Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /api /models /auto_model.md

mishig

about 16 hours ago

preview code

download

raw

9.85 kB

# AutoModel

[AutoModel](/docs/diffusers/main/tr/api/models/auto_model#diffusers.AutoModel), kontrol noktası `config.json` dosyasından doğru model sınıfını otomatik olarak alır.

## AutoModel[[diffusers.AutoModel]]

#### diffusers.AutoModel[[diffusers.AutoModel]]

```python
diffusers.AutoModel(*args, **kwargs)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L27)

#### from_pretrained[[diffusers.AutoModel.from_pretrained]]

```python
from_pretrained(pretrained_model_or_path: str | os.PathLike | None = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L155)

**Parametreler:**

pretrained_model_name_or_path (`str` veya `os.PathLike`, *isteğe bağlı*) : Şunlardan biri olabilir:  - Hub'da barındırılan önceden eğitilmiş bir modelin *model kimliği* (örneğin `google/ddpm-celebahq-256`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/models/overview#diffusers.ModelMixin.save_pretrained) ile kaydedilmiş model ağırlıklarını içeren bir *dizin* yolu (örneğin `./my_model_directory`).

cache_dir (`str | os.PathLike`, *isteğe bağlı*) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu.
dtype (`torch.dtype`, *isteğe bağlı*) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler.
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.

output_loading_info (`bool`, *isteğe bağlı*, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir.

local_files_only(`bool`, *isteğe bağlı*, varsayılan `False`) : Yalnızca 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.

mirror (`str`, *isteğe bağlı*) : Çin'de bir model indiriyorsanız erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız.

device_map (`str` veya `dict[str, int | str | torch.device]`, *isteğe bağlı*) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; bir modül adı bir kez içerisine alındığında, onun tüm alt modülleri aynı cihaza gönderilir. Varsayılan olarak `None`'dir, bu da modelin CPU üzerinde yükleneceği anlamına gelir. 🤗 Accelerate'ın en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` olarak ayarlayın. Her seçenek hakkında daha fazla bilgi için [bir device map tasarlamak](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın.
max_memory (`Dict`, *isteğe bağlı*) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır.

offload_folder (`str` veya `os.PathLike`, *isteğe bağlı*) : `device_map` değeri `"disk"` içeriyorsa ağırlıkların taşınacağı yol.

offload_state_dict (`bool`, *isteğe bağlı*) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır.

low_cpu_mem_usage (`bool`, *isteğe bağlı*, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir.
variant (`str`, *isteğe bağlı*) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirli bir `variant` dosya adından yükler.
use_safetensors (`bool`, *isteğe bağlı*, varsayılan `None`) : `None` olarak ayarlanırsa, `safetensors` ağırlıkları mevcut **ve** `safetensors` kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model `safetensors` ağırlıklarından zorla yüklenir. `False` olarak ayarlanırsa, `safetensors` ağırlıkları yüklenmez.

disable_mmap ('bool', *isteğe bağlı*, varsayılan 'False') : Bir Safetensors modeli yüklenirken mmap'in devre dışı bırakılıp bırakılmayacağını belirtir. Model bir ağ biriminde veya sabit diskte olduğunda, bu ortamın mmap'in rastgele erişim (seek) davranışını iyi yönetememesi nedeniyle bu seçenek daha iyi performans gösterebilir.
trust_remote_cocde (`bool`, *isteğe bağlı*, varsayılan `False`) : Uzaktaki kodun güvenilip güvenilmeyeceği
Önceden eğitilmiş bir model yapılandırmasından önceden eğitilmiş bir PyTorch modeli örnekleyin.
Model varsayılan olarak değerlendirme moduna ayarlanır - `model.eval()` - ve dropout modülleri devre dışı bırakılır. Modeli eğitmek için `model.train()` ile eğitim moduna geri ayarlayın.
> [!TIP] > Özel veya [korumalı modelleri](https://huggingface.co/docs/hub/models-gated#gated-models) kullanmak için oturum açın
`hf > auth login` ile. Bu yöntemi bir > ["offline-mode"](https://huggingface.co/diffusers/installation.html#offline-mode) ile etkinleştirerek > güvenlik duvarlı bir ortamda da kullanabilirsiniz.
Örnek:
```py
from diffusers import AutoModel
unet = AutoModel.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5", subfolder="unet")
```
Aşağıdaki hata mesajını alıyorsanız, aşağı akış göreviniz için ağırlıkları ince ayar yapmanız gerekir:
```bash
Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match:
- conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated
You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
```
#### from_config[[diffusers.AutoModel.from_config]]
```python
from_config(pretrained_model_name_or_path_or_dict: str | os.PathLike | dict | None = None, **kwargs)
```
[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L38)
**Parametreler:**

