混入与序列化方法

混入

huggingface_hub 库提供了一系列混入，可用作您对象的父类，以提供简单的上传和下载功能。请查看我们的集成指南，了解如何将任何机器学习框架与 Hub 集成。

通用

class huggingface_hub.ModelHubMixin

< 来源 >

( *args **kwargs )

参数

repo_url (str, 可选) — 库仓库的 URL。用于生成模型卡。
paper_url (str, 可选) — 库论文的 URL。用于生成模型卡。
docs_url (str, 可选) — 库文档的 URL。用于生成模型卡。
model_card_template (str, 可选) — 模型卡模板。用于生成模型卡。默认为通用模板。
language (str 或 List[str], 可选) — 库支持的语言。用于生成模型卡。
library_name (str, 可选) — 集成 ModelHubMixin 的库的名称。用于生成模型卡。
license (str, 可选) — 集成 ModelHubMixin 的库的许可证。用于生成模型卡。例如：“apache-2.0”
license_name (str, 可选) — 集成 ModelHubMixin 的库的名称。用于生成模型卡。仅在 license 设置为 other 时使用。例如：“coqui-public-model-license”。
license_link (str, 可选) — 集成 ModelHubMixin 的库的许可证 URL。用于生成模型卡。仅在 license 设置为 other 且 license_name 已设置时使用。例如：”https://coqui.ai/cpml”。
pipeline_tag (str, 可选) — 管道标签。用于生成模型卡。例如“text-classification”。
tags (List[str], 可选) — 要添加到模型卡的标签。用于生成模型卡。例如 [“computer-vision”]
coders (Dict[Type, Tuple[Callable, Callable]], 可选) — 自定义类型及其编码器/解码器的字典。用于编码/解码默认情况下不可 JSON 序列化的参数。例如数据类、argparse.Namespace、OmegaConf 等。

用于将任何机器学习框架与 Hub 集成的通用混入。

要集成您的框架，您的模型类必须继承自此混入。保存/加载模型的自定义逻辑必须在 _from_pretrained 和 _save_pretrained 中覆盖。PyTorchModelHubMixin 是与 Hub 集成混入的一个很好的例子。请查看我们的集成指南以获取更多说明。

继承自 ModelHubMixin 时，您可以定义类级属性。这些属性不传递给 __init__，而是传递给类定义本身。这对于定义集成 ModelHubMixin 的库的元数据很有用。

有关如何将混入与您的库集成的更多详细信息，请查看集成指南。

示例

>>> from huggingface_hub import ModelHubMixin

# Inherit from ModelHubMixin
>>> class MyCustomModel(
...         ModelHubMixin,
...         library_name="my-library",
...         tags=["computer-vision"],
...         repo_url="https://github.com/huggingface/my-cool-library",
...         paper_url="https://arxiv.org/abs/2304.12244",
...         docs_url="https://huggingface.co/docs/my-cool-library",
...         # ^ optional metadata to generate model card
...     ):
...     def __init__(self, size: int = 512, device: str = "cpu"):
...         # define how to initialize your model
...         super().__init__()
...         ...
...
...     def _save_pretrained(self, save_directory: Path) -> None:
...         # define how to serialize your model
...         ...
...
...     @classmethod
...     def from_pretrained(
...         cls: Type[T],
...         pretrained_model_name_or_path: Union[str, Path],
...         *,
...         force_download: bool = False,
...         resume_download: Optional[bool] = None,
...         proxies: Optional[Dict] = None,
...         token: Optional[Union[str, bool]] = None,
...         cache_dir: Optional[Union[str, Path]] = None,
...         local_files_only: bool = False,
...         revision: Optional[str] = None,
...         **model_kwargs,
...     ) -> T:
...         # define how to deserialize your model
...         ...

