引數

• adapter_names (Union[List[str], str]) — 要刪除的介面卡名稱。

引數

• target_rank (int) — 將要載入的所有介面卡中最高的秩。
• check_compiled (str, 可選, 預設為 "error") — 如何處理已編譯的模型。檢查可以返回以下訊息：
  • “error”（預設）：引發錯誤
  • “warn”：發出警告
  • “ignore”：不做任何事

引數

• components — (List[str]): 要將 LoRA 融合到其中的 LoRA 可注入元件列表。
• lora_scale (float, 預設為 1.0) — 控制 LoRA 引數對輸出的影響程度。
• safe_fusing (bool, 預設為 False) — 是否在融合前檢查融合權重中的 NaN 值，如果值為 NaN 則不融合它們。
• adapter_names (List[str], 可選) — 用於融合的介面卡名稱。如果未傳遞，則所有活動介面卡都將融合。

引數

• adapter_names (List[str] 或 str) — 要使用的介面卡名稱。
• adapter_weights (Union[List[float], float], 可選) — 與 UNet 一起使用的介面卡權重。如果為 None，則所有介面卡的權重都設定為 1.0。

引數

• adapter_names (List[str]) — 要將裝置傳送到的介面卡列表。
• device (Union[torch.device, str, int]) — 將介面卡傳送到的裝置。可以是 torch 裝置、字串或整數。

引數

• components (List[str]) — 要從中解融合 LoRA 的 LoRA 可注入元件列表。
• unfuse_unet (bool, 預設為 True) — 是否解融合 UNet LoRA 引數。如果文字編碼器沒有透過 LoRA 引數進行猴子補丁，則不會有任何效果。
• unfuse_text_encoder (bool, 預設為 True) — 是否解融合文字編碼器 LoRA 引數。如果文字編碼器沒有透過 LoRA 引數進行猴子補丁，則不會有任何效果。

引數

• state_dict (dict) — 一個包含 LoRA 層引數的標準狀態字典。鍵應以額外的 text_encoder 為字首，以區分 UNet LoRA 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• text_encoder (CLIPTextModel) — 要載入 LoRA 層的文字編碼器模型。
• prefix (str) — state_dict 中 text_encoder 的預期字首。
• lora_scale (float) — 在與常規 lora 層的輸出相加之前，lora 線性層輸出的縮放比例。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以附加 unet 字首，用於區分文字編碼器 lora 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• unet (UNet2DConditionModel) — 要載入 LoRA 層的 UNet 模型。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 預設為 False。是否原地替換現有（LoRA）介面卡與新載入的介面卡。這意味著，不是載入一個額外的介面卡，而是將現有介面卡權重替換為新介面卡的權重。這可以更快，更節省記憶體。然而，熱插拔的主要優點是，當模型使用 torch.compile 編譯時，載入新介面卡不需要重新編譯模型。當使用熱插拔時，傳入的 adapter_name 應該是一個已載入介面卡的名稱。

