.\training_args_seq2seq.py
# 导入日志模块,用于记录程序运行时的信息
import logging
# 导入数据类装饰器和字段装饰器
from dataclasses import dataclass, field
# 导入路径操作模块
from pathlib import Path
# 导入可选类型模块
from typing import Optional, Union
# 导入生成配置工具模块中的生成配置类
from .generation.configuration_utils import GenerationConfig
# 导入训练参数类
from .training_args import TrainingArguments
# 导入添加文档字符串装饰器
from .utils import add_start_docstrings
# 获取当前模块的日志记录器对象
logger = logging.getLogger(__name__)
# 定义一个数据类,继承自TrainingArguments类,并添加了额外的文档字符串
@dataclass
@add_start_docstrings(TrainingArguments.__doc__)
class Seq2SeqTrainingArguments(TrainingArguments):
"""
Args:
sortish_sampler (`bool`, *optional*, defaults to `False`):
是否使用 SortishSampler。目前仅在底层数据集为 Seq2SeqDataset 时可用,
但将来会普遍可用。
SortishSampler 根据长度排序输入,以最小化填充大小,并在训练集中略微引入随机性。
predict_with_generate (`bool`, *optional*, defaults to `False`):
是否使用生成来计算生成性指标(ROUGE、BLEU)。
generation_max_length (`int`, *optional*):
当 `predict_with_generate=True` 时,在每次评估循环中使用的 `max_length`。
将默认使用模型配置的 `max_length` 值。
generation_num_beams (`int`, *optional*):
当 `predict_with_generate=True` 时,在每次评估循环中使用的 `num_beams`。
将默认使用模型配置的 `num_beams` 值。
generation_config (`str` or `Path` or [`~generation.GenerationConfig`], *optional*):
允许从 `from_pretrained` 方法加载 [`~generation.GenerationConfig`]。
可以是以下之一:
- 字符串,托管在 huggingface.co 模型库中的预训练模型配置的模型标识。
- 目录路径,包含使用 [`~GenerationConfig.save_pretrained`] 方法保存的配置文件,例如 `./my_model_directory/`。
- [`~generation.GenerationConfig`] 对象。
"""
# 是否使用 SortishSampler 进行采样,默认为 False
sortish_sampler: bool = field(default=False, metadata={"help": "Whether to use SortishSampler or not."})
# 是否使用生成来计算生成性指标(ROUGE、BLEU),默认为 False
predict_with_generate: bool = field(
default=False, metadata={"help": "Whether to use generate to calculate generative metrics (ROUGE, BLEU)."}
)
generation_max_length: Optional[int] = field(
default=None,
metadata={
"help": (
"The `max_length` to use on each evaluation loop when `predict_with_generate=True`. Will default "
"to the `max_length` value of the model configuration."
)
},
)
generation_num_beams: Optional[int] = field(
default=None,
metadata={
"help": (
"The `num_beams` to use on each evaluation loop when `predict_with_generate=True`. Will default "
"to the `num_beams` value of the model configuration."
)
},
)
generation_config: Optional[Union[str, Path, GenerationConfig]] = field(
default=None,
metadata={
"help": "Model id, file path or url pointing to a GenerationConfig json file, to use during prediction."
},
)
# 定义类的数据成员 generation_max_length,用于控制生成的文本长度,在预测时使用
generation_max_length: Optional[int] = field(
default=None,
metadata={
"help": (
"The `max_length` to use on each evaluation loop when `predict_with_generate=True`. Will default "
"to the `max_length` value of the model configuration."
)
},
)
# 定义类的数据成员 generation_num_beams,用于控制生成的 beam search 数量,在预测时使用
generation_num_beams: Optional[int] = field(
default=None,
metadata={
"help": (
"The `num_beams` to use on each evaluation loop when `predict_with_generate=True`. Will default "
"to the `num_beams` value of the model configuration."
)
},
)
# 定义类的数据成员 generation_config,用于指定生成配置的路径或对象,在预测时使用
generation_config: Optional[Union[str, Path, GenerationConfig]] = field(
default=None,
metadata={
"help": "Model id, file path or url pointing to a GenerationConfig json file, to use during prediction."
},
)
def to_dict(self):
"""
Serializes this instance while replace `Enum` by their values and `GenerationConfig` by dictionaries (for JSON
serialization support). It obfuscates the token values by removing their value.
"""
# filter out fields that are defined as field(init=False)
d = super().to_dict()
for k, v in d.items():
if isinstance(v, GenerationConfig):
d[k] = v.to_dict()
return d
# 定义一个方法 to_dict,用于将对象实例序列化为字典
def to_dict(self):
"""
Serializes this instance while replace `Enum` by their values and `GenerationConfig` by dictionaries (for JSON
serialization support). It obfuscates the token values by removing their value.
"""
# 调用父类的 to_dict 方法,获取对象实例的字典表示
d = super().to_dict()
# 遍历字典 d 的键值对
for k, v in d.items():
# 如果值 v 的类型是 GenerationConfig 类的实例
if isinstance(v, GenerationConfig):
# 将值 v 转换为其字典表示,以支持 JSON 序列化
d[k] = v.to_dict()
return d
.\training_args_tf.py
# 导入警告模块,用于处理警告信息
import warnings
# 导入 dataclass 模块中的 dataclass 和 field 函数
from dataclasses import dataclass, field
# 导入 Optional 和 Tuple 类型提示
from typing import Optional, Tuple
# 导入 TrainingArguments 类,该类用于存储训练相关的参数
from .training_args import TrainingArguments
# 导入 cached_property 函数、is_tf_available 函数、logging 函数和 requires_backends 函数
from .utils import cached_property, is_tf_available, logging, requires_backends
# 获取当前模块的 logger
logger = logging.get_logger(__name__)
# 如果 TensorFlow 可用,导入 TensorFlow 模块
if is_tf_available():
import tensorflow as tf
# 导入 keras 子模块
from .modeling_tf_utils import keras
@dataclass
class TFTrainingArguments(TrainingArguments):
"""
TFTrainingArguments 是我们在示例脚本中使用的 TrainingArguments 的子集,用于与训练循环本身相关的参数。
使用 HfArgumentParser,我们可以将这个类转换成可以在命令行上指定的 argparse 参数。
"""
# 指定框架为 "tf"
framework = "tf"
# TPU 的名称
tpu_name: Optional[str] = field(
default=None,
metadata={"help": "Name of TPU"},
)
# TPU 的区域
tpu_zone: Optional[str] = field(
default=None,
metadata={"help": "Zone of TPU"},
)
# Cloud TPU 启用项目的名称
gcp_project: Optional[str] = field(
default=None,
metadata={"help": "Name of Cloud TPU-enabled project"},
)
# 多项式衰减学习率调度器的幂次方
poly_power: float = field(
default=1.0,
metadata={"help": "Power for the Polynomial decay LR scheduler."},
)
# 是否激活 XLA 编译
xla: bool = field(default=False, metadata={"help": "Whether to activate the XLA compilation or not"})
@cached_property
def _setup_strategy(self) -> Tuple["tf.distribute.Strategy", int]:
# 确保所需的后端包括 TensorFlow
requires_backends(self, ["tf"])
# 记录信息:Tensorflow 正在设置策略
logger.info("Tensorflow: setting up strategy")
# 获取物理设备中的 GPU 列表
gpus = tf.config.list_physical_devices("GPU")
# 如果设置为 fp16,则将全局策略设置为 mixed_float16
if self.fp16:
keras.mixed_precision.set_global_policy("mixed_float16")
# 如果禁用 CUDA,则使用 OneDeviceStrategy 在 CPU 上运行
if self.no_cuda:
strategy = tf.distribute.OneDeviceStrategy(device="/cpu:0")
else:
try:
if self.tpu_name:
# 尝试连接指定名称的 TPU,设置区域和项目信息
tpu = tf.distribute.cluster_resolver.TPUClusterResolver(
self.tpu_name, zone=self.tpu_zone, project=self.gcp_project
)
else:
# 尝试连接默认的 TPU
tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
except ValueError:
if self.tpu_name:
# 如果指定的 TPU 连接失败,则抛出运行时错误
raise RuntimeError(f"Couldn't connect to TPU {self.tpu_name}!")