pretrained_model_name_or_path_or_dict (`str`, `os.PathLike` veya `dict`) : Şunlardan biri olabilir:  - Hub'da barındırılan önceden eğitilmiş bir model yapılandırmasının *model kimliği* (örneğin `google/ddpm-celebahq-256`) olan bir dize. - Bir model yapılandırma dosyası içeren bir *dizin* yolu (örneğin `./my_model_directory`). - Bir yapılandırma sözlüğü.

cache_dir (`Union[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 yapılandırmasının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekte bir sürüm varsa bu sürümün üzerine yazar.

proxies (`Dict[str, str]`, *isteğe bağlı*) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü.

local_files_only(`bool`, *isteğe bağlı*, varsayılan `False`) : Yalnızca yerel model yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir.

token (`str` veya *bool*, *isteğe bağlı*) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak belirteç.

revision (`str`, *isteğe bağlı*, varsayılan `"main"`) : Kullanılacak belirli model sürümü.

trust_remote_code (`bool`, *isteğe bağlı*, varsayılan `False`) : Uzaktaki kodun güvenilip güvenilmeyeceği.

subfolder (`str`, *isteğe bağlı*, varsayılan `""`) : Hub'da veya yerel olarak daha büyük bir model deposu içindeki bir model dosyasının alt klasör konumu.

**Dönüş:**

Rastgele ağırlıklarla yapılandırma (config) üzerinden örneklenen bir model nesnesi.

Rastgele ağırlıklarla bir yapılandırma sözlüğünden veya önceden eğitilmiş bir model yapılandırma dosyasından model örnekleyin (önceden eğitilmiş ağırlıklar yüklenmez).

Örnek:

```py
from diffusers import AutoModel
model = AutoModel.from_config("stable-diffusion-v1-5/stable-diffusion-v1-5", subfolder="unet")
```

Xet Storage Details

Size:: 9.85 kB
Xet hash:: 3c25ab405f1e4159c528fdc941abeb16101ce1d1f4dca2e23d4eb63ee90c5dba

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# AutoModel

	[AutoModel](/docs/diffusers/main/tr/api/models/auto_model#diffusers.AutoModel), kontrol noktası `config.json` dosyasından doğru model sınıfını otomatik olarak alır.

	## AutoModel[[diffusers.AutoModel]]

	#### diffusers.AutoModel[[diffusers.AutoModel]]

	```python
	diffusers.AutoModel(args, *kwargs)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L27)

	#### from_pretrained[[diffusers.AutoModel.from_pretrained]]

	```python
	from_pretrained(pretrained_model_or_path: str \| os.PathLike \| None = None, **kwargs)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L155)

	Parametreler:

	pretrained_model_name_or_path (`str` veya `os.PathLike`, isteğe bağlı) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir modelin model kimliği (örneğin `google/ddpm-celebahq-256`) olan bir dize. - [save_pretrained()](/docs/diffusers/main/tr/api/models/overview#diffusers.ModelMixin.save_pretrained) ile kaydedilmiş model ağırlıklarını içeren bir dizin yolu (örneğin `./my_model_directory`).

	cache_dir (`str \| os.PathLike`, isteğe bağlı) : Standart önbellek kullanılmıyorsa, indirilen önceden eğitilmiş model yapılandırmasının önbelleğe alındığı dizinin yolu.

	dtype (`torch.dtype`, isteğe bağlı) : Varsayılan `torch.dtype` değerini geçersiz kılar ve modeli başka bir dtype ile yükler.

