Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /es /modular_diffusers /auto_docstring.md

mishig

2 days ago

preview code

download

raw

5.7 kB

# Plantillas de docstring y parámetros automáticas

Cada [ModularPipelineBlocks](/docs/diffusers/v0.43.0/es/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) tiene una propiedad `doc` que se genera automáticamente a partir de su `description`, `inputs`, `intermediate_outputs`, `expected_components` y `expected_configs`. El sistema de docstrings automáticos mantiene las docstrings sincronizadas con la interfaz real del bloque. Las plantillas de parámetros proporcionan descripciones estandarizadas para parámetros que aparecen en muchos pipelines.

## Auto docstring

Los bloques de pipeline modulares son componibles: puedes anidarlos, encadenarlos en secuencias y reorganizarlos libremente. Sus docstrings siguen el mismo patrón. Cuando un [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/es/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) agrega las entradas y salidas de sus subbloques, la documentación debe actualizarse automáticamente sin reescrituras manuales.

El marcador `# auto_docstring` genera docstrings a partir de las propiedades del bloque. Añádelo sobre la definición de una clase para marcarla para la generación automática de docstrings.

```py
# auto_docstring
class FluxTextEncoderStep(SequentialPipelineBlocks):
    ...
```

Ejecuta el siguiente comando para generar e insertar las docstrings.

```bash
python utils/modular_auto_docstring.py --fix_and_overwrite
```

La utilidad lee la propiedad `doc` del bloque y la inserta como docstring de la clase.

```py
# auto_docstring
class FluxTextEncoderStep(SequentialPipelineBlocks):
    """
    Text input processing step that standardizes text embeddings for the pipeline.
    Inputs:
        prompt_embeds (`torch.Tensor`) *required*:
            text embeddings used to guide the image generation.
        ...
    Outputs:
        prompt_embeds (`torch.Tensor`):
            text embeddings used to guide the image generation.
        ...
    """
```

También puede verificar sin sobrescribir, o apuntar a un archivo o directorio específico.

```bash
# Check that all marked classes have up-to-date docstrings
python utils/modular_auto_docstring.py
# Check a specific file or directory
python utils/modular_auto_docstring.py src/diffusers/modular_pipelines/flux/
```

Si alguna clase marcada carece de docstring, la comprobación falla y enumera las clases que necesitan actualizarse.

```
Found the following # auto_docstring markers that need docstrings:
- src/diffusers/modular_pipelines/flux/encoders.py: FluxTextEncoderStep at line 42
Run `python utils/modular_auto_docstring.py --fix_and_overwrite` to fix them.
```

## Plantillas de parámetros

`InputParam` y `OutputParam` definen las entradas y salidas de un bloque. Créalos directamente o usa `.template()` para definiciones estandarizadas de parámetros comunes como `prompt`, `num_inference_steps` o `latents`.

### InputParam

`InputParam` describe una sola entrada de un bloque.

| Campo | Tipo | Descripción |
|---|---|---|
| `name` | `str` | Nombre del parámetro |
| `type_hint` | `Any` | Anotación de tipo (p. ej., `str`, `torch.Tensor`) |
| `default` | `Any` | Valor predeterminado (si no se establece, el parámetro no tiene valor predeterminado) |
| `required` | `bool` | Si el parámetro es obligatorio |
| `description` | `str` | Descripción legible por humanos |
| `kwargs_type` | `str` | Nombre del grupo para parámetros relacionados (p. ej., `"denoiser_input_fields"`) |
| `metadata` | `dict` | Información adicional arbitraria |

#### Creación de InputParam directamente

```py
from diffusers.modular_pipelines import InputParam
InputParam(
    name="guidance_scale",
    type_hint=float,
    default=7.5,
    description="Scale for classifier-free guidance.",
)
```

#### Usando una plantilla

```py
InputParam.template("prompt")
# Equivalent to:
# InputParam(name="prompt", type_hint=str, required=True,
#            description="The prompt or prompts to guide image generation.")
```