>>> model = MyCustomModel(size=256, device="gpu")

# Save model weights to local directory
>>> model.save_pretrained("my-awesome-model")

# Push model weights to the Hub
>>> model.push_to_hub("my-awesome-model")

# Download and initialize weights from the Hub
>>> reloaded_model = MyCustomModel.from_pretrained("username/my-awesome-model")
>>> reloaded_model.size
256

# Model card has been correctly populated
>>> from huggingface_hub import ModelCard
>>> card = ModelCard.load("username/my-awesome-model")
>>> card.data.tags
["x-custom-tag", "pytorch_model_hub_mixin", "model_hub_mixin"]
>>> card.data.library_name
"my-library"

_save_pretrained

< 来源 >

( save_directory: Path )

参数

save_directory (str 或 Path) — 模型权重和配置将保存的目录路径。

在子类中覆盖此方法以定义如何保存模型。请查看我们的集成指南以获取说明。

_from_pretrained

< 来源 >

( model_id: str revision: typing.Optional[str] cache_dir: typing.Union[str, pathlib.Path, NoneType] force_download: bool proxies: typing.Optional[typing.Dict] resume_download: typing.Optional[bool] local_files_only: bool token: typing.Union[bool, str, NoneType] **model_kwargs )

参数

model_id (str) — 要从 Huggingface Hub 加载的模型 ID（例如 bigscience/bloom）。
revision (str, 可选) — Hub 上模型的修订版本。可以是分支名称、git 标签或任何提交 ID。默认为 main 分支上的最新提交。
force_download (bool, 可选, 默认为 False) — 是否强制（重新）从 Hub 下载模型权重和配置文件，覆盖现有缓存。
proxies (Dict[str, str], 可选) — 要按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'}）。
token (str 或 bool, 可选) — 用于远程文件的 HTTP bearer 授权令牌。默认情况下，它将使用运行 hf auth login 时缓存的令牌。
cache_dir (str, Path, 可选) — 缓存文件存储的文件夹路径。
local_files_only (bool, 可选, 默认为 False) — 如果为 True，则避免下载文件并返回本地缓存文件的路径（如果存在）。
model_kwargs — 传递给 _from_pretrained() 方法的其他关键字参数。

在子类中覆盖此方法以定义如何从预训练模型加载模型。

使用 hf_hub_download() 或 snapshot_download() 从 Hub 下载文件，然后再加载它们。大多数作为输入参数都可以直接传递给这两个方法。如果需要，可以使用“model_kwargs”向此方法添加更多参数。例如 PyTorchModelHubMixin._from_pretrained() 将 map_location 参数作为输入，用于设置模型应加载到哪个设备上。

请查看我们的集成指南以获取更多说明。

from_pretrained

< 来源 >

( pretrained_model_name_or_path: typing.Union[str, pathlib.Path] force_download: bool = False resume_download: typing.Optional[bool] = None proxies: typing.Optional[typing.Dict] = None token: typing.Union[bool, str, NoneType] = None cache_dir: typing.Union[str, pathlib.Path, NoneType] = None local_files_only: bool = False revision: typing.Optional[str] = None **model_kwargs )

参数

pretrained_model_name_or_path (str, Path) —
- Hub 上模型的 model_id（字符串），例如 bigscience/bloom。
- 或者包含使用 save_pretrained 保存的模型权重的 directory 路径，例如 ../path/to/my_model_directory/。
revision (str, 可选) — Hub 上模型的修订版本。可以是分支名称、git 标签或任何提交 ID。默认为 main 分支上的最新提交。
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，覆盖现有缓存。
proxies (Dict[str, str], 可选) — 要按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'}。代理用于每个请求。
token (str 或 bool, 可选) — 用于远程文件的 HTTP bearer 授权令牌。默认情况下，它将使用运行 hf auth login 时缓存的令牌。
cache_dir (str, Path, 可选) — 缓存文件存储的文件夹路径。
local_files_only (bool, 可选, 默认为 False) — 如果为 True，则避免下载文件并返回本地缓存文件的路径（如果存在）。
model_kwargs (Dict, 可选) — 模型初始化时传递给模型的附加关键字参数。