else:
# 如果没有指定 TPU 名称,则将 tpu 设为 None
tpu = None
if tpu:
# 如果使用 TPU,则根据设置的 fp16 将全局策略设置为 mixed_bfloat16
if self.fp16:
keras.mixed_precision.set_global_policy("mixed_bfloat16")
# 将当前进程连接到 TPU 群集
tf.config.experimental_connect_to_cluster(tpu)
# 初始化 TPU 系统
tf.tpu.experimental.initialize_tpu_system(tpu)
# 使用 TPUStrategy 进行分布式策略设置
strategy = tf.distribute.TPUStrategy(tpu)
elif len(gpus) == 0:
# 如果没有 GPU 可用,则使用 OneDeviceStrategy 在 CPU 上运行
strategy = tf.distribute.OneDeviceStrategy(device="/cpu:0")
elif len(gpus) == 1:
# 如果只有一个 GPU 可用,则使用 OneDeviceStrategy 在该 GPU 上运行
strategy = tf.distribute.OneDeviceStrategy(device="/gpu:0")
elif len(gpus) > 1:
# 如果有多个 GPU 可用,则使用 MirroredStrategy 在所有可见 GPU 上进行镜像策略
# 如果只想使用特定的 GPU 子集,请使用 `CUDA_VISIBLE_DEVICES=0`。
strategy = tf.distribute.MirroredStrategy()
else:
# 如果无法找到适当的策略,则抛出值错误
raise ValueError("Cannot find the proper strategy, please check your environment properties.")
# 返回设置好的策略及其关联的副本数
return strategy
@property
def strategy(self) -> "tf.distribute.Strategy":
"""
The strategy used for distributed training.
"""
# 确保所需的后端包括 TensorFlow
requires_backends(self, ["tf"])
# 返回由 _setup_strategy 方法设置的策略对象
return self._setup_strategy
@property
def n_replicas(self) -> int:
"""
The number of replicas (CPUs, GPUs or TPU cores) used in this training.
"""
# 确保所需的后端包括 TensorFlow
requires_backends(self, ["tf"])
# 返回当前策略中同步的副本数
return self._setup_strategy.num_replicas_in_sync
@property
def should_log(self):
"""
Whether or not the current process should produce log.
"""
# 返回 False,因为 TF 的日志由 Keras 处理而不是 Trainer
return False
def train_batch_size(self) -> int:
"""
训练时的实际批大小(在分布式训练中可能与 `per_gpu_train_batch_size` 不同)。
"""
if self.per_gpu_train_batch_size:
# 如果使用了过时的 `--per_gpu_train_batch_size` 参数,发出警告并建议使用 `--per_device_train_batch_size`。
logger.warning(
"Using deprecated `--per_gpu_train_batch_size` argument which will be removed in a future "
"version. Using `--per_device_train_batch_size` is preferred."
)
# 确定每个设备的批大小,优先选择 `per_gpu_train_batch_size`,否则选择 `per_device_train_batch_size`。
per_device_batch_size = self.per_gpu_train_batch_size or self.per_device_train_batch_size
# 返回每个设备的批大小乘以副本数(n_replicas),作为总的训练批大小。
return per_device_batch_size * self.n_replicas
@property
def eval_batch_size(self) -> int:
"""
评估时的实际批大小(在分布式训练中可能与 `per_gpu_eval_batch_size` 不同)。
"""
if self.per_gpu_eval_batch_size:
# 如果使用了过时的 `--per_gpu_eval_batch_size` 参数,发出警告并建议使用 `--per_device_eval_batch_size`。
logger.warning(
"Using deprecated `--per_gpu_eval_batch_size` argument which will be removed in a future "
"version. Using `--per_device_eval_batch_size` is preferred."
)
# 确定每个设备的评估批大小,优先选择 `per_gpu_eval_batch_size`,否则选择 `per_device_eval_batch_size`。
per_device_batch_size = self.per_gpu_eval_batch_size or self.per_device_eval_batch_size
# 返回每个设备的评估批大小乘以副本数(n_replicas),作为总的评估批大小。
return per_device_batch_size * self.n_replicas
@property
def n_gpu(self) -> int:
"""
用于训练的副本数(CPU、GPU 或 TPU 核心)。
"""
# 确保使用的后端是 TensorFlow。
requires_backends(self, ["tf"])
# 发出警告,提示 `n_gpu` 参数已经过时,建议使用 `n_replicas` 代替。
warnings.warn(
"The n_gpu argument is deprecated and will be removed in a future version, use n_replicas instead.",
FutureWarning,
)
# 返回当前设置的策略中的副本数(即同步中的副本数)。
return self._setup_strategy.num_replicas_in_sync
.\utils\backbone_utils.py
# 设置文件编码为 UTF-8
# 版权声明:2023 年由 HuggingFace Inc. 团队编写
#
# 根据 Apache 许可证 2.0 版本授权,除非符合许可证的要求,否则不得使用此文件
# 您可以在以下网址获取许可证的副本:
#
# http://www.apache.org/licenses/LICENSE-2.0
#
# 除非适用法律要求或书面同意,否则软件按"原样"分发,不提供任何形式的担保或条件
# 有关详细信息,请参阅许可证。
#
# 导入需要的模块和库
import enum
import inspect
from typing import Iterable, List, Optional, Tuple, Union
# 定义枚举类型 BackboneType,包含 TIMM 和 TRANSFORMERS 两种类型
class BackboneType(enum.Enum):
TIMM = "timm"
TRANSFORMERS = "transformers"
# 定义函数 verify_out_features_out_indices,用于验证给定的 out_features 和 out_indices 是否对应给定的 stage_names
def verify_out_features_out_indices(
out_features: Optional[Iterable[str]], out_indices: Optional[Iterable[int]], stage_names: Optional[Iterable[str]]
):
"""
Verify that out_indices and out_features are valid for the given stage_names.
"""
# 如果 stage_names 为 None,则抛出 ValueError 异常
if stage_names is None:
raise ValueError("Stage_names must be set for transformers backbones")
# 如果 out_features 不为 None
if out_features is not None:
# 如果 out_features 不是列表类型,则抛出 ValueError 异常
if not isinstance(out_features, (list,)):
raise ValueError(f"out_features must be a list got {type(out_features)}")
# 如果 out_features 中的任何特征不在 stage_names 中,则抛出 ValueError 异常
if any(feat not in stage_names for feat in out_features):
raise ValueError(f"out_features must be a subset of stage_names: {stage_names} got {out_features}")
# 如果 out_features 中存在重复的特征,则抛出 ValueError 异常
if len(out_features) != len(set(out_features)):
raise ValueError(f"out_features must not contain any duplicates, got {out_features}")
# 如果 out_features 不是按照 stage_names 中的顺序排列,则抛出 ValueError 异常
if out_features != (sorted_feats := [feat for feat in stage_names if feat in out_features]):
raise ValueError(
f"out_features must be in the same order as stage_names, expected {sorted_feats} got {out_features}"
)
# 如果给定了 out_indices 参数
if out_indices is not None:
# 检查 out_indices 是否为列表或元组,否则引发异常
if not isinstance(out_indices, (list, tuple)):
raise ValueError(f"out_indices must be a list or tuple, got {type(out_indices)}")
# 将负索引转换为其对应的正索引值:[-1,] -> [len(stage_names) - 1,]
positive_indices = tuple(idx % len(stage_names) if idx < 0 else idx for idx in out_indices)
# 检查所有正索引是否在有效范围内
if any(idx for idx in positive_indices if idx not in range(len(stage_names))):
raise ValueError(f"out_indices must be valid indices for stage_names {stage_names}, got {out_indices}")
# 检查正索引列表是否含有重复值
if len(positive_indices) != len(set(positive_indices)):
msg = f"out_indices must not contain any duplicates, got {out_indices}"
msg += f" (equivalent to {positive_indices}))" if positive_indices != out_indices else ""
raise ValueError(msg)
# 检查正索引是否按照 stage_names 中的顺序排列
if positive_indices != tuple(sorted(positive_indices)):
sorted_negative = tuple(idx for _, idx in sorted(zip(positive_indices, out_indices), key=lambda x: x[0]))
raise ValueError(
f"out_indices must be in the same order as stage_names, expected {sorted_negative} got {out_indices}"
)
# 如果同时给定了 out_features 和 out_indices 参数
if out_features is not None and out_indices is not None:
# 检查 out_features 和 out_indices 的长度是否一致
if len(out_features) != len(out_indices):
raise ValueError("out_features and out_indices should have the same length if both are set")
# 检查 out_features 是否与 out_indices 对应到 stage_names 中的同一阶段
if out_features != [stage_names[idx] for idx in out_indices]:
raise ValueError("out_features and out_indices should correspond to the same stages if both are set")
# 定义函数 _align_output_features_output_indices,用于根据 stage_names 对齐给定的 out_features 和 out_indices
def _align_output_features_output_indices(
out_features: Optional[List[str]],
out_indices: Optional[Union[List[int], Tuple[int]]],
stage_names: List[str],
):
"""
Finds the corresponding `out_features` and `out_indices` for the given `stage_names`.
