieImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.ErnieImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.ErnieImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
LTX2LoraLoaderMixin[[diffusers.loaders.LTX2LoraLoaderMixin]]
diffusers.loaders.LTX2LoraLoaderMixin[[diffusers.loaders.LTX2LoraLoaderMixin]]
diffusers.loaders.LTX2LoraLoaderMixin()
LoRA katmanlarını LTX2VideoTransformer3DModel içine yükleyin. LTX2Pipeline için özeldir.
fuse_lora[[diffusers.loaders.LTX2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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')
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.LTX2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.LTX2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
CogVideoXLoraLoaderMixin[[diffusers.loaders.CogVideoXLoraLoaderMixin]]
diffusers.loaders.CogVideoXLoraLoaderMixin[[diffusers.loaders.CogVideoXLoraLoaderMixin]]
diffusers.loaders.CogVideoXLoraLoaderMixin()
LoRA katmanlarını CogVideoXTransformer3DModel içine yükleyin. CogVideoXPipeline için özeldir.
fuse_lora[[diffusers.loaders.CogVideoXLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.CogVideoXLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.CogVideoXLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
Mochi1LoraLoaderMixin[[diffusers.loaders.Mochi1LoraLoaderMixin]]
diffusers.loaders.Mochi1LoraLoaderMixin[[diffusers.loaders.Mochi1LoraLoaderMixin]]
diffusers.loaders.Mochi1LoraLoaderMixin()
LoRA katmanlarını MochiTransformer3DModel içine yükleyin. MochiPipeline için özeldir.
fuse_lora[[diffusers.loaders.Mochi1LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Mochi1LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Mochi1LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
AuraFlowLoraLoaderMixin[[diffusers.loaders.AuraFlowLoraLoaderMixin]]
diffusers.loaders.AuraFlowLoraLoaderMixin[[diffusers.loaders.AuraFlowLoraLoaderMixin]]
diffusers.loaders.AuraFlowLoraLoaderMixin()
LoRA katmanlarını AuraFlowTransformer2DModel içine yükle AuraFlowPipeline için özeldir.
fuse_lora[[diffusers.loaders.AuraFlowLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.AuraFlowLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.AuraFlowLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer', 'text_encoder'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
LTXVideoLoraLoaderMixin[[diffusers.loaders.LTXVideoLoraLoaderMixin]]
diffusers.loaders.LTXVideoLoraLoaderMixin[[diffusers.loaders.LTXVideoLoraLoaderMixin]]
diffusers.loaders.LTXVideoLoraLoaderMixin()
LoRA katmanlarını LTXVideoTransformer3DModel içine yükleyin. LTXPipeline için özeldir.
fuse_lora[[diffusers.loaders.LTXVideoLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.LTXVideoLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.LTXVideoLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
SanaLoraLoaderMixin[[diffusers.loaders.SanaLoraLoaderMixin]]
diffusers.loaders.SanaLoraLoaderMixin[[diffusers.loaders.SanaLoraLoaderMixin]]
diffusers.loaders.SanaLoraLoaderMixin()
LoRA katmanlarını SanaTransformer2DModel içine yükleyin. SanaPipeline için özeldir.
fuse_lora[[diffusers.loaders.SanaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.SanaLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.SanaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
HeliosLoraLoaderMixin[[diffusers.loaders.HeliosLoraLoaderMixin]]
diffusers.loaders.HeliosLoraLoaderMixin[[diffusers.loaders.HeliosLoraLoaderMixin]]
diffusers.loaders.HeliosLoraLoaderMixin()
LoRA katmanlarını HeliosTransformer3DModel içine yükler. HeliosPipeline ve HeliosPyramidPipeline için özeldir.
fuse_lora[[diffusers.loaders.HeliosLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.HeliosLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.HeliosLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
HunyuanVideoLoraLoaderMixin[[diffusers.loaders.HunyuanVideoLoraLoaderMixin]]
diffusers.loaders.HunyuanVideoLoraLoaderMixin[[diffusers.loaders.HunyuanVideoLoraLoaderMixin]]
diffusers.loaders.HunyuanVideoLoraLoaderMixin()
LoRA katmanlarını HunyuanVideoTransformer3DModel içine yükleyin. HunyuanVideoPipeline için özeldir.