  如果新介面卡和舊介面卡具有不同的等級和/或 LoRA alpha（即縮放），則需要在載入介面卡之前呼叫一個附加方法：

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是：
  • 一個字串，託管在 Hub 上的預訓練模型的 *模型 ID*（例如 google/ddpm-celebahq-256）。
  • 一個 *目錄* 的路徑（例如 ./my_model_directory），包含使用 ModelMixin.save_pretrained() 儲存的模型權重。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 如果不使用標準快取，則為下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋已存在的快取版本。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。每次請求都會使用代理。
• local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用作遠端檔案的 HTTP 承載授權的令牌。如果為 True，則使用從 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地大型模型倉庫中的子資料夾位置。
• weight_name (str, 可選, 預設為 None) — 序列化狀態字典的檔名。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在將建立。
• unet_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 unet 的 LoRA 層狀態字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder 的 LoRA 層狀態字典。必須明確傳遞文字編碼器 LoRA 狀態字典，因為它來自 🤗 Transformers。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練中，如果您需要在所有程序上呼叫此函式，則此選項很有用。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競態條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中，當您需要用其他方法替換 torch.save 時，此選項很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統 PyTorch 方式與 pickle 儲存模型。
• unet_lora_adapter_metadata — 與 unet 相關的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_lora_adapter_metadata — 與文字編碼器相關的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵應以附加的 text_encoder 為字首，以區分 unet lora 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• text_encoder (CLIPTextModel) — 要載入 LoRA 層的文字編碼器模型。
• prefix (str) — state_dict 中 text_encoder 的預期字首。
• lora_scale (float) — 在與常規 lora 層輸出相加之前，lora 線性層輸出的縮放比例。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以附加 unet 字首，用於區分文字編碼器 lora 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• unet (UNet2DConditionModel) — 要載入 LoRA 層的 UNet 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 `default_{i}`，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 僅載入預訓練的 LoRA 權重，而不初始化隨機權重，從而加快模型載入速度。
• hotswap (bool, 可選) — 參見load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 參見lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 `default_{i}`，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 僅載入預訓練的 LoRA 權重，而不初始化隨機權重，從而加快模型載入速度。
• hotswap (bool, 可選) — 參見load_lora_weights()。
• kwargs (dict, 可選) — 參見lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下任意一種：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 `google/ddpm-celebahq-256`）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 `./my_model_directory`）。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 如果不使用標準快取，則為下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, 可選，預設為 False) — 是否強制（重新）下載模型權重和配置檔案，如果存在則覆蓋快取版本。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`。每個請求都使用代理。
• local_files_only (bool, 可選，預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP Bearer 授權令牌。如果為 True，則使用從 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選，預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選，預設為 "") — Hub 或本地較大模型倉庫中模型檔案的子資料夾位置。
• weight_name (str, 可選，預設為 None) — 序列化狀態字典檔案的名稱。
• return_lora_metadata (bool, 可選，預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，將建立。
• unet_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 unet 的 LoRA 層狀態字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder 的 LoRA 層狀態字典。必須顯式傳遞文字編碼器 LoRA 狀態字典，因為它來自 🤗 Transformers。
• text_encoder_2_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder_2 的 LoRA 層狀態字典。必須顯式傳遞文字編碼器 LoRA 狀態字典，因為它來自 🤗 Transformers。
• is_main_process (bool, 可選，預設為 True) — 呼叫此過程是否為主過程。在分散式訓練期間有用，您需要在所有過程上呼叫此函式。在這種情況下，僅在主過程上設定 is_main_process=True 以避免競態條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練期間有用，您需要將 torch.save 替換為另一種方法。可以透過環境變數 DIFFUSERS_SAVE_MODE 配置。
• safe_serialization (bool, 可選，預設為 True) — 是否使用 safetensors 或傳統的 PyTorch 方式（使用 pickle）儲存模型。
• unet_lora_adapter_metadata — 與 unet 關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_lora_adapter_metadata — 與文字編碼器關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_2_lora_adapter_metadata — 與第二個文字編碼器關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵應以額外的 text_encoder 為字首，以區分 unet lora 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱 此連結。
• text_encoder (CLIPTextModel) — 要載入 LoRA 層的文字編碼器模型。
• prefix (str) — state_dict 中 text_encoder 的預期字首。