The logic is as follows:
- `out_features` not set, `out_indices` set: `out_features` is set to the `out_features` corresponding to the
`out_indices`.
- `out_indices` not set, `out_features` set: `out_indices` is set to the `out_indices` corresponding to the
`out_features`.
- `out_indices` and `out_features` not set: `out_indices` and `out_features` are set to the last stage.
- `out_indices` and `out_features` set: input `out_indices` and `out_features` are returned.
Args:
out_features (`List[str]`): The names of the features for the backbone to output.
out_indices (`List[int]` or `Tuple[int]`): The indices of the features for the backbone to output.
stage_names (`List[str]`): The names of the stages of the backbone.
"""
# 如果 out_indices 和 out_features 都未设置,则将它们设为最后一个 stage_names 的值
if out_indices is None and out_features is None:
out_indices = [len(stage_names) - 1]
out_features = [stage_names[-1]]
# 如果 out_indices 未设置但 out_features 设置了,则根据 out_features 设置 out_indices
elif out_indices is None and out_features is not None:
out_indices = [stage_names.index(layer) for layer in out_features]
# 如果 out_features 未设置但 out_indices 设置了,则根据 out_indices 设置 out_features
elif out_features is None and out_indices is not None:
out_features = [stage_names[idx] for idx in out_indices]
# 返回经过对齐处理后的 out_features 和 out_indices
return out_features, out_indices
# 定义函数 get_aligned_output_features_output_indices,用于获取经过对齐处理后的 out_features 和 out_indices
def get_aligned_output_features_output_indices(
out_features: Optional[List[str]],
out_indices: Optional[Union[List[int], Tuple[int]]],
stage_names: List[str],
) -> Tuple[List[str], List[int]]:
"""
Get the `out_features` and `out_indices` so that they are aligned.
The logic is as follows:
- `out_features` not set, `out_indices` set: `out_features` is set to the `out_features` corresponding to the
`out_indices`.
- `out_indices` not set, `out_features` set: `out_indices` is set to the `out_indices` corresponding to the
`out_features`.
- `out_indices` and `out_features` not set: `out_indices` and `out_features` are set to the last stage.
- `out_indices` and `out_features` set: they are verified to be aligned.
Args:
out_features (`List[str]`): The names of the features for the backbone to output.
out_indices (`List[int]` or `Tuple[int]`): The indices of the features for the backbone to output.
stage_names (`List[str]`): The names of the stages of the backbone.
"""
# 首先验证 out_features 和 out_indices 是否有效
verify_out_features_out_indices(out_features=out_features, out_indices=out_indices, stage_names=stage_names)
# 调用 _align_output_features_output_indices 函数,获取对齐后的 out_features 和 out_indices
output_features, output_indices = _align_output_features_output_indices(
out_features=out_features, out_indices=out_indices, stage_names=stage_names
)
# 验证对齐的输出特征和输出索引是否有效
verify_out_features_out_indices(out_features=output_features, out_indices=output_indices, stage_names=stage_names)
# 返回验证后的输出特征和输出索引
return output_features, output_indices
class BackboneMixin:
backbone_type: Optional[BackboneType] = None
def _init_timm_backbone(self, config) -> None:
"""
Initialize the backbone model from timm The backbone must already be loaded to self._backbone
"""
# 检查 self._backbone 是否已经被加载,若未加载则抛出数值错误
if getattr(self, "_backbone", None) is None:
raise ValueError("self._backbone must be set before calling _init_timm_backbone")
# 根据 self._backbone 的特征信息,获取阶段名称和特征数量
self.stage_names = [stage["module"] for stage in self._backbone.feature_info.info]
self.num_features = [stage["num_chs"] for stage in self._backbone.feature_info.info]
out_indices = self._backbone.feature_info.out_indices
out_features = self._backbone.feature_info.module_name()
# 验证输出特征和输出索引的有效性
verify_out_features_out_indices(
out_features=out_features, out_indices=out_indices, stage_names=self.stage_names
)
self._out_features, self._out_indices = out_features, out_indices
def _init_transformers_backbone(self, config) -> None:
"""
Initialize the backbone model from transformers
"""
# 获取配置中的阶段名称、输出特征和输出索引
stage_names = getattr(config, "stage_names")
out_features = getattr(config, "out_features", None)
out_indices = getattr(config, "out_indices", None)
# 根据配置中的信息,对齐输出特征和输出索引
self.stage_names = stage_names
self._out_features, self._out_indices = get_aligned_output_features_output_indices(
out_features=out_features, out_indices=out_indices, stage_names=stage_names
)
# 每个阶段的通道数量,这在 transformer backbone 模型初始化中设置
self.num_features = None
def _init_backbone(self, config) -> None:
"""
Method to initialize the backbone. This method is called by the constructor of the base class after the
pretrained model weights have been loaded.
"""
# 将配置保存到 self.config
self.config = config
# 检查是否使用 timm backbone,如果是,则调用 _init_timm_backbone 方法初始化
self.use_timm_backbone = getattr(config, "use_timm_backbone", False)
self.backbone_type = BackboneType.TIMM if self.use_timm_backbone else BackboneType.TRANSFORMERS
# 根据选择的 backbone 类型初始化对应的方法
if self.backbone_type == BackboneType.TIMM:
self._init_timm_backbone(config)
elif self.backbone_type == BackboneType.TRANSFORMERS:
self._init_transformers_backbone(config)
else:
raise ValueError(f"backbone_type {self.backbone_type} not supported.")