fuse_lora[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.HunyuanVideoLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
Lumina2LoraLoaderMixin[[diffusers.loaders.Lumina2LoraLoaderMixin]]
diffusers.loaders.Lumina2LoraLoaderMixin[[diffusers.loaders.Lumina2LoraLoaderMixin]]
diffusers.loaders.Lumina2LoraLoaderMixin()
LoRA katmanlarını Lumina2Transformer2DModel içine yükleyin. Lumina2Pipeline için özeldir.
fuse_lora[[diffusers.loaders.Lumina2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Lumina2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Lumina2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
CogView4LoraLoaderMixin[[diffusers.loaders.CogView4LoraLoaderMixin]]
diffusers.loaders.CogView4LoraLoaderMixin[[diffusers.loaders.CogView4LoraLoaderMixin]]
diffusers.loaders.CogView4LoraLoaderMixin()
LoRA katmanlarını WanTransformer3DModel içine yükler. CogView4Pipeline'e özgüdür.
fuse_lora[[diffusers.loaders.CogView4LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.CogView4LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.CogView4LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
WanLoraLoaderMixin[[diffusers.loaders.WanLoraLoaderMixin]]
diffusers.loaders.WanLoraLoaderMixin[[diffusers.loaders.WanLoraLoaderMixin]]
diffusers.loaders.WanLoraLoaderMixin()
LoRA katmanlarını WanTransformer3DModel içine yükleyin. WanPipeline ve [WanImageToVideoPipeline için özeldir.
fuse_lora[[diffusers.loaders.WanLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.WanLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.WanLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
SkyReelsV2LoraLoaderMixin[[diffusers.loaders.SkyReelsV2LoraLoaderMixin]]
diffusers.loaders.SkyReelsV2LoraLoaderMixin[[diffusers.loaders.SkyReelsV2LoraLoaderMixin]]
diffusers.loaders.SkyReelsV2LoraLoaderMixin()
LoRA katmanlarını SkyReelsV2Transformer3DModel içine yükleyin.
fuse_lora[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.SkyReelsV2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
save_lora_weights[[diffusers.loaders.AmusedLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, text_encoder_lora_layers: dict = None, transformer_lora_layers: dict = None, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True)
Parametreler:
save_directory (str veya os.PathLike) : LoRA parametrelerinin kaydedileceği dizin. Var değilse oluşturulur.
unet_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : unet'ye karşılık gelen LoRA katmanlarının state dict'i.
text_encoder_lora_layers (dict[str, torch.nn.Module] veya dict[str, torch.Tensor]) : text_encoder'a karşılık gelen LoRA katmanlarının durum sözlüğü. 🤗 Transformers'tan geldiği için metin kodlayıcı LoRA durum sözlüğünün açıkça geçirilmesi gerekir.
is_main_process (bool, isteğe bağlı, varsayılan True) : Bu işlemi çağıran sürecin ana süreç olup olmadığı. Dağıtık eğitim sırasında ve bu fonksiyonu tüm süreçlerde çağırmanız gerektiğinde kullanışlıdır. Bu durumda, yarış durumlarını (race condition) önlemek için is_main_process=True değerini yalnızca ana süreçte ayarlayın.
save_function (Callable) : Durum sözlüğünü (state dictionary) kaydetmek için kullanılacak işlev. Dağıtık eğitim sırasında torch.save yerine başka bir yöntem kullanmanız gerektiğinde faydalıdır. DIFFUSERS_SAVE_MODE ortam değişkeni ile yapılandırılabilir.
safe_serialization (bool, isteğe bağlı, varsayılan True) : Modelin safetensors ile mi yoksa geleneksel PyTorch yöntemiyle pickle kullanılarak mı kaydedileceğini belirtir.