• lora_scale (float) — lora 線性層輸出在與常規 lora 層輸出相加之前要縮放的量。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 `default_{i}`，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 僅載入預訓練的 LoRA 權重，而不初始化隨機權重，從而加快模型載入速度。
• hotswap (bool, 可選) — 參見load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以以額外的 unet 為字首，以區分文字編碼器 lora 層。
• transformer (SD3Transformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 `default_{i}`，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 僅載入預訓練的 LoRA 權重，而不初始化隨機權重，從而加快模型載入速度。
• hotswap (bool, 可選) — 參見load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 參見lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 `default_{i}`，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 僅載入預訓練的 LoRA 權重，而不初始化隨機權重，從而加快模型載入速度。
• hotswap (bool, 可選) — 參見load_lora_weights()。
• kwargs (dict, 可選) — 參見lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下任意一種：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 `google/ddpm-celebahq-256`）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 `./my_model_directory`）。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 如果不使用標準快取，則為下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, optional, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，如果快取版本存在則覆蓋。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP Bearer 授權的令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — Hub 上或本地大型模型倉庫中模型檔案的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，則會建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 transformer 的 LoRA 層狀態字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder 的 LoRA 層狀態字典。必須顯式傳遞文字編碼器 LoRA 狀態字典，因為它來自 🤗 Transformers。
• text_encoder_2_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder_2 的 LoRA 層狀態字典。必須顯式傳遞文字編碼器 LoRA 狀態字典，因為它來自 🤗 Transformers。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練中需要所有過程都呼叫此函式時很有用。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中需要用其他方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 而非傳統 PyTorch 方式（使用 pickle）儲存模型。
• transformer_lora_adapter_metadata — 與 transformer 相關的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_lora_adapter_metadata — 與文字編碼器相關的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_2_lora_adapter_metadata — 與第二個文字編碼器相關的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• components (List[str]) — 要從中解除 LoRA 的 LoRA 可注入元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否解除 UNet LoRA 引數的融合。
• unfuse_text_encoder (bool, 預設為 True) — 是否解除文字編碼器 LoRA 引數的融合。如果文字編碼器未透過 LoRA 引數進行猴子補丁，則不會產生任何影響。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵應以額外的 text_encoder 作為字首，以區分 UNet LoRA 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• text_encoder (CLIPTextModel) — 要載入 LoRA 層的文字編碼器模型。
• prefix (str) — state_dict 中 text_encoder 的預期字首。
• lora_scale (float) — LoRA 線性層輸出在與常規 LoRA 層輸出相加之前的縮放比例。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以帶有額外的 unet 字首，用於區分文字編碼器 LoRA 層。
• network_alphas (Dict[str, float]) — 用於穩定學習和防止下溢的網路 alpha 值。此值與 kohya-ss 訓練器指令碼中的 --network_alpha 選項具有相同的含義。請參閱此連結。
• transformer (FluxTransformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱load_lora_weights()。
• kwargs (dict, 可選) — 請參閱lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下型別：
  • 一個字串，即託管在 Hub 上的預訓練模型的 *模型 ID*（例如 google/ddpm-celebahq-256）。
  • 一個 *目錄* 路徑（例如 ./my_model_directory），包含使用 ModelMixin.save_pretrained() 儲存的模型權重。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄，如果未使用標準快取，則為該目錄。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋已存在的快取版本。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。每次請求都會使用代理。
• local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP 授權令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地較大模型倉庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果目錄不存在，將被建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 transformer 的 LoRA 層狀態字典。
• text_encoder_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 text_encoder 的 LoRA 層狀態字典。由於其來自 🤗 Transformers，必須明確傳遞文字編碼器 LoRA 狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練中，如果您需要在所有程序上呼叫此函式，則此引數很有用。在這種情況下，只有在主程序上將 is_main_process 設定為 True，以避免競態條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中，當您需要將 torch.save 替換為另一種方法時，此引數很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統 PyTorch 方式（使用 pickle）儲存模型。
• transformer_lora_adapter_metadata — 與 transformer 關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。
• text_encoder_lora_adapter_metadata — 與文字編碼器關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• components (List[str]) — 要從中解除 LoRA 融合的 LoRA 可注入元件列表。