@property
def out_features(self):
return self._out_features
@out_features.setter
def out_features(self, out_features: List[str]):
"""
设置 out_features 属性。这还会更新 out_indices 属性,使其与新的 out_features 匹配。
"""
self._out_features, self._out_indices = get_aligned_output_features_output_indices(
out_features=out_features, out_indices=None, stage_names=self.stage_names
)
@property
def out_indices(self):
"""
获取 out_indices 属性的值。
"""
return self._out_indices
@out_indices.setter
def out_indices(self, out_indices: Union[Tuple[int], List[int]]):
"""
设置 out_indices 属性。这还会更新 out_features 属性,使其与新的 out_indices 匹配。
"""
self._out_features, self._out_indices = get_aligned_output_features_output_indices(
out_features=None, out_indices=out_indices, stage_names=self.stage_names
)
@property
def out_feature_channels(self):
"""
返回每个阶段的通道数。即使该阶段不在 out_features 列表中,当前的骨干网络也会输出通道数。
"""
return {stage: self.num_features[i] for i, stage in enumerate(self.stage_names)}
@property
def channels(self):
"""
返回与 out_features 列表中每个名称对应的通道数列表。
"""
return [self.out_feature_channels[name] for name in self.out_features]
def forward_with_filtered_kwargs(self, *args, **kwargs):
"""
使用前向方法的参数签名过滤 kwargs,并调用 self(*args, **filtered_kwargs)。
"""
signature = dict(inspect.signature(self.forward).parameters)
filtered_kwargs = {k: v for k, v in kwargs.items() if k in signature}
return self(*args, **filtered_kwargs)
def forward(
self,
pixel_values,
output_hidden_states: Optional[bool] = None,
output_attentions: Optional[bool] = None,
return_dict: Optional[bool] = None,
):
"""
抛出 NotImplementedError,要求派生类实现此方法。
"""
raise NotImplementedError("This method should be implemented by the derived class.")
def to_dict(self):
"""
将此实例序列化为 Python 字典。重写自 `PretrainedConfig` 的默认 `to_dict()` 方法以包括 `out_features` 和 `out_indices` 属性。
"""
output = super().to_dict()
output["out_features"] = output.pop("_out_features")
output["out_indices"] = output.pop("_out_indices")
return output
class BackboneConfigMixin:
"""
A Mixin to support handling the `out_features` and `out_indices` attributes for the backbone configurations.
"""
@property
def out_features(self):
"""
Getter for `out_features` attribute.
"""
return self._out_features
@out_features.setter
def out_features(self, out_features: List[str]):
"""
Setter for `out_features` attribute. Updates `out_indices` accordingly.
Args:
out_features (List[str]): List of output feature names.
"""
self._out_features, self._out_indices = get_aligned_output_features_output_indices(
out_features=out_features, out_indices=None, stage_names=self.stage_names
)
@property
def out_indices(self):
"""
Getter for `out_indices` attribute.
"""
return self._out_indices
@out_indices.setter
def out_indices(self, out_indices: Union[Tuple[int], List[int]]):
"""
Setter for `out_indices` attribute. Updates `out_features` accordingly.
Args:
out_indices (Union[Tuple[int], List[int]]): Tuple or list of output indices.
"""
self._out_features, self._out_indices = get_aligned_output_features_output_indices(
out_features=None, out_indices=out_indices, stage_names=self.stage_names
)
def to_dict(self):
"""
Serializes this instance to a Python dictionary.
Overrides the default `to_dict()` from `PretrainedConfig` to include `out_features` and `out_indices`.
Returns:
dict: Serialized dictionary representation of the instance.
"""
output = super().to_dict()
output["out_features"] = output.pop("_out_features")
output["out_indices"] = output.pop("_out_indices")
return output
def load_backbone(config):
"""
Loads the backbone model from a config object.
If the config is from the backbone model itself, then we return a backbone model with randomly initialized
weights.
If the config is from the parent model of the backbone model itself, then we load the pretrained backbone weights
if specified.
Args:
config: Configuration object that may contain `backbone_config`, `use_timm_backbone`, `use_pretrained_backbone`,
`backbone`, and `backbone_kwargs` attributes.
Raises:
ValueError: If both `backbone_kwargs` and `backbone_config` are specified, or if both `backbone_config` and
`backbone` with `use_pretrained_backbone` are specified.
"""
from transformers import AutoBackbone, AutoConfig
backbone_config = getattr(config, "backbone_config", None)
use_timm_backbone = getattr(config, "use_timm_backbone", None)
use_pretrained_backbone = getattr(config, "use_pretrained_backbone", None)
backbone_checkpoint = getattr(config, "backbone", None)
backbone_kwargs = getattr(config, "backbone_kwargs", None)
backbone_kwargs = {} if backbone_kwargs is None else backbone_kwargs
if backbone_kwargs and backbone_config is not None:
raise ValueError("You can't specify both `backbone_kwargs` and `backbone_config`.")
if backbone_config is not None and backbone_checkpoint is not None and use_pretrained_backbone is not None:
raise ValueError("Cannot specify both config.backbone_config and config.backbone")
# 如果以下任一参数被设置,则传入的配置来自具有主干模型的模型。
if (
backbone_config is None
and use_timm_backbone is None
and backbone_checkpoint is None
and backbone_checkpoint is None
):
# 返回根据配置创建的自动主干模型
return AutoBackbone.from_config(config=config, **backbone_kwargs)
# 父模型中具有主干的配置
if use_timm_backbone:
if backbone_checkpoint is None:
# 如果 use_timm_backbone 为 True,但未设置 backbone_checkpoint,则抛出数值错误
raise ValueError("config.backbone must be set if use_timm_backbone is True")
# 由于 timm 主干最初添加到模型时,需要传入 use_pretrained_backbone
# 以确定是否加载预训练权重。
backbone = AutoBackbone.from_pretrained(
backbone_checkpoint,
use_timm_backbone=use_timm_backbone,
use_pretrained_backbone=use_pretrained_backbone,
**backbone_kwargs,
)
elif use_pretrained_backbone:
if backbone_checkpoint is None:
# 如果 use_pretrained_backbone 为 True,但未设置 backbone_checkpoint,则抛出数值错误
raise ValueError("config.backbone must be set if use_pretrained_backbone is True")
# 根据预训练的主干模型创建自动主干模型
backbone = AutoBackbone.from_pretrained(backbone_checkpoint, **backbone_kwargs)
else:
if backbone_config is None and backbone_checkpoint is None:
# 如果没有设置 backbone_config 和 backbone_checkpoint,则抛出数值错误
raise ValueError("Either config.backbone_config or config.backbone must be set")
if backbone_config is None:
# 如果未设置 backbone_config,则从预训练模型加载配置
backbone_config = AutoConfig.from_pretrained(backbone_checkpoint, **backbone_kwargs)
# 根据配置创建自动主干模型
backbone = AutoBackbone.from_config(config=backbone_config)
# 返回所选的主干模型
return backbone
.\utils\bitsandbytes.py
# 引入警告模块,用于发出警告信息
import warnings
# 发出一个将来版本移除模块的警告,提醒用户更新相关导入语句
warnings.warn(
"transformers.utils.bitsandbytes module is deprecated and will be removed in a future version. Please import bitsandbytes modules directly from transformers.integrations",
FutureWarning,
)
# 从 integrations 模块中导入以下函数和类,其中 get_keys_to_not_convert, replace_8bit_linear, replace_with_bnb_linear,
# set_module_8bit_tensor_to_device, set_module_quantized_tensor_to_device 被导入,忽略导入时的警告
from ..integrations import ( # noqa
get_keys_to_not_convert,
replace_8bit_linear,
replace_with_bnb_linear,
set_module_8bit_tensor_to_device,
set_module_quantized_tensor_to_device,
)
.\utils\constants.py
# ImageNet 数据集的默认均值(Mean)RGB值,用于图像预处理
IMAGENET_DEFAULT_MEAN = [0.485, 0.456, 0.406]
# ImageNet 数据集的默认标准差(Standard Deviation)RGB值,用于图像预处理
IMAGENET_DEFAULT_STD = [0.229, 0.224, 0.225]
# ImageNet 标准化后的均值(Mean)RGB值,用于图像预处理
IMAGENET_STANDARD_MEAN = [0.5, 0.5, 0.5]
# ImageNet 标准化后的标准差(Standard Deviation)RGB值,用于图像预处理
IMAGENET_STANDARD_STD = [0.5, 0.5, 0.5]
# OpenAI 的 CLIP 模型的均值(Mean)RGB值,用于图像预处理
OPENAI_CLIP_MEAN = [0.48145466, 0.4578275, 0.40821073]
# OpenAI 的 CLIP 模型的标准差(Standard Deviation)RGB值,用于图像预处理
OPENAI_CLIP_STD = [0.26862954, 0.26130258, 0.27577711]
.\utils\doc.py
# 版权声明和许可证信息
"""
Copyright 2022 The HuggingFace Team. All rights reserved.
Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at
http://www.apache.org/licenses/LICENSE-2.0
Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.