UNet ve metin kodlayıcıya karşılık gelen LoRA parametrelerini kaydedin.
AnimaLoraLoaderMixin[[diffusers.loaders.AnimaLoraLoaderMixin]]
diffusers.loaders.AnimaLoraLoaderMixin[[diffusers.loaders.AnimaLoraLoaderMixin]]
diffusers.loaders.AnimaLoraLoaderMixin()
LoRA katmanlarını CosmosTransformer3DModel ve AnimaTextConditioner içine yükleyin.
fuse_lora[[diffusers.loaders.AnimaLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer', 'text_conditioner'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
unfuse_lora[[diffusers.loaders.AnimaLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer', 'text_conditioner'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
AceStepLoraLoaderMixin[[diffusers.loaders.AceStepLoraLoaderMixin]]
diffusers.loaders.AceStepLoraLoaderMixin[[diffusers.loaders.AceStepLoraLoaderMixin]]
diffusers.loaders.AceStepLoraLoaderMixin()
LoRA katmanlarını AceStepTransformer1DModel içine yükleyin. AceStepPipeline için özeldir.
fuse_lora[[diffusers.loaders.AceStepLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.AceStepLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.AceStepLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
HiDreamImageLoraLoaderMixin[[diffusers.loaders.HiDreamImageLoraLoaderMixin]]
diffusers.loaders.HiDreamImageLoraLoaderMixin[[diffusers.loaders.HiDreamImageLoraLoaderMixin]]
diffusers.loaders.HiDreamImageLoraLoaderMixin()
LoRA katmanlarını HiDreamImageTransformer2DModel içine yükleyin. HiDreamImagePipeline için özeldir.
fuse_lora[[diffusers.loaders.HiDreamImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.HiDreamImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.HiDreamImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
QwenImageLoraLoaderMixin[[diffusers.loaders.QwenImageLoraLoaderMixin]]
diffusers.loaders.QwenImageLoraLoaderMixin[[diffusers.loaders.QwenImageLoraLoaderMixin]]
diffusers.loaders.QwenImageLoraLoaderMixin()
LoRA katmanlarını QwenImageTransformer2DModel içine yükleyin. QwenImagePipeline için özeldir.
fuse_lora[[diffusers.loaders.QwenImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.QwenImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.QwenImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
ZImageLoraLoaderMixin[[diffusers.loaders.ZImageLoraLoaderMixin]]
diffusers.loaders.ZImageLoraLoaderMixin[[diffusers.loaders.ZImageLoraLoaderMixin]]
diffusers.loaders.ZImageLoraLoaderMixin()
LoRA katmanlarını ZImageTransformer2DModel içine yükleyin. ZImagePipeline'e özgüdür.
fuse_lora[[diffusers.loaders.ZImageLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.ZImageLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.ZImageLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
CosmosLoraLoaderMixin[[diffusers.loaders.CosmosLoraLoaderMixin]]
diffusers.loaders.CosmosLoraLoaderMixin[[diffusers.loaders.CosmosLoraLoaderMixin]]
diffusers.loaders.CosmosLoraLoaderMixin()
LoRA katmanlarını CosmosTransformer3DModel içine yükleyin, Cosmos2_5_PredictBasePipeline için özelleştirilmiş.
fuse_lora[[diffusers.loaders.CosmosLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.CosmosLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.CosmosLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
KandinskyLoraLoaderMixin[[diffusers.loaders.KandinskyLoraLoaderMixin]]
diffusers.loaders.KandinskyLoraLoaderMixin[[diffusers.loaders.KandinskyLoraLoaderMixin]]
diffusers.loaders.KandinskyLoraLoaderMixin()
LoRA katmanlarını Kandinsky5Transformer3DModel içine yükleyin,
fuse_lora[[diffusers.loaders.KandinskyLoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.KandinskyLoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.KandinskyLoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
Ideogram4LoraLoaderMixin[[diffusers.loaders.Ideogram4LoraLoaderMixin]]
diffusers.loaders.Ideogram4LoraLoaderMixin[[diffusers.loaders.Ideogram4LoraLoaderMixin]]
diffusers.loaders.Ideogram4LoraLoaderMixin()
LoRA katmanlarını Ideogram4Transformer2DModel içine yükleyin. Ideogram4Pipeline için özeldir.