从 Huggingface Hub 下载模型并实例化它。

push_to_hub

< 来源 >

( repo_id: str config: typing.Union[dict, huggingface_hub.hub_mixin.DataclassInstance, NoneType] = None commit_message: str = 'Push model using huggingface_hub.' private: typing.Optional[bool] = None token: typing.Optional[str] = None branch: typing.Optional[str] = None create_pr: typing.Optional[bool] = None allow_patterns: typing.Union[typing.List[str], str, NoneType] = None ignore_patterns: typing.Union[typing.List[str], str, NoneType] = None delete_patterns: typing.Union[typing.List[str], str, NoneType] = None model_card_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None )

参数

repo_id (str) — 要推送到的仓库 ID（例如："username/my-model"）。
config (dict 或 DataclassInstance, 可选) — 指定为键/值字典或数据类实例的模型配置。
commit_message (str, 可选) — 推送时的提交消息。
private (bool, 可选) — 创建的仓库是否应为私有。如果为 None（默认），则仓库将为公开，除非组织的默认设置为私有。
token (str, 可选) — 用于远程文件的 HTTP bearer 授权令牌。默认情况下，它将使用运行 hf auth login 时缓存的令牌。
branch (str, 可选) — 推送模型的 git 分支。默认为 "main"。
create_pr (boolean, 可选) — 是否从 branch 创建带有该提交的拉取请求。默认为 False。
allow_patterns (List[str] 或 str, 可选) — 如果提供，则仅推送与至少一个模式匹配的文件。
ignore_patterns (List[str] 或 str, 可选) — 如果提供，则不推送与任何模式匹配的文件。
delete_patterns (List[str] 或 str, 可选) — 如果提供，则与任何模式匹配的远程文件将从仓库中删除。
model_card_kwargs (Dict[str, Any], 可选) — 传递给模型卡模板以自定义模型卡的附加参数。

将模型检查点上传到 Hub。

使用 allow_patterns 和 ignore_patterns 精确筛选要推送到 hub 的文件。使用 delete_patterns 在同一提交中删除现有的远程文件。有关更多详细信息，请参阅 upload_folder() 参考。

save_pretrained

< 源 >

( save_directory: typing.Union[str, pathlib.Path] config: typing.Union[dict, huggingface_hub.hub_mixin.DataclassInstance, NoneType] = None repo_id: typing.Optional[str] = None push_to_hub: bool = False model_card_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None **push_to_hub_kwargs ) → str 或 None

参数

save_directory (str 或 Path) — 保存模型权重和配置的目录路径。
config (dict 或 DataclassInstance, 可选) — 以键/值字典或数据类实例形式指定的模型配置。
push_to_hub (bool, 可选, 默认为 False) — 保存模型后是否将其推送到 Huggingface Hub。
repo_id (str, 可选) — 您在 Hub 上的存储库 ID。仅在 push_to_hub=True 时使用。如果未提供，将默认为文件夹名称。
model_card_kwargs (Dict[str, Any], 可选) — 传递给模型卡模板以自定义模型卡的附加参数。
push_to_hub_kwargs — 传递给 push_to_hub() 方法的额外关键字参数。

str 或 None

如果 push_to_hub=True，则为 Hub 上提交的 URL，否则为 None。

将权重保存在本地目录中。

PyTorch

class huggingface_hub.PyTorchModelHubMixin

< 源 >

( *args **kwargs )

实现了 ModelHubMixin，为 PyTorch 模型提供模型 Hub 上传/下载功能。模型默认使用 model.eval() 设置为评估模式（dropout 模块被禁用）。要训练模型，您应该首先使用 model.train() 将其重新设置为训练模式。

有关如何使用 mixin 的更多详细信息，请参阅 ModelHubMixin。

示例

>>> import torch
>>> import torch.nn as nn
>>> from huggingface_hub import PyTorchModelHubMixin