"""
# 导入必要的模块
import functools
import re
import types
# 定义一个装饰器函数,用于添加起始文档字符串
def add_start_docstrings(*docstr):
def docstring_decorator(fn):
fn.__doc__ = "".join(docstr) + (fn.__doc__ if fn.__doc__ is not None else "")
return fn
return docstring_decorator
# 定义一个装饰器函数,用于给模型的前向方法添加起始文档字符串
def add_start_docstrings_to_model_forward(*docstr):
def docstring_decorator(fn):
# 组合文档字符串和现有文档字符串(如果存在)
docstring = "".join(docstr) + (fn.__doc__ if fn.__doc__ is not None else "")
# 获取类名,并构建介绍信息
class_name = f"[`{fn.__qualname__.split('.')[0]}`]"
intro = f" The {class_name} forward method, overrides the `__call__` special method."
# 添加额外的提示信息
note = r"""
<Tip>
Although the recipe for forward pass needs to be defined within this function, one should call the [`Module`]
instance afterwards instead of this since the former takes care of running the pre and post processing steps while
the latter silently ignores them.
</Tip>
"""
# 更新函数的文档字符串
fn.__doc__ = intro + note + docstring
return fn
return docstring_decorator
# 定义一个装饰器函数,用于添加结尾文档字符串
def add_end_docstrings(*docstr):
def docstring_decorator(fn):
fn.__doc__ = (fn.__doc__ if fn.__doc__ is not None else "") + "".join(docstr)
return fn
return docstring_decorator
# PyTorch 返回值介绍模板
PT_RETURN_INTRODUCTION = r"""
Returns:
[`{full_output_type}`] or `tuple(torch.FloatTensor)`: A [`{full_output_type}`] or a tuple of
`torch.FloatTensor` (if `return_dict=False` is passed or when `config.return_dict=False`) comprising various
elements depending on the configuration ([`{config_class}`]) and inputs.
"""
# TensorFlow 返回值介绍模板
TF_RETURN_INTRODUCTION = r"""
Returns:
[`{full_output_type}`] or `tuple(tf.Tensor)`: A [`{full_output_type}`] or a tuple of `tf.Tensor` (if
`return_dict=False` is passed or when `config.return_dict=False`) comprising various elements depending on the
configuration ([`{config_class}`]) and inputs.
"""
# 辅助函数:获取字符串的缩进
def _get_indent(t):
"""Returns the indentation in the first line of t"""
search = re.search(r"^(\s*)\S", t)
return "" if search is None else search.groups()[0]
# 辅助函数:将输出参数文档转换为适当的显示格式
def _convert_output_args_doc(output_args_doc):
"""Convert output_args_doc to display properly."""
# 获取文本缩进
indent = _get_indent(output_args_doc)
blocks = [] # 初始化块列表
current_block = "" # 初始化当前块字符串
# 对于输出的参数文档,按行遍历处理
for line in output_args_doc.split("\n"):
# 如果当前行的缩进与指定缩进相同,表示这行是一个新参数的名称
if _get_indent(line) == indent:
# 如果当前块已经有内容,将其添加到块列表中,并重新初始化当前块
if len(current_block) > 0:
blocks.append(current_block[:-1]) # 去除最后的换行符并添加到块列表
current_block = f"{line}\n" # 初始化当前块为当前行
else:
# 否则,当前行是当前参数描述的一部分
# 需要去除两个空格的缩进,然后添加到当前块中
current_block += f"{line[2:]}\n"
# 将最后一个块添加到块列表中(因为最后一个块不会触发上述条件)
blocks.append(current_block[:-1]) # 去除最后的换行符并添加到块列表
# 对每个块进行格式化,以便进行正确的渲染
for i in range(len(blocks)):
blocks[i] = re.sub(r"^(\s+)(\S+)(\s+)", r"\1- **\2**\3", blocks[i]) # 使用粗体格式化参数名
blocks[i] = re.sub(r":\s*\n\s*(\S)", r" -- \1", blocks[i]) # 格式化参数描述,添加破折号
# 将所有块合并成一个字符串,并返回结果
return "\n".join(blocks)
def _prepare_output_docstrings(output_type, config_class, min_indent=None):
"""
Prepares the return part of the docstring using `output_type`.
"""
# 获取输出类型的文档字符串
output_docstring = output_type.__doc__
# 从文档字符串中提取参数部分
lines = output_docstring.split("\n")
i = 0
# 寻找并移除文档字符串头部,保留参数列表
while i < len(lines) and re.search(r"^\s*(Args|Parameters):\s*$", lines[i]) is None:
i += 1
if i < len(lines):
params_docstring = "\n".join(lines[(i + 1) :])
# 转换参数文档字符串的格式
params_docstring = _convert_output_args_doc(params_docstring)
else:
# 如果找不到 `Args` 或 `Parameters` 部分,抛出异常
raise ValueError(
f"No `Args` or `Parameters` section is found in the docstring of `{output_type.__name__}`. Make sure it has "
"docstring and contain either `Args` or `Parameters`."
)
# 添加返回值部分的介绍
full_output_type = f"{output_type.__module__}.{output_type.__name__}"
# 根据输出类型的名称选择介绍文本
intro = TF_RETURN_INTRODUCTION if output_type.__name__.startswith("TF") else PT_RETURN_INTRODUCTION
# 格式化介绍文本,包括输出类型和配置类
intro = intro.format(full_output_type=full_output_type, config_class=config_class)
# 将介绍文本与参数文档字符串合并
result = intro + params_docstring
# 如果指定了最小缩进量,则应用该缩进
if min_indent is not None:
lines = result.split("\n")
i = 0
# 查找第一个非空行的缩进量
while len(lines[i]) == 0:
i += 1
indent = len(_get_indent(lines[i]))
# 如果缩进量过小,则对所有非空行添加缩进
if indent < min_indent:
to_add = " " * (min_indent - indent)
lines = [(f"{to_add}{line}" if len(line) > 0 else line) for line in lines]
result = "\n".join(lines)
return result
# 将预测的标记类别 ID 赋值给变量 labels
labels = predicted_token_class_ids
# 使用模型处理输入数据和标签,计算损失值
loss = model(**inputs, labels=labels).loss
# 获取损失值的数值,并保留两位小数
round(loss.item(), 2)
"""
PT_QUESTION_ANSWERING_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> answer_start_index = outputs.start_logits.argmax()
>>> answer_end_index = outputs.end_logits.argmax()
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> tokenizer.decode(predict_answer_tokens, skip_special_tokens=True)
{expected_output}
>>> # target is "nice puppet"
>>> target_start_index = torch.tensor([{qa_target_start_index}])
>>> target_end_index = torch.tensor([{qa_target_end_index}])
>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = outputs.loss
>>> round(loss.item(), 2)
{expected_loss}
```
"""
PT_SEQUENCE_CLASSIFICATION_SAMPLE = r"""
Example of single-label classification:
```
>>> import torch
>>> from transformers import AutoTokenizer, {model_class}
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
{expected_output}
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = {model_class}.from_pretrained("{checkpoint}", num_labels=num_labels)
>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
{expected_loss}
```
Example of multi-label classification:
```
>>> import torch
>>> from transformers import AutoTokenizer, {model_class}
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}", problem_type="multi_label_classification")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]
>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = {model_class}.from_pretrained("{checkpoint}", num_labels=num_labels)
# 调用模型的预测方法,传入输入数据和检查点参数,返回预测结果
>>> labels = torch.sum(
# 使用 torch.nn.functional.one_hot 函数将预测的类别转换为独热编码
torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels),
# 在维度1上求和,得到每个样本的类别标签向量
dim=1
).to(torch.float)
# 调用模型的训练方法,传入输入数据和预测的标签,返回损失值
>>> loss = model(**inputs, labels=labels).loss
"""
PT_MASKED_LM_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("The capital of France is {mask}.", return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # retrieve index of {mask}
>>> mask_token_index = (inputs.input_ids == tokenizer.mask_token_id)[0].nonzero(as_tuple=True)[0]