引數

• reset_to_overwritten_params (bool, 預設為 False) — 是否將已載入 LoRA 的模組重置為其原始引數。請參閱 Flux 文件 瞭解更多資訊。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以字首為額外的 unet，用於區分文字編碼器 LoRA 層。
• transformer (CogVideoXTransformer3DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。提供此引數時，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• kwargs (dict, 可選) — 請參閱 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下型別：
  • 一個字串，即託管在 Hub 上的預訓練模型的 *模型 ID*（例如 google/ddpm-celebahq-256）。
  • 一個 *目錄* 路徑（例如 ./my_model_directory），包含使用 ModelMixin.save_pretrained() 儲存的模型權重。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄，如果未使用標準快取，則為該目錄。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋已存在的快取版本。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。每次請求都會使用代理。
• local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP 授權令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地較大模型倉庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果目錄不存在，將被建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 與 transformer 對應的 LoRA 層狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此函式的程序是否為主程序。在分散式訓練中很有用，您需要在此所有程序上呼叫此函式。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中需要用其他方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch 方式（使用 pickle）儲存模型。
• transformer_lora_adapter_metadata — 與將隨狀態字典序列化的轉換器關聯的 LoRA 介面卡元資料。

引數

• components (List[str]) — 從中解凍 LoRA 的 LoRA 可注入元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否解凍 UNet LoRA 引數。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以附加 unet 字首，用於區分文字編碼器 LoRA 層。
• transformer (MochiTransformer3DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，它將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入。
• hotswap (bool, 可選) — 參見 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 參見 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，它將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入。
• hotswap (bool, 可選) — 參見 load_lora_weights()。
• kwargs (dict, 可選) — 參見 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 google/ddpm-celebahq-256）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 ./my_model_directory）。
  • PyTorch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 如果未使用標準快取，則下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, 可選, 預設為 False) — 是否強制重新下載模型權重和配置檔案，如果存在快取版本則覆蓋。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。每次請求都會使用代理。
• local_files_only (bool, 可選, 預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，則不會從 Hub 下載模型。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP bearer 授權令牌。如果為 True，則使用從 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地較大模型倉庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，則會建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 與 transformer 對應的 LoRA 層狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此函式的程序是否為主程序。在分散式訓練中很有用，您需要在所有程序上呼叫此函式。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中需要用其他方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch 方式（使用 pickle）儲存模型。
• transformer_lora_adapter_metadata — 與將隨狀態字典序列化的轉換器關聯的 LoRA 介面卡元資料。

引數

• components (List[str]) — 要從中解融合 LoRA 的 LoRA 可注入元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否解融合 UNet LoRA 引數。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以附加 unet 字首，用於區分文字編碼器 LoRA 層。
• transformer (AuraFlowTransformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，它將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入。
• hotswap (bool, 可選) — 參見 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中派生。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 參見 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入介面卡模型的介面卡名稱。如果未指定，它將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入。
• hotswap (bool, 可選) — 參見 load_lora_weights()。
• kwargs (dict, 可選) — 參見 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下其中一種：
  • 一個字串，即託管在 Hub 上的預訓練模型的模型 ID（例如 google/ddpm-celebahq-256）。
  • 一個目錄的路徑（例如 ./my_model_directory），其中包含使用 ModelMixin.save_pretrained() 儲存的模型權重。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄路徑，如果未使用標準快取。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋已快取的版本（如果存在）。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，則不會從 Hub 下載模型。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP bearer 授權令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地大型模型儲存庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用後，同時返回通常在狀態字典中找到的 LoRA 介面卡元資料。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，則會建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 與 transformer 對應的 LoRA 層的狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練期間很有用，您需要在所有程序上呼叫此函式。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練期間需要用其他方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch pickle 方式儲存模型。
• transformer_lora_adapter_metadata — 與 Transformer 關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• components (List[str]) — 要從中移除 LoRA 的可注入 LoRA 元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否取消 UNet LoRA 引數的融合。

引數

• state_dict (dict) — 包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以字首為附加的 unet，用於區分文字編碼器 LoRA 層。
• transformer (LTXVideoTransformer3DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。提供時，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• kwargs (dict, 可選) — 請參閱 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下其中一種：
  • 一個字串，即託管在 Hub 上的預訓練模型的模型 ID（例如 google/ddpm-celebahq-256）。
  • 一個目錄的路徑（例如 ./my_model_directory），其中包含使用 ModelMixin.save_pretrained() 儲存的模型權重。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄路徑，如果未使用標準快取。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋已快取的版本（如果存在）。
• proxies (Dict[str, str], 可選) — 要按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，則不會從 Hub 下載模型。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP bearer 授權令牌。如果為 True，則使用 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 或本地大型模型儲存庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用後，同時返回通常在狀態字典中找到的 LoRA 介面卡元資料。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，則會建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 與 transformer 對應的 LoRA 層的狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此程序是否為主程序。在分散式訓練期間很有用，您需要在所有程序上呼叫此函式。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練期間需要用其他方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch pickle 方式儲存模型。
• transformer_lora_adapter_metadata — 與 Transformer 關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• components (List[str]) — 要從中移除 LoRA 的可注入 LoRA 元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否取消 UNet LoRA 引數的融合。

