参数

• state_dict (dict) — 包含LoRA层参数的标准状态字典。键值应以text_encoder开头以区分unet LoRA层。
• network_alphas (Dict[str, float]) — 参见LoRALinearLayer获取更多详细信息。
• text_encoder (CLIPTextModel) — 要加载LoRA层的文本编码器模型。
• prefix (str) — 预期在state_dict中的text_encoder的前缀。
• lora_scale (float) — 修改LoRA线性层输出的大小，在将其与常规LoRA层输出相加之前。
• adapter_name (str, 可选) — 要用于引用加载的适配器模型的适配器名称。如果未指定，将使用 default_{i} ，其中 i 是正在加载的适配器总数。

参数

• state_dict (dict) — 包含洛拉层参数的标准状态字典。键可以直接索引到unet或前面加上额外的unet，以便区分文本编码器洛拉层。
• network_alphas (Dict[str, float]) — 稳定学习和防止下溢所使用的网络alpha值。此值与kohya-ss训练脚本中的--network_alpha选项具有相同的含义。请参阅此链接。
• unet (UNet2DConditionModel) — 将洛拉层加载至其中的UNet模型。
• adapter_name (str, 可选) — 使用此名称参考加载的适配器模型。如果未指定，则将使用 default_{i}，其中 i 是正在加载的适配器总数。

参数

• 预训练模型名称或路径或字典 (str 或 os.PathLike 或 dict) — 参见 lora_state_dict()。
• kwargs (dict, 可选) — 请参见lora_state_dict()。
• adapter_name (str, 可选) — 用于引用已加载适配器模型的适配器名称。若未指定，将使用default_{i}，其中i是正在加载的适配器总数。

参数

• 预训练模型名称或路径或字典 (str 或 os.PathLike 或 dict) — 可以是：
  • 一个字符串，存储在Hub上的预训练模型的 模型ID（例如 google/ddpm-celebahq-256）。
  • 一个路径，指向包含使用 ModelMixin.save_pretrained() 保存的模型权重的 目录（例如 ./my_model_directory）。
  • 一个 torch状态字典。
• cache_dir (Union[str, os.PathLike], 可选) — 在不使用标准缓存的情况下，下载预训练模型配置的缓存目录。
• force_download (bool, 可选，默认为 False) — 是否强制下载模型权重和配置文件，如果存在则覆盖缓存版本。
• proxies (Dict[str, str], 可选) — 使用协议或端点使用的代理服务器字典，例如，{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理服务器在每次请求中使用。
• local_files_only (bool, 可选，默认为False) — 是否仅加载本地模型权重和配置文件。如果设置为True，则模型不会从Hub上下载。
• token (str或bool，可选) — 用作远程文件的HTTP摘要认证令牌。如果设置为True，则使用从diffusers-cli login生成的令牌（存储在~/.huggingface）。
• 修订版本 (str, 可选, 默认为 "main") — 要使用的特定模型版本。它可以是分支名称、标签名称、提交 ID 或 Git 允许的任何识别符。
• 子文件夹 (str, 可选, 默认为 "") — 模型文件在 Hub 或本地较大模型仓库中的子文件夹位置。
• 权重名称 (str, 可选, 默认为 None) — 序列化状态字典文件的名称。

参数

• save_directory (字符串 或 os.PathLike) — 存储LoRA参数的目录。如果不存在，将被创建。
• unet_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 unet 的 LoRA 层的状态字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 text_encoder 的 LoRA 层的状态字典。必须显式传递文本编码器 LoRA 状态字典，因为它来自 🤗 Transformers。
• is_main_process (bool，可选，默认为 True）— 调用此过程的进程是否为主进程。在分布式训练期间非常有用，您需要在所有进程中调用此函数。在这种情况下，仅将 is_main_process=True 设置为主进程以避免竞争条件。
• save_function (Callable) — 用于保存状态字典的函数。在分布式训练期间，当需要替换 torch.save 为另一种方法时很有用。可以通过环境变量 DIFFUSERS_SAVE_MODE 进行配置。
• safe_serialization (bool, 可选，默认为 True) — 是否使用 safetensors 或传统的 PyTorch 方式（使用 pickle）保存模型。

参数

• state_dict (dict) — 包括 lora 层参数的标准状态字典。键名应使用额外的 text_encoder 作为前缀来区分 unet lora 层。
• network_alphas (Dict[str, float]) — 查看更多详情，请参见 LoRALinearLayer。
• text_encoder (CLIPTextModel) — 将 LoRA 层加载进中的文本编码器模型。
• prefix (str) — 期望的 text_encoder 的 state_dict 的前缀。
• lora_scale (float) — 在将其与常规 lora 层的输出相加之前，调整 lora 线性层输出的比例。
• adapter_name (str, 可选) — 用于引用加载的适配器模型的适配器名称。如未指定，将使用 default_{i}，其中 i 是正在加载的适配器总数。