	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.

	output_loading_info (`bool`, isteğe bağlı, varsayılan `False`) : Eksik anahtarlar, beklenmeyen anahtarlar ve hata mesajlarını içeren bir sözlüğün de döndürülüp döndürülmeyeceğini belirtir.

	local_files_only(`bool`, isteğe bağlı, varsayılan `False`) : Yalnızca 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.

	mirror (`str`, isteğe bağlı) : Çin'de bir model indiriyorsanız erişilebilirlik sorunlarını çözmek için ayna kaynağı. Kaynağın güncelliğini veya güvenliğini garanti etmiyoruz; daha fazla bilgi için ayna sitesine başvurmalısınız.

	device_map (`str` veya `dict[str, int \| str \| torch.device]`, isteğe bağlı) : Her alt modülün nereye gideceğini belirten bir eşleme. Her parametre/buffer adı için tanımlanması gerekmez; bir modül adı bir kez içerisine alındığında, onun tüm alt modülleri aynı cihaza gönderilir. Varsayılan olarak `None`'dir, bu da modelin CPU üzerinde yükleneceği anlamına gelir. 🤗 Accelerate'ın en optimize `device_map`'i otomatik olarak hesaplaması için `device_map="auto"` olarak ayarlayın. Her seçenek hakkında daha fazla bilgi için [bir device map tasarlamak](https://hf.co/docs/accelerate/main/en/usage_guides/big_modeling#designing-a-device-map) bölümüne bakın.

	max_memory (`Dict`, isteğe bağlı) : Maksimum bellek için bir sözlük cihaz tanımlayıcısı. Ayarlanmazsa, varsayılan olarak her GPU için kullanılabilir maksimum bellek ve kullanılabilir CPU RAM'i olacaktır.

	offload_folder (`str` veya `os.PathLike`, isteğe bağlı) : `device_map` değeri `"disk"` içeriyorsa ağırlıkların taşınacağı yol.

	offload_state_dict (`bool`, isteğe bağlı) : `True` ise, CPU durum sözlüğünün ağırlığı + checkpoint'in en büyük dilimi sığmıyorsa CPU RAM'inin dolmasını önlemek için CPU durum sözlüğü geçici olarak sabit diske aktarılır. Disk aktarımı varsa varsayılan olarak `True` değerine ayarlanır.

	low_cpu_mem_usage (`bool`, isteğe bağlı, varsayılan olarak PyTorch sürümü >= 1.9.0 ise `True`, aksi halde `False`) : Ağırlıkları başlatmadan yalnızca önceden eğitilmiş ağırlıkları yükleyerek model yüklemesini hızlandırır. Bu, model yüklenirken (tepe bellek dahil) CPU belleğinde model boyutunun 1 katından fazlasını kullanmamaya da çalışır. Yalnızca PyTorch >= 1.9.0 için desteklenir. PyTorch'un daha eski bir sürümünü kullanıyorsanız, bu argümanı `True` olarak ayarlamak bir hata verecektir.

	variant (`str`, isteğe bağlı) : Ağırlıkları, `"fp16"` veya `"ema"` gibi belirli bir `variant` dosya adından yükler.

	use_safetensors (`bool`, isteğe bağlı, varsayılan `None`) : `None` olarak ayarlanırsa, `safetensors` ağırlıkları mevcut ve `safetensors` kütüphanesi yüklüyse indirilir. `True` olarak ayarlanırsa, model `safetensors` ağırlıklarından zorla yüklenir. `False` olarak ayarlanırsa, `safetensors` ağırlıkları yüklenmez.

	disable_mmap ('bool', isteğe bağlı, varsayılan 'False') : Bir Safetensors modeli yüklenirken mmap'in devre dışı bırakılıp bırakılmayacağını belirtir. Model bir ağ biriminde veya sabit diskte olduğunda, bu ortamın mmap'in rastgele erişim (seek) davranışını iyi yönetememesi nedeniyle bu seçenek daha iyi performans gösterebilir.

	trust_remote_cocde (`bool`, isteğe bağlı, varsayılan `False`) : Uzaktaki kodun güvenilip güvenilmeyeceği

	Önceden eğitilmiş bir model yapılandırmasından önceden eğitilmiş bir PyTorch modeli örnekleyin.