>>> class MyModel(
...         nn.Module,
...         PyTorchModelHubMixin,
...         library_name="keras-nlp",
...         repo_url="https://github.com/keras-team/keras-nlp",
...         paper_url="https://arxiv.org/abs/2304.12244",
...         docs_url="https://keras.org.cn/keras_nlp/",
...         # ^ optional metadata to generate model card
...     ):
...     def __init__(self, hidden_size: int = 512, vocab_size: int = 30000, output_size: int = 4):
...         super().__init__()
...         self.param = nn.Parameter(torch.rand(hidden_size, vocab_size))
...         self.linear = nn.Linear(output_size, vocab_size)

...     def forward(self, x):
...         return self.linear(x + self.param)
>>> model = MyModel(hidden_size=256)

# Save model weights to local directory
>>> model.save_pretrained("my-awesome-model")

# Push model weights to the Hub
>>> model.push_to_hub("my-awesome-model")

# Download and initialize weights from the Hub
>>> model = MyModel.from_pretrained("username/my-awesome-model")
>>> model.hidden_size
256

Keras

class huggingface_hub.KerasModelHubMixin

< 源 >

( *args **kwargs )

实现了 ModelHubMixin，为 Keras 模型提供模型 Hub 上传/下载功能。

>>> import tensorflow as tf
>>> from huggingface_hub import KerasModelHubMixin


>>> class MyModel(tf.keras.Model, KerasModelHubMixin):
...     def __init__(self, **kwargs):
...         super().__init__()
...         self.config = kwargs.pop("config", None)
...         self.dummy_inputs = ...
...         self.layer = ...

...     def call(self, *args):
...         return ...


>>> # Initialize and compile the model as you normally would
>>> model = MyModel()
>>> model.compile(...)
>>> # Build the graph by training it or passing dummy inputs
>>> _ = model(model.dummy_inputs)
>>> # Save model weights to local directory
>>> model.save_pretrained("my-awesome-model")
>>> # Push model weights to the Hub
>>> model.push_to_hub("my-awesome-model")
>>> # Download and initialize weights from the Hub
>>> model = MyModel.from_pretrained("username/super-cool-model")

huggingface_hub.from_pretrained_keras

< 源 >

( *args **kwargs )

参数

pretrained_model_name_or_path (str 或 os.PathLike) — 可以是以下之一：
- 字符串，huggingface.co 上模型存储库中托管的预训练模型的 model id。有效的模型 ID 可以在根级别找到，如 bert-base-uncased，也可以在用户或组织名称下命名，如 dbmdz/bert-base-german-cased。
- 您可以通过在 model_id 末尾附加 @ 来添加 revision，就像这样：dbmdz/bert-base-german-cased@main。Revision 是要使用的特定模型版本。它可以是分支名称、标签名称或提交 ID，因为我们在 huggingface.co 上使用基于 Git 的系统存储模型和其他工件，所以 revision 可以是 Git 允许的任何标识符。
- 包含使用 save_pretrained 保存的模型权重的 目录 路径，例如 ./my_model_directory/。
- 如果您同时提供了配置和状态字典（分别使用关键字参数 config 和 state_dict），则为 None。
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) — 要按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'}。代理在每个请求上使用。
token (str 或 bool, 可选) — 用作远程文件 HTTP 持有者授权的令牌。如果为 True，将使用运行 transformers-cli login 时生成的令牌（存储在 ~/.huggingface 中）。
cache_dir (Union[str, os.PathLike], 可选) — 如果不应使用标准缓存，则为下载的预训练模型配置的缓存目录路径。
local_files_only(bool, 可选, 默认为 False) — 是否只查看本地文件（即不尝试下载模型）。
model_kwargs (Dict, 可选) — model_kwargs 将在初始化期间传递给模型