参数

• state_dict (dict) — 包含 LoRA 层参数的标准状态字典。键可以直接索引到 unet，或者可以添加前缀 unet 以区分文本编码器 LoRA 层。
• network_alphas (Dict[str, float]) — 用于稳定学习和防止下溢的网络 alpha 值。此值与 kohya-ss 训练脚本中的 --network_alpha 选项具有相同的意义。请参考 此链接。
• unet (UNet2DConditionModel) — 要加载 LoRA 层的 UNet 模型。
• adapter_name (str, 可选) — 用于引用加载的适配器模型的适配器名称。如未指定，将使用 default_{i}，其中 i 是正在加载的适配器总数。

参数

• 预训练模型名称或路径或字典 (str 或 os.PathLike 或 dict) — 请参阅 lora_state_dict()。
• adapter_name (str, 可选) — 用于引用加载的适配器模型的适配器名称。如果未指定，将使用 default_{i}，其中 i 是正在加载的适配器的总数。
• kwargs (dict, 可选) — 请参阅 lora_state_dict()。

参数

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下之一：
  • 字符串，Hub 上托管的预训练模型的 模型 ID（例如 google/ddpm-celebahq-256）。
  • 包含使用ModelMixin.save_pretrained() 保存的模型权重的 目录路径（例如 ./my_model_directory）。
  • torch 状态字典。
• cache_dir (Union[str, os.PathLike]，可选）— 如果不使用标准缓存，则将下载的预训练模型配置缓存到该目录的路径。
• force_download (bool，可选，默认为 False）— 是否强制重新下载模型权重和配置文件，如果存在缓存版本则覆盖。
• proxies (Dict[str, str]，可选) — 基于协议或端点使用的代理服务器列表，例如，{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。在每个请求中使用代理。
• local_files_only (bool，可选，默认为 False）— 是否仅加载本地模型权重和配置文件。如果设置为 True，则模型不会从 Hub 下载。
• token (str 或 bool，可选) — 用于远程文件 HTTP 身份验证的令牌。如果设置为 True，则使用从 diffusers-cli login 生成的令牌（存储在 ~/.huggingface 中）。
• 修订版本 （str，可选，默认为 "main"） — 要使用的特定模型版本。可以是分支名称、标签名称、提交ID或Git允许的任何标识符。
• 子文件夹 （str，可选，默认为 ""） — 模型文件的子文件夹位置，位于Hub或本地的更大的模型仓库中。
• 权重名称 （str，可选，默认为 None） — 序列化状态字典文件的名称。

参数

• 保存目录 (str 或 os.PathLike) — 保存 LoRA 参数的目录。如果不存在，将会被创建。
• unet_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 unet 的 LoRA 层的状态字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 text_encoder 的 LoRA 层的状态字典。必须显式传递文本编码器 LoRA 状态字典，因为它来自 🤗 Transformers。
• text_encoder_2_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 text_encoder_2 的 LoRA 层的状态字典。必须显式传递文本编码器 LoRA 状态字典，因为它来自 🤗 Transformers。
• is_main_process (bool, 可选, 默认为 True) — 调用此函数的进程是否为主进程。在分布式训练期间非常有用，并且需要在所有进程中调用此函数。在这种情况下，仅将主进程的 is_main_process=True 设置为 True 以避免竞争条件。
• save_function (Callable) — 用于保存状态字典的函数。在分布式训练期间非常有用，当需要将 torch.save 替换为其他方法时。可以通过环境变量 DIFFUSERS_SAVE_MODE 进行配置。
• safe_serialization (bool, 可选, 默认为 True) — 是否使用 safetensors 或传统的 PyTorch 方式（使用 pickle）保存模型。

参数

• state_dict (dict) — 包含洛拉层参数的标准状态字典。键应以额外的 text_encoder 前缀来区分 U-Net 洛拉层。
• network_alphas (Dict[str, float]) — 参见 LoRALinearLayer 了解更多详情。
• text_encoder (CLIPTextModel) — 将 LoRA 层加载进来的文本编码器模型。
• prefix (str) — expected prefix of the text_encoder in the state_dict.
• lora_scale (float) — 在将其与常规lora层的输出相加之前，如何调整lora线性层的输出。
• adapter_name (str, 可选) — 使用的引用已加载适配器模型的适配器名称。如果未指定，则使用default_{i}，其中i为正在加载的适配器总数。

参数

• state_dict (dict) — 包含LoRA层参数的标准状态字典。键可以直接索引到unet，或者前缀加一个额外的unet，用于区分文本编码器LoRA层。
• transformer (SD3Transformer2DModel) — 将LoRA层加载进来的Transformer模型。
• adapter_name (str, 可选) — 用于引用加载的适配器模型的名称。如果未指定，则使用default_{i}，其中i是要加载的适配器的总数量。