>>> predicted_token_id = logits[0, mask_token_index].argmax(axis=-1)
>>> tokenizer.decode(predicted_token_id)
{expected_output}
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="pt")["input_ids"]
>>> # mask labels of non-{mask} tokens
>>> labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)
>>> outputs = model(**inputs, labels=labels)
>>> round(outputs.loss.item(), 2)
{expected_loss}
```
"""
PT_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
```
"""
PT_MULTIPLE_CHOICE_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import torch
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> labels = torch.tensor(0).unsqueeze(0) # choice0 is correct (according to Wikipedia ;)), batch size 1
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="pt", padding=True)
>>> outputs = model(**{{k: v.unsqueeze(0) for k, v in encoding.items()}}, labels=labels) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> loss = outputs.loss
>>> logits = outputs.logits
```
"""
PT_CAUSAL_LM_SAMPLE = r"""
Example:
```
>>> import torch
>>> from transformers import AutoTokenizer, {model_class}
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
>>> outputs = model(**inputs, labels=inputs["input_ids"])
>>> loss = outputs.loss
>>> logits = outputs.logits
```
"""
PT_SPEECH_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoProcessor, {model_class}
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
# 加载指定的数据集,这里是从 Hugging Face 内部测试数据集中加载 LibriSpeech ASR Demo 的干净验证集数据
>>> dataset = dataset.sort("id")
# 按照数据集中的 "id" 列对数据集进行排序
>>> sampling_rate = dataset.features["audio"].sampling_rate
# 获取数据集中音频特征的采样率
>>> processor = AutoProcessor.from_pretrained("{checkpoint}")
# 使用预训练的 AutoProcessor 加载指定的检查点
>>> model = {model_class}.from_pretrained("{checkpoint}")
# 使用预训练的模型类加载指定的检查点
>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
# 在使用处理器时,音频文件会动态解码,这里将音频数据作为输入,返回 PyTorch 张量
>>> with torch.no_grad():
... outputs = model(**inputs)
# 在不计算梯度的上下文中,使用模型进行推断,输入为处理后的数据
>>> last_hidden_states = outputs.last_hidden_state
# 从模型的输出中获取最后一层隐藏状态
>>> list(last_hidden_states.shape)
{expected_output}
# 输出最后隐藏状态的形状
PT_SPEECH_FRAME_CLASS_SAMPLE = r"""
Example:
```
>>> from transformers import AutoFeatureExtractor, {model_class}
>>> from datasets import load_dataset
>>> import torch
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> # audio file is decoded on the fly
注释:
# 导入必要的库和模块,例如从transformers库中导入AutoFeatureExtractor和模型类(model_class),从datasets库中导入load_dataset函数,导入torch库
# 加载LibriSpeech ASR演示数据集的验证集("clean"),并按ID排序
# 获取数据集中音频特征的采样率
# 从预训练的模型检查点中实例化AutoFeatureExtractor对象和模型对象
# 在使用时,音频文件会实时解码
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], return_tensors="pt", sampling_rate=sampling_rate)
# 使用特征提取器从数据集中的第一个音频样本提取特征,并返回PyTorch张量,使用给定的采样率
>>> with torch.no_grad():
... logits = model(**inputs).logits
# 使用torch.no_grad()上下文管理器,禁止梯度计算,计算模型对输入数据的logits(未经softmax的预测值)
>>> probabilities = torch.sigmoid(logits[0])
# 计算logits的sigmoid函数值,得到预测概率
>>> # labels is a one-hot array of shape (num_frames, num_speakers)
>>> labels = (probabilities > 0.5).long()
# 基于概率值大于0.5的条件,将其转换为long整数类型的标签数组,表示每帧对应的发言者
>>> labels[0].tolist()
# 将第一帧的标签数组转换为Python列表形式,并输出
{expected_output}
# 示例代码段,展示如何使用预训练模型进行音频向量提取和相似性比较
"""
PT_SPEECH_XVECTOR_SAMPLE = r"""
Example:
```
>>> from transformers import AutoFeatureExtractor, {model_class}
>>> from datasets import load_dataset
>>> import torch
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(
... [d["array"] for d in dataset[:2]["audio"]], sampling_rate=sampling_rate, return_tensors="pt", padding=True
... )
>>> with torch.no_grad():
... embeddings = model(**inputs).embeddings
>>> embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()
>>> # the resulting embeddings can be used for cosine similarity-based retrieval
>>> cosine_sim = torch.nn.CosineSimilarity(dim=-1)
>>> similarity = cosine_sim(embeddings[0], embeddings[1])
>>> threshold = 0.7 # the optimal threshold is dataset-dependent
>>> if similarity < threshold:
... print("Speakers are not the same!")
>>> round(similarity.item(), 2)
{expected_output}
```
"""
PT_VISION_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoImageProcessor, {model_class}
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
{expected_output}
```
"""
PT_VISION_SEQ_CLASS_SAMPLE = r"""
Example:
```
>>> from transformers import AutoImageProcessor, {model_class}
>>> import torch
>>> from datasets import load_dataset
>>> dataset = load_dataset("huggingface/cats-image")
>>> image = dataset["test"]["image"][0]
>>> image_processor = AutoImageProcessor.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = image_processor(image, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> # model predicts one of the 1000 ImageNet classes
>>> predicted_label = logits.argmax(-1).item()
>>> print(model.config.id2label[predicted_label])
{expected_output}
```
"""
PT_SAMPLE_DOCSTRINGS = {
"SequenceClassification": PT_SEQUENCE_CLASSIFICATION_SAMPLE,
"QuestionAnswering": PT_QUESTION_ANSWERING_SAMPLE,
}
"TokenClassification": PT_TOKEN_CLASSIFICATION_SAMPLE,
# 定义键为 "TokenClassification",值为 PT_TOKEN_CLASSIFICATION_SAMPLE 的样本
"MultipleChoice": PT_MULTIPLE_CHOICE_SAMPLE,
# 定义键为 "MultipleChoice",值为 PT_MULTIPLE_CHOICE_SAMPLE 的样本
"MaskedLM": PT_MASKED_LM_SAMPLE,
# 定义键为 "MaskedLM",值为 PT_MASKED_LM_SAMPLE 的样本
"LMHead": PT_CAUSAL_LM_SAMPLE,
# 定义键为 "LMHead",值为 PT_CAUSAL_LM_SAMPLE 的样本
"BaseModel": PT_BASE_MODEL_SAMPLE,
# 定义键为 "BaseModel",值为 PT_BASE_MODEL_SAMPLE 的样本
"SpeechBaseModel": PT_SPEECH_BASE_MODEL_SAMPLE,
# 定义键为 "SpeechBaseModel",值为 PT_SPEECH_BASE_MODEL_SAMPLE 的样本
"CTC": PT_SPEECH_CTC_SAMPLE,
# 定义键为 "CTC",值为 PT_SPEECH_CTC_SAMPLE 的样本
"AudioClassification": PT_SPEECH_SEQ_CLASS_SAMPLE,
# 定义键为 "AudioClassification",值为 PT_SPEECH_SEQ_CLASS_SAMPLE 的样本
"AudioFrameClassification": PT_SPEECH_FRAME_CLASS_SAMPLE,
# 定义键为 "AudioFrameClassification",值为 PT_SPEECH_FRAME_CLASS_SAMPLE 的样本
"AudioXVector": PT_SPEECH_XVECTOR_SAMPLE,
# 定义键为 "AudioXVector",值为 PT_SPEECH_XVECTOR_SAMPLE 的样本
"VisionBaseModel": PT_VISION_BASE_MODEL_SAMPLE,
# 定义键为 "VisionBaseModel",值为 PT_VISION_BASE_MODEL_SAMPLE 的样本
"ImageClassification": PT_VISION_SEQ_CLASS_SAMPLE,
# 定义键为 "ImageClassification",值为 PT_VISION_SEQ_CLASS_SAMPLE 的样本
}
TF_TOKEN_CLASSIFICATION_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer(
... "HuggingFace is a company based in Paris and New York", add_special_tokens=False, return_tensors="tf"
... )
>>> logits = model(**inputs).logits
>>> predicted_token_class_ids = tf.math.argmax(logits, axis=-1)
>>> # Note that tokens are classified rather then input words which means that
>>> # there might be more predicted token classes than words.