引數

• state_dict (dict) — 一個包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以帶有額外的字首 unet，用於區分文字編碼器 LoRA 層。
• transformer (SanaTransformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• kwargs (dict, 可選) — 請參閱 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 google/ddpm-celebahq-256）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 ./my_model_directory）。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄路徑，如果未使用標準快取。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋現有快取版本。
• proxies (Dict[str, str], 可選) — 要使用的代理伺服器字典，按協議或端點指定，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用作遠端檔案 HTTP 承載授權的令牌。如果為 True，則使用從 diffusers-cli login 生成的令牌（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案中在 Hub 或本地較大模型倉庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — LoRA 引數儲存目錄。如果不存在，將建立。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 transformer 的 LoRA 層狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此函式的程序是否為主程序。在分散式訓練期間很有用，您需要在所有程序上呼叫此函式。在這種情況下，僅在主程序上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練期間，當您需要用另一種方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 或傳統的 PyTorch pickle 方式儲存模型。
• transformer_lora_adapter_metadata — 與 transformer 關聯的 LoRA 介面卡元資料，將與狀態字典一起序列化。

引數

• components (List[str]) — 要從中解融合 LoRA 的可注入 LoRA 元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否解融合 UNet LoRA 引數。

引數

• state_dict (dict) — 一個包含 LoRA 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以帶有額外的字首 unet，用於區分文字編碼器 LoRA 層。
• transformer (HunyuanVideoTransformer3DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。如果提供，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用已載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• kwargs (dict, 可選) — 請參閱 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 google/ddpm-celebahq-256）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 ./my_model_directory）。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 預訓練模型配置的下載快取目錄路徑，如果未使用標準快取。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋現有快取版本。
• proxies (Dict[str, str], 可選) — 要使用的代理伺服器字典，按協議或端點指定，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP bearer 授權的 token。如果為 True，則使用由 diffusers-cli login 生成的 token（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 上或本地的更大模型儲存庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，將建立該目錄。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 transformer 的 LoRA 層狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練中，如果需要在所有過程上呼叫此函式，則此引數很有用。在這種情況下，僅在主過程上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中，當您需要用另一種方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 而不是傳統的 PyTorch pickle 方式儲存模型。
• transformer_lora_adapter_metadata — 與狀態字典一起序列化的轉換器相關的 LoRA 介面卡元資料。

引數

• components (List[str]) — 要從其取消融合 LoRA 的可注入 LoRA 元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否取消融合 UNet LoRA 引數。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以帶有附加的 unet 字首，用於區分文字編碼器 lora 層。
• transformer (Lumina2Transformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。提供時，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• kwargs (dict, 可選) — 請參閱 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 google/ddpm-celebahq-256）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 ./my_model_directory）。
  • 一個 torch 狀態字典。
• cache_dir (Union[str, os.PathLike], 可選) — 如果不使用標準快取，則為下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, 可選, 預設為 False) — 是否強制（重新）下載模型權重和配置檔案，覆蓋現有快取版本。
• proxies (Dict[str, str], 可選) — 按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用於每個請求。
• local_files_only (bool, 可選, 預設為 False) — 是否僅載入本地模型權重和配置檔案。如果設定為 True，模型將不會從 Hub 下載。
• token (str 或 bool, 可選) — 用於遠端檔案的 HTTP bearer 授權的 token。如果為 True，則使用由 diffusers-cli login 生成的 token（儲存在 ~/.huggingface 中）。
• revision (str, 可選, 預設為 "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, 可選, 預設為 "") — 模型檔案在 Hub 上或本地的更大模型儲存庫中的子資料夾位置。
• return_lora_metadata (bool, 可選, 預設為 False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。