参数

• 预训练模型名称、路径或字典 (str 或 os.PathLike 或 dict) — 请参阅 lora_state_dict()。
• kwargs (dict, 可选) — 请参阅 lora_state_dict()。
• adapter_name (str, 可选) — 将用于引用已加载的适配器模型的名字。如果未指定，将使用 default_{i}，其中 i 是正在加载的适配器总数。

参数

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下之一：
  • 一个字符串，Hugging Face Hub 上托管的一个预训练模型的 模型 id（例如 google/ddpm-celebahq-256）。
  • 一个包含使用 ModelMixin.save_pretrained() 保存的模型权重的 目录 路径（例如 ./my_model_directory）。
  • torch 状态字典。
• cache_dir (Union[str, os.PathLike], 可选) — 如果不使用标准缓存，则将下载的预训练模型配置缓存的目录路径。
• force_download (bool, 可选, 默认为 False) — 是否强制下载（重新）模型权重和配置文件，如果存在缓存版本则覆盖。
• proxies (Dict[str, str], 可选) — 用于协议或端点的代理服务器字典，例如，{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。在每个请求中使用代理。
• local_files_only (bool, 可选，默认为 False) — 是否只加载本地的模型权重和配置文件。如果设置为 True，模型将不会从Hub下载。
• token (str 或 可选) — 用于远程文件HTTP认证令牌。如果为 True，使用从 diffusers-cli login 生成的令牌（存储在 ~/.huggingface）。
• revision (str，可选，默认为 "main") — 要使用的特定模型版本。可以是分支名、标签名、提交id或Git允许的任何标识符。
• 子文件夹 (str, 可选, 默认值为 "") — 模型文件在 Hub 或本地的较大模型存储库中的子文件夹位置。

参数

• save_directory (str 或 os.PathLike) — 保存 LoRA 参数的目录。如果不存在将创建。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 transformer 的 LoRA 层的状态字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 对应于 text_encoder 的 LoRA 层的状态字典。由于它来自 🤗 Transformers，必须显式传递文本编码器的 LoRA 状态字典。
• text_encoder_2_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 与 text_encoder_2 对应的 LoRA 层的状态字典。必须显式地传递文本编码器的 LoRA 状态字典，因为它来自 🤗 Transformers。
• is_main_process (bool，可选，默认为 True）— 调用此过程的进程是否是主进程。在分布式训练期间很有用，您需要在所有进程上调用此函数。在这种情况下，仅在主进程中设置 is_main_process=True 以避免竞争条件。
• save_function (Callable）— 保存状态字典所使用的函数。在分布式训练期间非常有用，您需要用另一种方法替换 torch.save。可以通过环境变量 DIFFUSERS_SAVE_MODE 进行配置。
• safe_serialization (bool, 可选, 默认值为 True) — 是否使用 safetensors 保存模型，或使用传统的 PyTorch pickle 方式。

参数

• state_dict (dict) — 包含LoRA层参数的标准状态字典。键可以直接索引到unet，或者前缀为额外的unet，用于区分文本编码器LoRA层。
• network_alphas (Dict[str, float]) — 参见LoRALinearLayer获取更多详情。
• unet (UNet2DConditionModel) — 将LoRA层加载到其中的UNet模型。
• adapter_name (str, 可选) — 用于引用已加载适配器模型的适配器名称。如果未指定，将使用 default_{i} 其中 i 是正在加载的总适配器数量。

参数

• 删除 对于unet和text-encoder（s）的代码中adapter_name的LoRA层。 — adapter_names (联合[List[str], str])：要删除的适配器的名称。可以是单个字符串或字符串列表

参数

• lora_scale (浮点数, 默认为 1.0) — 控制LoRA参数对输出的影响程度。
• safe_fusing (布尔值, 默认为 False) — 在融合之前检查融合的权重是否有NaN值，如果值为NaN则不融合。
• adapter_names (字符串列表, 可选) — 要用于融合的适配器名称。如果不传递任何内容，将融合所有活动适配器。

参数

• adapter_names (列表[str]) — 发送设备到适配器的列表。
• device (联合[torch.device, str, int]) — 发送适配器到的设备。可以是torch设备，字符串或整数。

参数

• components (List[str]) — 从中解融 LoRA 的可注入组件列表。
• unfuse_unet (bool, 默认为 True) — 是否解融 UNet LoRA 参数。
• unfuse_text_encoder (bool, 默认为 True) — 是否解融文本编码器 LoRA 参数。如果文本编码器没有使用 LoRA 参数 monkey-patch，则此操作不会有任何效果。