fuse_lora[[diffusers.loaders.Ideogram4LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Ideogram4LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Ideogram4LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
Krea2LoraLoaderMixin[[diffusers.loaders.Krea2LoraLoaderMixin]]
diffusers.loaders.Krea2LoraLoaderMixin[[diffusers.loaders.Krea2LoraLoaderMixin]]
diffusers.loaders.Krea2LoraLoaderMixin()
LoRA katmanlarını Krea2Transformer2DModel içine yükleyin. Krea2Pipeline için özeldir.
fuse_lora[[diffusers.loaders.Krea2LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.Krea2LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = 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)
Daha fazla bilgi için save_lora_weights() bölümüne bakın.
unfuse_lora[[diffusers.loaders.Krea2LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
MiniMaxH3LoraLoaderMixin[[diffusers.loaders.MiniMaxH3LoraLoaderMixin]]
diffusers.loaders.MiniMaxH3LoraLoaderMixin[[diffusers.loaders.MiniMaxH3LoraLoaderMixin]]
diffusers.loaders.MiniMaxH3LoraLoaderMixin()
LoRA katmanlarını MiniMaxH3Transformer3DModel içine yükleyin. MiniMaxH3ModularPipeline için özeldir.
MiniMax-H3, aynı modül adlarına sahip iki bağımsız DiT bölümüyle birlikte gelir (biri için yüklenen bir LoRA diğerine yüklenir ve çıktıyı bozar), bu nedenle yönlendirme açıktır: dönüştürülen state dict'ler transformer. hedefini alır; transformer_ref'e, transformer_ref. önekli bir dosya veya load_into_transformer_ref=True ile erişilir.
DiffSynth-Studio LoRA'ları (ör. DiffSynth-Studio/MiniMax-H3-LoRA-LineartAnime), ham checkpoint'in baş başa iç içe geçmiş (per-head-interleaved) füzyonlu QKV'sine karşı eğitilir ve dönüştürme sırasında iç içe geçme kaldırılır. fp32 katsayıları, füzyon yapılmamış LoRA yolunun fp32'de hesaplanmasını sağlar; yükleme sonrası modele .to(torch.bfloat16) uygulanması bf16 bellek bütçesini geri getirir.
Budaklanmış bir kontrol noktasına karşı eğitilen LoRA'lar (Comfy-Org/MiniMax-H3 içindeki *_pruned_* dosyaları; joyfox/MiniMax-H3-Turbo bunlardan biridir) boyut uyumsuzluğu hatasıyla başarısız olur. Alpha içermeyen dosyalar alpha == rank olarak yüklenir (ölçek 1.0, örneğin larryvrh/MiniMax-H3-Turbo-Lora tarafından belirtilen sözleşme); mevcut olduğunda __metadata__ içindeki alpha girdisi (ör. lightx2v/Minimax-h3-Turbo'nin 8 adımlık dosyası) yerine geçer.
fuse_lora[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.fuse_lora]]
fuse_lora(components: list = ['transformer', 'transformer_ref'], lora_scale: float = 1.0, safe_fusing: bool = False, adapter_names: list[str] | None = None, **kwargs)
Daha fazla ayrıntı için fuse_lora() bölümüne bakın.
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)
Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
LoRA katmanlarını transformer_ref bölümüne yükleyin. prefix, anahtarların taşıdığı bileşen adını belirtir; bölümü adlandıran bir dosya için bu değer transformer_ref, load_into_transformer_ref=True ile buraya yönlendirilen bir dosya için ise transformer olur. Daha fazla ayrıntı için load_lora_into_unet() işlevine bakın.