Las plantillas establecen automáticamente `name`, `type_hint`, `default`, `required` y `description`. Sobrescribe cualquier campo o añade contexto con el parámetro `note`.

```py
# Override the default value
InputParam.template("num_inference_steps", default=28)
# Add a note to the description
InputParam.template("prompt_embeds", note="batch-expanded")
# description becomes: "text embeddings used to guide the image generation. ... (batch-expanded)"
```

### OutputParam

`OutputParam` describe una sola salida de un bloque.

| Campo | Tipo | Descripción |
|---|---|---|
| `name` | `str` | Nombre del parámetro |
| `type_hint` | `Any` | Anotación de tipo |
| `description` | `str` | Descripción legible por humanos |
| `kwargs_type` | `str` | Nombre del grupo para parámetros relacionados |
| `metadata` | `dict` | Información adicional arbitraria |

#### Creación de OutputParam directamente

```py
from diffusers.modular_pipelines import OutputParam
OutputParam(name="image_latents", type_hint=torch.Tensor, description="Encoded image latents.")
```

#### Usando una plantilla

```py
OutputParam.template("latents")
# Add a note to the description
OutputParam.template("prompt_embeds", note="batch-expanded")
```

## Plantillas disponibles

`INPUT_PARAM_TEMPLATES` y `OUTPUT_PARAM_TEMPLATES` se definen en [modular_pipeline_utils.py](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/modular_pipeline_utils.py). Incluyen parámetros comunes como `prompt`, `image`, `num_inference_steps`, `latents`, `prompt_embeds`, entre otros. Consulte el código fuente para obtener la lista completa de nombres de plantillas disponibles.

Xet Storage Details

Size:: 5.7 kB
Xet hash:: b69a3c9487edc093c0c26f585559c1578ea7cc6260a52c977e1de2586afede5d

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

	# Plantillas de docstring y parámetros automáticas

	Cada [ModularPipelineBlocks](/docs/diffusers/v0.43.0/es/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) tiene una propiedad `doc` que se genera automáticamente a partir de su `description`, `inputs`, `intermediate_outputs`, `expected_components` y `expected_configs`. El sistema de docstrings automáticos mantiene las docstrings sincronizadas con la interfaz real del bloque. Las plantillas de parámetros proporcionan descripciones estandarizadas para parámetros que aparecen en muchos pipelines.

	## Auto docstring

	Los bloques de pipeline modulares son componibles: puedes anidarlos, encadenarlos en secuencias y reorganizarlos libremente. Sus docstrings siguen el mismo patrón. Cuando un [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/es/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) agrega las entradas y salidas de sus subbloques, la documentación debe actualizarse automáticamente sin reescrituras manuales.

	El marcador `# auto_docstring` genera docstrings a partir de las propiedades del bloque. Añádelo sobre la definición de una clase para marcarla para la generación automática de docstrings.

	```py
	# auto_docstring
	class FluxTextEncoderStep(SequentialPipelineBlocks):
	...
	```

	Ejecuta el siguiente comando para generar e insertar las docstrings.

	```bash
	python utils/modular_auto_docstring.py --fix_and_overwrite
	```

	La utilidad lee la propiedad `doc` del bloque y la inserta como docstring de la clase.

	```py
	# auto_docstring
	class FluxTextEncoderStep(SequentialPipelineBlocks):
	"""
	Text input processing step that standardizes text embeddings for the pipeline.

	Inputs:
	prompt_embeds (`torch.Tensor`) required:
	text embeddings used to guide the image generation.
	...

	Outputs:
	prompt_embeds (`torch.Tensor`):
	text embeddings used to guide the image generation.
	...
	"""
	```