从 Hub 上的预训练模型实例化预训练的 Keras 模型。模型应为 SavedModel 格式。

当您想使用私有模型时，需要传递 token=True。

huggingface_hub.push_to_hub_keras

< 源 >

( model repo_id: str config: typing.Optional[dict] = None commit_message: str = 'Push Keras model using huggingface_hub.' private: typing.Optional[bool] = None api_endpoint: typing.Optional[str] = None token: typing.Optional[str] = None branch: typing.Optional[str] = None create_pr: typing.Optional[bool] = None allow_patterns: typing.Union[typing.List[str], str, NoneType] = None ignore_patterns: typing.Union[typing.List[str], str, NoneType] = None delete_patterns: typing.Union[typing.List[str], str, NoneType] = None log_dir: typing.Optional[str] = None include_optimizer: bool = False tags: typing.Union[list, str, NoneType] = None plot_model: bool = True **model_save_kwargs )

参数

model (Keras.Model) — 您希望推送到 Hub 的 Keras 模型。模型必须已编译和构建。
repo_id (str) — 要推送到的存储库 ID（例如：“username/my-model”）。
commit_message (str, 可选, 默认为“Add Keras model”) — 推送时提交的消息。
private (bool, 可选) — 创建的存储库是否应为私有。如果为 None（默认），则除非组织的默认设置为私有，否则存储库将是公开的。
api_endpoint (str, 可选) — 将模型推送到 Hub 时使用的 API 端点。
token (str, 可选) — 用作远程文件 HTTP 持有者授权的令牌。如果未设置，将使用通过 hf auth login 登录时设置的令牌（存储在 ~/.huggingface 中）。
branch (str, 可选) — 推送模型的 git 分支。默认使用存储库中指定的默认分支，默认为 "main"。
create_pr (boolean, 可选) — 是否从 branch 创建带有该提交的拉取请求。默认为 False。
config (dict, 可选) — 与模型权重一起保存的配置对象。
allow_patterns (List[str] 或 str, 可选) — 如果提供，则只推送与至少一个模式匹配的文件。
ignore_patterns (List[str] 或 str, 可选) — 如果提供，则不推送与任何模式匹配的文件。
delete_patterns (List[str] 或 str, 可选) — 如果提供，则远程文件中与任何模式匹配的文件将被从存储库中删除。
log_dir (str, 可选) — 要推送的 TensorBoard 日志目录。如果日志文件包含在存储库中，Hub 会自动托管和显示 TensorBoard 实例。
include_optimizer (bool, 可选, 默认为 False) — 序列化时是否包含优化器。
tags (Union[list, str], 可选) — 与模型相关的标签列表或单个标签的字符串。请参阅此处的示例标签。
plot_model (bool, 可选, 默认为 True) — 将此设置为 True 将绘制模型并将其放入模型卡中。需要安装 graphviz 和 pydot。
model_save_kwargs(dict, 可选) — model_save_kwargs 将传递给 tf.keras.models.save_model()。

将模型检查点上传到 Hub。

huggingface_hub.save_pretrained_keras

< 源 >

( model save_directory: typing.Union[str, pathlib.Path] config: typing.Optional[typing.Dict[str, typing.Any]] = None include_optimizer: bool = False plot_model: bool = True tags: typing.Union[list, str, NoneType] = None **model_save_kwargs )

参数

model (Keras.Model) — 您希望保存的 Keras 模型。模型必须已编译和构建。
save_directory (str 或 Path) — 指定要保存 Keras 模型的目录。
config (dict, 可选) — 与模型权重一起保存的配置对象。
include_optimizer(bool, 可选, 默认为 False) — 序列化时是否包含优化器。
plot_model (bool, 可选, 默认为 True) — 将此设置为 True 将绘制模型并将其放入模型卡中。需要安装 graphviz 和 pydot。
tags (Union[str,list], 可选) — 与模型相关的标签列表或单个标签的字符串。请参阅此处的示例标签。
model_save_kwargs(dict, 可选) — model_save_kwargs 将传递给 tf.keras.models.save_model()。

以 SavedModel 格式将 Keras 模型保存到 save_directory。如果您正在使用 Functional 或 Sequential API，请使用此方法。

Fastai

huggingface_hub.from_pretrained_fastai

< 源 >

( repo_id: str revision: typing.Optional[str] = None )