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)
Parametreler:
load_into_transformer_ref (bool, varsayılan False) : transformer. önekli katmanları transformer yerine, ref2va iş akışının gürültüden arındırdığı transformer_ref bölümüne yükler. Yalnızca her iki bölümün de yüklendiği durumlarda gereklidir: yalnızca transformer_ref içeren bir iş hattı zaten oraya yönlendirir.
LoRA katmanlarını transformer içine veya load_into_transformer_ref=True ile transformer_ref içine yükleyin. Daha fazla ayrıntı için load_lora_weights() bölümüne bakın.
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)
Daha fazla ayrıntı için lora_state_dict() bölümüne bakın.
save_lora_weights[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.save_lora_weights]]
save_lora_weights(save_directory: str | os.PathLike, transformer_lora_layers: dict = None, transformer_ref_lora_layers: dict = 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)
MiniMax-H3 bölümlerinden birinin veya her ikisinin de LoRA katmanlarını kaydedin. Bir LoRA'nın hangi bölüme ait olduğu, anahtarlarından geri kazanılamadığından, bunu kaydeden bir H3 LoRA yayınlamanın tek yolu budur. Daha fazla bilgi için save_lora_weights() işlevine bakın.
unfuse_lora[[diffusers.loaders.MiniMaxH3LoraLoaderMixin.unfuse_lora]]
unfuse_lora(components: list = ['transformer', 'transformer_ref'], **kwargs)
Daha fazla ayrıntı için unfuse_lora() bölümüne bakın.
PikaH3FlexLoraLoaderMixin[[diffusers.loaders.PikaH3FlexLoraLoaderMixin]]
diffusers.loaders.PikaH3FlexLoraLoaderMixin[[diffusers.loaders.PikaH3FlexLoraLoaderMixin]]
diffusers.loaders.PikaH3FlexLoraLoaderMixin()
LoRA katmanlarını MiniMaxH3Transformer3DModel içine yükleyin. PikaH3FlexModularPipeline için özeldir.
Pika H3 Flex sürümü iki MiniMax-H3 dönüştürücü bölmesi üzerinde rank-128 adaptör çiftidir ve diffusers modül adlarının düz PEFT dökümleri olarak yayımlanmıştır (transformer için fl2va/adapter.safetensors, transformer_ref için ref2va/adapter.safetensors). Alpha içermeyen dosyalar alpha == rank (ölçek 1.0) değerinde yüklenir; bu, adaptörlerin kendi sözleşmesidir. Yükleme, yönlendirme ve kaydetme işlemleri MiniMaxH3LoraLoaderMixin'inkidir: fl2va adaptörü transformer içine, ref2va adaptörü ise transformer_ref içine yerleştirilir — iş akışı yalnızca o bölmeyi içeriyorsa (workflow="ref2va") tek başına, her ikisini de içeriyorsa load_into_transformer_ref=True ile birlikte.
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()
LoRA'ları işlemek için yardımcı sınıf.
delete_adapters[[diffusers.loaders.lora_base.LoraBaseMixin.delete_adapters]]
delete_adapters(adapter_names: list[str] | str)
Parametreler:
adapter_names (list[str, str]) : Silinecek adaptörlerin adları.
Hattın (pipeline) içindeki bir adaptörün LoRA katmanlarını silin.
Örnek:
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()
Hattın (pipeline) etkin LoRA katmanlarını devre dışı bırakır.
Örnek:
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()
Hattın (pipeline) etkin LoRA katmanlarını etkinleştirir.
Örnek:
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)
Parametreler:
target_rank (int) : Yüklenecek tüm adaptörler arasındaki en yüksek rütbe.
check_compiled (str, isteğe bağlı, varsayılan "error") : Zaten derlenmiş bir modelin nasıl ele alınacağı. Kontrol aşağıdaki mesajları döndürebilir: - "error" (varsayılan): bir hata fırlat - "warn": bir uyarı ver - "ignore": hiçbir şey yapma
Bir modelin yeniden derlenmesini tetiklemeden veya yüklenen adaptörlerin dereceleri farklıysa adaptörleri sıcak değiştirin.