引數

• save_directory (str 或 os.PathLike) — 儲存 LoRA 引數的目錄。如果不存在，將建立該目錄。
• transformer_lora_layers (Dict[str, torch.nn.Module] 或 Dict[str, torch.Tensor]) — 對應於 transformer 的 LoRA 層狀態字典。
• is_main_process (bool, 可選, 預設為 True) — 呼叫此過程是否為主過程。在分散式訓練中，如果需要在所有過程上呼叫此函式，則此引數很有用。在這種情況下，僅在主過程上設定 is_main_process=True 以避免競爭條件。
• save_function (Callable) — 用於儲存狀態字典的函式。在分散式訓練中，當您需要用另一種方法替換 torch.save 時很有用。可以透過環境變數 DIFFUSERS_SAVE_MODE 進行配置。
• safe_serialization (bool, 可選, 預設為 True) — 是否使用 safetensors 而不是傳統的 PyTorch pickle 方式儲存模型。
• transformer_lora_adapter_metadata — 與狀態字典一起序列化的轉換器相關的 LoRA 介面卡元資料。

引數

• components (List[str]) — 要從其取消融合 LoRA 的可注入 LoRA 元件列表。
• unfuse_transformer (bool, 預設為 True) — 是否取消融合 UNet LoRA 引數。

引數

• state_dict (dict) — 包含 lora 層引數的標準狀態字典。鍵可以直接索引到 unet 中，也可以帶有附加的 unet 字首，用於區分文字編碼器 lora 層。
• transformer (CogView4Transformer2DModel) — 要載入 LoRA 層的 Transformer 模型。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, 可選) — 請參閱 load_lora_weights()。
• metadata (dict) — 可選的 LoRA 介面卡元資料。提供時，peft 的 LoraConfig 引數將不會從狀態字典中推導。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 請參閱 lora_state_dict()。
• adapter_name (str, 可選) — 用於引用載入的介面卡模型的介面卡名稱。如果未指定，將使用 default_{i}，其中 i 是正在載入的介面卡總數。
• low_cpu_mem_usage (bool, 可選) — 透過僅載入預訓練的 LoRA 權重而不初始化隨機權重來加快模型載入速度。
• hotswap (bool, optional) — 詳見 load_lora_weights()。
• kwargs (dict, optional) — 詳見 lora_state_dict()。

引數

• pretrained_model_name_or_path_or_dict (str 或 os.PathLike 或 dict) — 可以是以下之一：
  • Hub 上託管的預訓練模型的模型 ID 字串（例如 google/ddpm-celebahq-256）。
  • 包含使用 ModelMixin.save_pretrained() 儲存的模型權重的目錄路徑（例如 ./my_model_directory）。
  • torch 狀態字典。
• cache_dir (Union[str, os.PathLike], optional) — 如果不使用標準快取，則為下載的預訓練模型配置的快取目錄路徑。
• force_download (bool, optional, defaults to False) — 是否強制重新下載模型權重和配置檔案，如果已快取則覆蓋。
• proxies (Dict[str, str], optional) — 按協議或端點使用的代理伺服器字典，例如 {'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。每次請求都會使用代理。
• local_files_only (bool, optional, defaults to False) — 是否只加載本地模型權重和配置檔案。如果設定為 True，則不會從 Hub 下載模型。
• token (str 或 bool, optional) — 用作遠端檔案 HTTP bearer 授權的 token。如果為 True，則使用 diffusers-cli login 生成的 token（儲存在 ~/.huggingface 中）。
• revision (str, optional, defaults to "main") — 要使用的特定模型版本。它可以是分支名稱、標籤名稱、提交 ID 或 Git 允許的任何識別符號。
• subfolder (str, optional, defaults to "") — Hub 或本地較大模型倉庫中模型檔案的子資料夾位置。
• return_lora_metadata (bool, optional, defaults to False) — 啟用時，額外返回 LoRA 介面卡元資料，通常在狀態字典中找到。