参数

repo_id (str) — 存储 fastai.Learner 模型的路径。可以是以下两种情况之一：
- 托管在 Hugging Face Hub 上。例如：'espejelomar/fatai-pet-breeds-classification' 或 'distilgpt2'。您可以通过在 repo_id 末尾附加 @ 来添加 revision。例如：dbmdz/bert-base-german-cased@main。Revision 是要使用的特定模型版本。由于我们在 Hugging Face Hub 上使用基于 Git 的系统存储模型和其他工件，因此它可以是分支名称、标签名称或提交 ID。
- 本地托管。repo_id 将是包含 pickle 文件和指示用于构建 fastai.Learner 的 fastai 和 fastcore 版本的 pyproject.toml 的目录。例如：./my_model_directory/。
revision (str, 可选) — 下载存储库文件的修订版本。请参阅 snapshot_download 的文档。

从 Hub 或本地目录加载预训练的 fastai 模型。

huggingface_hub.push_to_hub_fastai

< 源 >

( learner repo_id: str commit_message: str = 'Push FastAI model using huggingface_hub.' private: typing.Optional[bool] = None token: typing.Optional[str] = None config: typing.Optional[dict] = None branch: typing.Optional[str] = None create_pr: typing.Optional[bool] = None allow_patterns: typing.Union[typing.List[str], str, NoneType] = None ignore_patterns: typing.Union[typing.List[str], str, NoneType] = None delete_patterns: typing.Union[typing.List[str], str, NoneType] = None api_endpoint: typing.Optional[str] = None )

参数

learner (Learner) — 您想要推送到 Hub 的 *fastai.Learner’。
repo_id (str) — 您在 Hub 中模型的存储库 ID，格式为“namespace/repo_name”。命名空间可以是您的个人帐户，也可以是您具有写入权限的组织（例如，“stanfordnlp/stanza-de”）。
commit_message (str`, 可选*) — 推送时的提交消息。默认为 "add model"。
private (bool, 可选) — 创建的存储库是否应为私有。如果为 None（默认），则默认为公开，除非组织的默认设置为私有。
token (str, 可选) — 用于远程文件 HTTP 承载授权的 Hugging Face 帐户令牌。如果为 None，将通过提示请求令牌。
config (dict, 可选) — 要与模型权重一起保存的配置对象。
branch (str, 可选) — 推送模型所用的 git 分支。默认为存储库中指定的默认分支，即 “main”。
create_pr (boolean, 可选) — 是否从 branch 创建带有该提交的拉取请求。默认为 False。
api_endpoint (str, 可选) — 将模型推送到 Hub 时使用的 API 终点。
allow_patterns (List[str] 或 str, 可选) — 如果提供，则仅推送至少匹配一个模式的文件。
ignore_patterns (List[str] 或 str, 可选) — 如果提供，则不推送匹配任何模式的文件。
delete_patterns (List[str] 或 str, 可选) — 如果提供，则删除匹配任何模式的远程文件。

将 learner 检查点文件上传到 Hub。

使用 allow_patterns 和 ignore_patterns 精确过滤要推送到 hub 的文件。使用 delete_patterns 在同一提交中删除现有远程文件。有关更多详细信息，请参阅 [upload_folder] 参考。

引发以下错误

ValueError 如果用户未登录 Hugging Face Hub。

< > 在 GitHub 上更新

Hub Python 库

混入与序列化方法

混入

通用

class huggingface_hub.ModelHubMixin

_save_pretrained

_from_pretrained

from_pretrained

push_to_hub

save_pretrained

PyTorch

class huggingface_hub.PyTorchModelHubMixin

Keras

class huggingface_hub.KerasModelHubMixin

huggingface_hub.from_pretrained_keras

huggingface_hub.push_to_hub_keras

huggingface_hub.save_pretrained_keras

Fastai

huggingface_hub.from_pretrained_fastai

huggingface_hub.push_to_hub_fastai