	Model varsayılan olarak değerlendirme moduna ayarlanır - `model.eval()` - ve dropout modülleri devre dışı bırakılır. Modeli eğitmek için `model.train()` ile eğitim moduna geri ayarlayın.

	> [!TIP] > Özel veya [korumalı modelleri](https://huggingface.co/docs/hub/models-gated#gated-models) kullanmak için oturum açın
	`hf > auth login` ile. Bu yöntemi bir > ["offline-mode"](https://huggingface.co/diffusers/installation.html#offline-mode) ile etkinleştirerek > güvenlik duvarlı bir ortamda da kullanabilirsiniz.

	Örnek:

	```py
	from diffusers import AutoModel

	unet = AutoModel.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5", subfolder="unet")
	```

	Aşağıdaki hata mesajını alıyorsanız, aşağı akış göreviniz için ağırlıkları ince ayar yapmanız gerekir:

	```bash
	Some weights of UNet2DConditionModel were not initialized from the model checkpoint at stable-diffusion-v1-5/stable-diffusion-v1-5 and are newly initialized because the shapes did not match:
	- conv_in.weight: found shape torch.Size([320, 4, 3, 3]) in the checkpoint and torch.Size([320, 9, 3, 3]) in the model instantiated
	You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
	```

	#### from_config[[diffusers.AutoModel.from_config]]

	```python
	from_config(pretrained_model_name_or_path_or_dict: str \| os.PathLike \| dict \| None = None, **kwargs)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/auto_model.py#L38)

	Parametreler:

	pretrained_model_name_or_path_or_dict (`str`, `os.PathLike` veya `dict`) : Şunlardan biri olabilir: - Hub'da barındırılan önceden eğitilmiş bir model yapılandırmasının model kimliği (örneğin `google/ddpm-celebahq-256`) olan bir dize. - Bir model yapılandırma dosyası içeren bir dizin yolu (örneğin `./my_model_directory`). - Bir yapılandırma sözlüğü.

	cache_dir (`Union[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 yapılandırmasının (yeniden) indirilmesinin zorlanıp zorlanmayacağını belirler; önbellekte bir sürüm varsa bu sürümün üzerine yazar.

	proxies (`Dict[str, str]`, isteğe bağlı) : Protokol veya uç nokta bazında kullanılacak vekil sunucuların sözlüğü.

	local_files_only(`bool`, isteğe bağlı, varsayılan `False`) : Yalnızca yerel model yapılandırma dosyalarının yüklenip yüklenmeyeceğini belirtir.

	token (`str` veya bool, isteğe bağlı) : Uzaktaki dosyalar için HTTP bearer yetkilendirmesi olarak kullanılacak belirteç.

	revision (`str`, isteğe bağlı, varsayılan `"main"`) : Kullanılacak belirli model sürümü.

	trust_remote_code (`bool`, isteğe bağlı, varsayılan `False`) : Uzaktaki kodun güvenilip güvenilmeyeceği.

	subfolder (`str`, isteğe bağlı, varsayılan `""`) : Hub'da veya yerel olarak daha büyük bir model deposu içindeki bir model dosyasının alt klasör konumu.

	Dönüş:

	Rastgele ağırlıklarla yapılandırma (config) üzerinden örneklenen bir model nesnesi.

	Rastgele ağırlıklarla bir yapılandırma sözlüğünden veya önceden eğitilmiş bir model yapılandırma dosyasından model örnekleyin (önceden eğitilmiş ağırlıklar yüklenmez).

	Örnek:

	```py
	from diffusers import AutoModel

	model = AutoModel.from_config("stable-diffusion-v1-5/stable-diffusion-v1-5", subfolder="unet")
	```