>>> # Multiple token classes might account for the same word
>>> predicted_tokens_classes = [model.config.id2label[t] for t in predicted_token_class_ids[0].numpy().tolist()]
>>> predicted_tokens_classes
{expected_output}
```
```
>>> labels = predicted_token_class_ids
>>> loss = tf.math.reduce_mean(model(**inputs, labels=labels).loss)
>>> round(float(loss), 2)
{expected_loss}
```
"""
TF_QUESTION_ANSWERING_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> question, text = "Who was Jim Henson?", "Jim Henson was a nice puppet"
>>> inputs = tokenizer(question, text, return_tensors="tf")
>>> outputs = model(**inputs)
>>> answer_start_index = int(tf.math.argmax(outputs.start_logits, axis=-1)[0])
>>> answer_end_index = int(tf.math.argmax(outputs.end_logits, axis=-1)[0])
>>> predict_answer_tokens = inputs.input_ids[0, answer_start_index : answer_end_index + 1]
>>> tokenizer.decode(predict_answer_tokens)
{expected_output}
```
```
>>> # target is "nice puppet"
>>> target_start_index = tf.constant([{qa_target_start_index}])
>>> target_end_index = tf.constant([{qa_target_end_index}])
>>> outputs = model(**inputs, start_positions=target_start_index, end_positions=target_end_index)
>>> loss = tf.math.reduce_mean(outputs.loss)
>>> round(float(loss), 2)
{expected_loss}
```
"""
TF_SEQUENCE_CLASSIFICATION_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> logits = model(**inputs).logits
>>> predicted_class_id = int(tf.math.argmax(logits, axis=-1)[0])
>>> model.config.id2label[predicted_class_id]
{expected_output}
```
```
# Placeholder for additional code related to sequence classification if needed
# 获取模型配置中标签的数量,以确定需要训练的类别数
num_labels = len(model.config.id2label)
# 使用预训练的模型类 `{model_class}` 从指定的检查点 `"{checkpoint}"` 加载模型,
# 并设置分类任务中的类别数为 `num_labels`
model = {model_class}.from_pretrained("{checkpoint}", num_labels=num_labels)
# 创建一个 TensorFlow 常量张量 `labels`,其中值为 1,表示输入数据的真实标签
labels = tf.constant(1)
# 使用模型进行前向传播计算损失,通过传入 `inputs` 作为输入数据,同时指定真实标签 `labels`,
# 获取计算得到的损失值 `loss`
loss = model(**inputs, labels=labels).loss
# 将损失值转换为浮点数,并保留两位小数,返回结果
round(float(loss), 2)
{expected_loss}
# 定义了一个字符串常量 TF_MASKED_LM_SAMPLE,包含了一个示例的Transformer模型使用案例,展示了如何使用Masked Language Modeling功能。
TF_MASKED_LM_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("The capital of France is {mask}.", return_tensors="tf")
>>> logits = model(**inputs).logits
>>> # retrieve index of {mask}
>>> mask_token_index = tf.where((inputs.input_ids == tokenizer.mask_token_id)[0])
>>> selected_logits = tf.gather_nd(logits[0], indices=mask_token_index)
>>> predicted_token_id = tf.math.argmax(selected_logits, axis=-1)
>>> tokenizer.decode(predicted_token_id)
{expected_output}
```
```
>>> labels = tokenizer("The capital of France is Paris.", return_tensors="tf")["input_ids"]
>>> # mask labels of non-{mask} tokens
>>> labels = tf.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)
>>> outputs = model(**inputs, labels=labels)
>>> round(float(outputs.loss), 2)
{expected_loss}
```
"""
# 定义了一个字符串常量 TF_BASE_MODEL_SAMPLE,包含了一个示例的Transformer模型使用案例,展示了基础模型的输入输出操作。
TF_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> last_hidden_states = outputs.last_hidden_state
```
"""
# 定义了一个字符串常量 TF_MULTIPLE_CHOICE_SAMPLE,包含了一个示例的Transformer模型使用案例,展示了多项选择任务的处理方式。
TF_MULTIPLE_CHOICE_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> prompt = "In Italy, pizza served in formal settings, such as at a restaurant, is presented unsliced."
>>> choice0 = "It is eaten with a fork and a knife."
>>> choice1 = "It is eaten while held in the hand."
>>> encoding = tokenizer([prompt, prompt], [choice0, choice1], return_tensors="tf", padding=True)
>>> inputs = {{k: tf.expand_dims(v, 0) for k, v in encoding.items()}}
>>> outputs = model(inputs) # batch size is 1
>>> # the linear classifier still needs to be trained
>>> logits = outputs.logits
```
"""
# 定义了一个字符串常量 TF_CAUSAL_LM_SAMPLE,包含了一个示例的Transformer模型使用案例,展示了因果语言建模任务的操作流程。
TF_CAUSAL_LM_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
>>> model = {model_class}.from_pretrained("{checkpoint}")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> logits = outputs.logits
```
"""
# 定义了一个字符串常量 TF_SPEECH_BASE_MODEL_SAMPLE,包含了一个示例的Transformer模型使用案例,展示了语音处理基础模型的初始化。
TF_SPEECH_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoProcessor, {model_class}
>>> from datasets import load_dataset # 导入加载数据集的函数
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id") # 按照"id"字段对数据集进行排序
>>> sampling_rate = dataset.features["audio"].sampling_rate # 获取音频数据的采样率
>>> processor = AutoProcessor.from_pretrained("{checkpoint}") # 从预训练模型加载音频处理器
>>> model = {model_class}.from_pretrained("{checkpoint}") # 从预训练模型加载模型
>>> # 在线解码音频文件
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="tf")
>>> outputs = model(**inputs) # 使用模型进行推断
>>> last_hidden_states = outputs.last_hidden_state # 获取输出中的最后隐藏状态
>>> list(last_hidden_states.shape) # 输出最后隐藏状态的形状,这里是期望的输出
"""
TF_SPEECH_CTC_SAMPLE = r"""
Example:
```
>>> from transformers import AutoProcessor, {model_class} # 导入自动处理器和模型类
>>> from datasets import load_dataset # 导入数据集加载函数
>>> import tensorflow as tf # 导入 TensorFlow 库
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation") # 加载数据集
>>> dataset = dataset.sort("id") # 按照 ID 排序数据集
>>> sampling_rate = dataset.features["audio"].sampling_rate # 获取音频采样率
>>> processor = AutoProcessor.from_pretrained("{checkpoint}") # 根据预训练模型加载自动处理器
>>> model = {model_class}.from_pretrained("{checkpoint}") # 根据预训练模型加载模型
>>> # audio file is decoded on the fly # 在线解码音频文件
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="tf") # 处理输入数据并转换为 TensorFlow 张量
>>> logits = model(**inputs).logits # 获取模型预测的 logits
>>> predicted_ids = tf.math.argmax(logits, axis=-1) # 获取预测的标签索引
>>> # transcribe speech # 转录语音
>>> transcription = processor.batch_decode(predicted_ids) # 批量解码预测结果
>>> transcription[0] # 输出第一个样本的转录文本