	También puede verificar sin sobrescribir, o apuntar a un archivo o directorio específico.

	```bash
	# Check that all marked classes have up-to-date docstrings
	python utils/modular_auto_docstring.py

	# Check a specific file or directory
	python utils/modular_auto_docstring.py src/diffusers/modular_pipelines/flux/
	```

	Si alguna clase marcada carece de docstring, la comprobación falla y enumera las clases que necesitan actualizarse.

	```
	Found the following # auto_docstring markers that need docstrings:
	- src/diffusers/modular_pipelines/flux/encoders.py: FluxTextEncoderStep at line 42

	Run `python utils/modular_auto_docstring.py --fix_and_overwrite` to fix them.
	```

	## Plantillas de parámetros

	`InputParam` y `OutputParam` definen las entradas y salidas de un bloque. Créalos directamente o usa `.template()` para definiciones estandarizadas de parámetros comunes como `prompt`, `num_inference_steps` o `latents`.

	### InputParam

	`InputParam` describe una sola entrada de un bloque.

	\| Campo \| Tipo \| Descripción \|
	\|---\|---\|---\|
	\| `name` \| `str` \| Nombre del parámetro \|
	\| `type_hint` \| `Any` \| Anotación de tipo (p. ej., `str`, `torch.Tensor`) \|
	\| `default` \| `Any` \| Valor predeterminado (si no se establece, el parámetro no tiene valor predeterminado) \|
	\| `required` \| `bool` \| Si el parámetro es obligatorio \|
	\| `description` \| `str` \| Descripción legible por humanos \|
	\| `kwargs_type` \| `str` \| Nombre del grupo para parámetros relacionados (p. ej., `"denoiser_input_fields"`) \|
	\| `metadata` \| `dict` \| Información adicional arbitraria \|

	#### Creación de InputParam directamente

	```py
	from diffusers.modular_pipelines import InputParam

	InputParam(
	name="guidance_scale",
	type_hint=float,
	default=7.5,
	description="Scale for classifier-free guidance.",
	)
	```

	#### Usando una plantilla

	```py
	InputParam.template("prompt")
	# Equivalent to:
	# InputParam(name="prompt", type_hint=str, required=True,
	# description="The prompt or prompts to guide image generation.")
	```

	Las plantillas establecen automáticamente `name`, `type_hint`, `default`, `required` y `description`. Sobrescribe cualquier campo o añade contexto con el parámetro `note`.

	```py
	# Override the default value
	InputParam.template("num_inference_steps", default=28)

	# Add a note to the description
	InputParam.template("prompt_embeds", note="batch-expanded")
	# description becomes: "text embeddings used to guide the image generation. ... (batch-expanded)"
	```

	### OutputParam

	`OutputParam` describe una sola salida de un bloque.

	\| Campo \| Tipo \| Descripción \|
	\|---\|---\|---\|
	\| `name` \| `str` \| Nombre del parámetro \|
	\| `type_hint` \| `Any` \| Anotación de tipo \|
	\| `description` \| `str` \| Descripción legible por humanos \|
	\| `kwargs_type` \| `str` \| Nombre del grupo para parámetros relacionados \|
	\| `metadata` \| `dict` \| Información adicional arbitraria \|

	#### Creación de OutputParam directamente

	```py
	from diffusers.modular_pipelines import OutputParam

	OutputParam(name="image_latents", type_hint=torch.Tensor, description="Encoded image latents.")
	```

	#### Usando una plantilla

	```py
	OutputParam.template("latents")

	# Add a note to the description
	OutputParam.template("prompt_embeds", note="batch-expanded")
	```

	## Plantillas disponibles

	`INPUT_PARAM_TEMPLATES` y `OUTPUT_PARAM_TEMPLATES` se definen en [modular_pipeline_utils.py](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/modular_pipeline_utils.py). Incluyen parámetros comunes como `prompt`, `image`, `num_inference_steps`, `latents`, `prompt_embeds`, entre otros. Consulte el código fuente para obtener la lista completa de nombres de plantillas disponibles.