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)
Parametreler:
components : (list[str]): LoRA'ların birleştirileceği LoRA enjekte edilebilir bileşenlerin listesi.
lora_scale (float, varsayılan 1.0) : LoRA parametrelerinin çıktıları ne ölçüde etkileyeceğini kontrol eder.
safe_fusing (bool, varsayılan False) : Birleştirme işleminden önce birleştirilmiş ağırlıkların NaN değerleri içerip içermediğini kontrol edip içeriyorsa birleştirmemeyi belirtir.
adapter_names (list[str], isteğe bağlı) : Birleştirme için kullanılacak adaptör adları. Hiçbiri geçirilmezse, tüm etkin adaptörler birleştirilir.
LoRA parametrelerini, ilgili blokların orijinal parametreleriyle birleştirir.
Örnek:
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()
Mevcut etkin adaptörlerin listesini alır.
Örnek:
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()
Hattın mevcut tüm kullanılabilir adaptörlerinin listesini alır.
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)
Parametreler:
adapter_names (list[str] veya str) : Kullanılacak adaptörlerin adları.
adapter_weights (float, dict veya list, isteğe bağlı) : Adaptörler için ağırlıklar. Bir skaler, tüm LoRA uyumlu bileşenleri ölçekler. Bir sözlük, bileşen adlarını (ör. "unet", "transformer" veya "text_encoder") ağırlıklara eşler; bir UNet bileşeninin ağırlığı ayrıca blok ölçeklerinden oluşan iç içe geçmiş bir sözlük de olabilir. Tek bir skaler veya sözlük, her adaptöre uygulanır. Bir liste, adapter_names sırasına göre her adaptör için bir skaler, sözlük veya None içermelidir. None, liste girdileri ve bileşen ağırlıkları dahil olmak üzere 1.0 varsayılanına sahiptir. Belirtilmeyen bileşenler ve UNet blokları da 1.0 varsayılanına sahiptir.
Hattın kullanımında aktif olarak kullanılacak adaptörleri ayarlayın.
Örnek:
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)
Parametreler:
adapter_names (list[str]) : cihazın gönderileceği adaptörlerin listesi.
device (torch.device | str | int) : Adaptörlerin gönderileceği cihaz. Bir torch cihazı, str veya tamsayı olabilir.
adapter_names içinde listelenen LoRA'ları hedef bir cihaza taşır. Birden fazla adaptör yüklemek ve GPU belleğinden yer açmak istediğinizde LoRA'yı CPU'ya taşımak için kullanışlıdır.
LoRA adaptörleri CPU'ya aktardıktan sonra, modelin geri kalanı GPU'da kaldığı sürece, LoRA adaptörleri artık çıkarım için kullanılamaz; çünkü bu bir cihaz uyumsuzluğuna neden olur. Bu LoRA adaptörlerini çıkarım için kullanmadan önce cihazı tekrar GPU'ya ayarlamayı unutmayın.
>>> 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)
Parametreler:
components (list[str]) : LoRA'nın çıkarılacağı LoRA enjekte edilebilir bileşenlerin listesi.
unfuse_unet (bool, varsayılan True) : UNet LoRA parametrelerinin ayrıştırılacak olup olmayacağı.
unfuse_text_encoder (bool, varsayılan True) : Metin kodlayıcı LoRA parametrelerinin ayrıştırılıp ayrıştırılmayacağını belirtir. Metin kodlayıcı LoRA parametreleriyle yamalanmadıysa, bu ayarın hiçbir etkisi olmaz.
pipe.fuse_lora() işleminin etkisini geri alır.
unload_lora_weights[[diffusers.loaders.lora_base.LoraBaseMixin.unload_lora_weights]]
unload_lora_weights()
LoRA parametrelerini boşaltır.
Örnekler:
>>> # 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)
LoRA katmanlarının durum sözlüğünü (isteğe bağlı olarak metadata ile birlikte) diske yazar.
Xet Storage Details
- Size:
- 167 kB
- Xet hash:
- 3f319c345333db5c7a6f86e51fbd2350151d30d382c2be387f188622e88cf147
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.