パラメータ

• adapter_config ([~peft.PeftConfig]) — 追加するアダプタの設定です。サポートされているアダプタは、non-prefix tuning と adaption prompt の手法です。
• adapter_name (str、任意、デフォルトは"default") — 追加するアダプターの名前です。名前が指定されない場合、アダプターにデフォルトの名前が割り当てられます。

パラメータ

• adapter_names (list[str, str]) — 削除するアダプターの名前（単一の文字列または文字列のリスト）。

パラメータ

• target_rank (int、任意、デフォルトは128) — 読み込まれるすべてのアダプターの中で最も高いランクです。
• check_compiled (str, 省略可能, デフォルトは "error") — モデルがすでにコンパイルされている場合の処理方法です。一般的には避けるべきです。オプションは以下の通りです:
  • “error”（デフォルト）：エラーを発生させます
  • “warn”: 警告を発行します
  • “ignore”: 何もしない

パラメータ

• pretrained_model_name_or_path_or_dict (str または os.PathLike または dict) — 以下のいずれかです:
  • Hub にホストされている事前学習済みモデルの model id（例: google/ddpm-celebahq-256）を表す文字列。
  • ./my_model_directory のように、ModelMixin.save_pretrained() で保存されたモデルの重みを含むディレクトリへのパス。
  • torch state dictです。
• prefix (str, 任意) — state dict をフィルタリングするためのプレフィックス。
• cache_dir (str | os.PathLike, 任意) — 標準のキャッシュを使用しない場合、ダウンロードした事前学習モデルの構成がキャッシュされるディレクトリのパス。
• force_download (bool、任意、デフォルトは False) — モデルの重みおよび設定ファイルを（再）ダウンロードすることを強制するかどうか。キャッシュされたバージョンが存在する場合でも、それらを無視してダウンロードします。
• proxies (dict[str, str]、省略可) — プロトコルまたはエンドポイントごとに使用するプロキシサーバーの辞書です。例えば、{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'} のように指定します。各リクエストでこれらのプロキシが使用されます。
• local_files_only (bool、任意、デフォルトは False) — ローカルのモデル重みと設定ファイルのみを読み込むかどうかを指定します。True に設定すると、モデルは Hub からダウンロードされません。
• token (str または bool、省略可能) — リモートファイルの HTTP ベアラ認証に使用するトークンです。True の場合、diffusers-cli login で生成されたトークン（~/.huggingface に保存されています）が使用されます。
• revision (str、任意、デフォルトは"main") — 使用する特定のモデルのバージョンです。ブランチ名、タグ名、コミット ID、または Git によって許可される任意の識別子を使用できます。
• subfolder (str、任意、デフォルトは"") — Hub またはローカル上のより大きなモデルリポジトリ内での、モデルファイルのサブフォルダの場所。
• network_alphas (dict[str, float]) — 安定した学習とアンダーフローの防止に使用されるネットワークアルファの値です。この値は、kohya-ss トレーナースクリプトの --network_alpha オプションと同じ意味を持ちます。このリンクを参照してください。
• low_cpu_mem_usage (bool、省略可) — 事前学習済み LoRA 重みのみを読み込み、ランダム重みの初期化を行わないことで、モデルの読み込みを高速化します。
• hotswap — (bool, 省略可能) デフォルトは False. 既存の (LoRA) アダプターを、新しく読み込まれたアダプターでその場で置き換えるかどうか。つまり、追加のアダプターを読み込むのではなく、既存のアダプターの重みを新しいアダプターの重みで置き換えます。これにより、より高速かつメモリ効率の高い処理が可能になります。ただし、hotswap の主な利点は、モデルが torch.compile でコンパイルされている場合、新しいアダプターを読み込んでもモデルの再コンパイルが不要になる点です。hotswap を使用する際は、渡す adapter_name は、すでに読み込まれているアダプターの名前である必要があります。新しいアダプターと古いアダプターでランクや LoRA alpha (つまりスケーリング) が異なる場合、アダプターを読み込む前に追加のメソッドを呼び出す必要があります: pipeline = ... # diffusers パイプラインを読み込む max_rank = ... # 読み込みたいすべての LoRA 中最も高いランク # LoRA アダプターをコンパイルおよび読み込む*前*に呼び出す pipeline.enable_lora_hotswap(target_rank=max_rank) pipeline.load_lora_weights(file_name) # 必要に応じて、ここでモデルをコンパイルする テキストエンコーダーのアダプターの hotswap はまだサポートされていません。この技術にはいくつかの制限があり、以下にドキュメント化されています: https://huggingface.co/docs/peft/main/en/package_reference/hotswap

  新しいアダプターと古いアダプターでランクと/またはLoRA alpha（つまりスケーリング）が異なる場合、アダプターを読み込む前に追加のメソッドを呼び出す必要があります：

  pipeline = ...  # load diffusers pipeline
  max_rank = ...  # the highest rank among all LoRAs that you want to load
  # call *before* compiling and loading the LoRA adapter
  pipeline.enable_lora_hotswap(target_rank=max_rank)
  pipeline.load_lora_weights(file_name)
  # optionally compile the model now

  テキストエンコーダーのアダプターをホットスワップすることは、まだサポートされていません。この技術にはいくつかの追加の制限があり、以下にドキュメント化されています: https://huggingface.co/docs/peft/main/en/package_reference/hotswap

• metadata — LoRA アダプターのメタデータ。指定された場合、state dict 経由で推定されたメタデータは LoraConfig の初期化に使用されません。

パラメータ

• save_directory (str または os.PathLike) — LoRA パラメータを保存するディレクトリ。存在しない場合は作成されます。
• adapter_name — (str、デフォルト値は “default”): シリアライズするアダプターの名前です。ベースとなるモデルに複数のアダプターが読み込まれている場合に便利です。
• upcast_before_saving (bool, デフォルトは False) — シリアライズ前に、ベースとなるモデルを torch.float32 にキャストするかどうか。
• safe_serialization (bool、任意、デフォルトはTrue) — safetensorsを使用してモデルを保存するか、従来のpickleによるPyTorchの方式で保存するかどうかを指定します。
• weight_name — (str、任意、デフォルトはNone): state dict をシリアライズするファイルの名前。

パラメータ

• adapter_name (str | list[str])) — 設定するアダプターのリスト、または単一のアダプターの場合のアダプター名。

パラメータ

• adapter_names (list[str] または str) — 使用するアダプターの名前です。
• weights (Union[List[float], float], 省略可) — UNet で使用するアダプターの重みです。None の場合、すべてのアダプターの重みは 1.0 に設定されます。