{expected_output}
```
```
>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="tf").input_ids # 处理文本输入并转换为 TensorFlow 张量
>>> # compute loss # 计算损失
>>> loss = model(**inputs).loss # 计算模型的损失
>>> round(float(loss), 2) # 将损失值四舍五入到两位小数并输出
{expected_loss}
```
"""
TF_VISION_BASE_MODEL_SAMPLE = r"""
Example:
```
>>> from transformers import AutoImageProcessor, {model_class} # 导入自动图像处理器和模型类
>>> from datasets import load_dataset # 导入数据集加载函数
>>> dataset = load_dataset("huggingface/cats-image") # 加载图像数据集
>>> image = dataset["test"]["image"][0] # 获取测试集中的第一张图像
>>> image_processor = AutoImageProcessor.from_pretrained("{checkpoint}") # 根据预训练模型加载自动图像处理器
>>> model = {model_class}.from_pretrained("{checkpoint}") # 根据预训练模型加载模型
>>> inputs = image_processor(image, return_tensors="tf") # 处理图像输入并转换为 TensorFlow 张量
>>> outputs = model(**inputs) # 获取模型的输出结果
>>> last_hidden_states = outputs.last_hidden_state # 获取模型的最后隐藏状态
>>> list(last_hidden_states.shape) # 输出最后隐藏状态的形状
{expected_output}
```
"""
TF_VISION_SEQ_CLASS_SAMPLE = r"""
Example:
```
>>> from transformers import AutoImageProcessor, {model_class} # 导入自动图像处理器和模型类
>>> import tensorflow as tf # 导入 TensorFlow 库
>>> from datasets import load_dataset # 导入数据集加载函数
>>> dataset = load_dataset("huggingface/cats-image") # 加载图像数据集
>>> image = dataset["test"]["image"][0] # 获取测试集中的第一张图像
>>> image_processor = AutoImageProcessor.from_pretrained("{checkpoint}") # 根据预训练模型加载自动图像处理器
>>> model = {model_class}.from_pretrained("{checkpoint}") # 根据预训练模型加载模型
>>> inputs = image_processor(image, return_tensors="tf") # 处理图像输入并转换为 TensorFlow 张量
>>> logits = model(**inputs).logits # 获取模型预测的 logits
>>> # model predicts one of the 1000 ImageNet classes # 模型预测其中一个 1000 个 ImageNet 类别
>>> predicted_label = int(tf.math.argmax(logits, axis=-1)) # 获取预测标签的索引
>>> print(model.config.id2label[predicted_label]) # 输出预测标签对应的类别名称
{expected_output}
```
"""
TF_SAMPLE_DOCSTRINGS = {
"SequenceClassification": TF_SEQUENCE_CLASSIFICATION_SAMPLE,
"QuestionAnswering": TF_QUESTION_ANSWERING_SAMPLE,
"TokenClassification": TF_TOKEN_CLASSIFICATION_SAMPLE,
"MultipleChoice": TF_MULTIPLE_CHOICE_SAMPLE,
"MaskedLM": TF_MASKED_LM_SAMPLE,
"LMHead": TF_CAUSAL_LM_SAMPLE,
"BaseModel": TF_BASE_MODEL_SAMPLE,
"SpeechBaseModel": TF_SPEECH_BASE_MODEL_SAMPLE,
}
# 将字符串"TF_SPEECH_CTC_SAMPLE"赋值给键"CTC"
"CTC": TF_SPEECH_CTC_SAMPLE,
# 将字符串"TF_VISION_BASE_MODEL_SAMPLE"赋值给键"VisionBaseModel"
"VisionBaseModel": TF_VISION_BASE_MODEL_SAMPLE,
# 将字符串"TF_VISION_SEQ_CLASS_SAMPLE"赋值给键"ImageClassification"
"ImageClassification": TF_VISION_SEQ_CLASS_SAMPLE,
FLAX_CAUSAL_LM_SAMPLE = r"""
Example:
```
>>> from transformers import AutoTokenizer, {model_class}
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
# 使用给定的检查点加载预训练的分词器
>>> model = {model_class}.from_pretrained("{checkpoint}")
# 使用给定的检查点加载预训练的模型
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="jax")
# 使用分词器对输入文本进行编码,并返回JAX张量
>>> outputs = model(**inputs)
# 对编码后的输入文本进行模型推理
>>> last_hidden_states = outputs.last_hidden_state
# 提取模型输出中的最终隐藏状态
```
"""
# 从transformers库中导入AutoTokenizer类和指定的模型类(这里需要替换为实际的模型类名)
>>> from transformers import AutoTokenizer, {model_class}
# 使用指定的checkpoint加载预训练的分词器(tokenizer)
>>> tokenizer = AutoTokenizer.from_pretrained("{checkpoint}")
# 使用指定的checkpoint加载预训练的模型(需要替换为实际的模型类名)
>>> model = {model_class}.from_pretrained("{checkpoint}")
# 使用分词器处理输入文本,并将结果转换为NumPy格式的张量(Tensor)
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="np")
# 使用加载的模型进行推理,传入处理过的输入,并获取模型的输出
>>> outputs = model(**inputs)
# 从模型的输出中提取出下一个预测的token的logits(logits是对应于每个词汇表中单词的分数)
>>> next_token_logits = outputs.logits[:, -1]
"""
FLAX_SAMPLE_DOCSTRINGS = {
"SequenceClassification": FLAX_SEQUENCE_CLASSIFICATION_SAMPLE,
"QuestionAnswering": FLAX_QUESTION_ANSWERING_SAMPLE,
"TokenClassification": FLAX_TOKEN_CLASSIFICATION_SAMPLE,
"MultipleChoice": FLAX_MULTIPLE_CHOICE_SAMPLE,
"MaskedLM": FLAX_MASKED_LM_SAMPLE,
"BaseModel": FLAX_BASE_MODEL_SAMPLE,
"LMHead": FLAX_CAUSAL_LM_SAMPLE,
}
# 定义一个函数,用于过滤示例中输出为 `None` 的行
def filter_outputs_from_example(docstring, **kwargs):
"""
Removes the lines testing an output with the doctest syntax in a code sample when it's set to `None`.
"""
# 遍历关键字参数
for key, value in kwargs.items():
# 如果值不为 None,则跳过
if value is not None:
continue
# 构建匹配示例输出的正则表达式
doc_key = "{" + key + "}"
# 使用正则表达式替换文档字符串中匹配的内容为空行
docstring = re.sub(rf"\n([^\n]+)\n\s+{doc_key}\n", "\n", docstring)
return docstring
# 定义一个装饰器函数,用于添加代码示例的文档字符串
def add_code_sample_docstrings(
*docstr,
processor_class=None,
checkpoint=None,
output_type=None,
config_class=None,
mask="[MASK]",
qa_target_start_index=14,
qa_target_end_index=15,
model_cls=None,
modality=None,
expected_output=None,
expected_loss=None,
real_checkpoint=None,
revision=None,
):
return docstring_decorator
# 定义一个函数,用于替换返回值相关的文档字符串
def replace_return_docstrings(output_type=None, config_class=None):
def docstring_decorator(fn):
# 获取函数的文档字符串
func_doc = fn.__doc__
lines = func_doc.split("\n")
i = 0
# 查找第一个以 'Returns:' 或 'Return:' 开头的行
while i < len(lines) and re.search(r"^\s*Returns?:\s*$", lines[i]) is None:
i += 1
if i < len(lines):
# 获取缩进
indent = len(_get_indent(lines[i]))
# 替换找到的 'Returns:' 行为预设的输出文档字符串
lines[i] = _prepare_output_docstrings(output_type, config_class, min_indent=indent)
func_doc = "\n".join(lines)
else:
# 如果找不到 'Returns:' 或 'Return:' 行,则抛出异常
raise ValueError(
f"The function {fn} should have an empty 'Return:' or 'Returns:' in its docstring as placeholder, "
f"current docstring is:\n{func_doc}"
)
# 更新函数的文档字符串
fn.__doc__ = func_doc
return fn
return docstring_decorator
# 定义一个函数,用于复制函数 f 并返回其副本
def copy_func(f):
"""Returns a copy of a function f."""
# 基于 http://stackoverflow.com/a/6528148/190597 (Glenn Maynard) 的实现
g = types.FunctionType(f.__code__, f.__globals__, name=f.__name__, argdefs=f.__defaults__, closure=f.__closure__)
g = functools.update_wrapper(g, f)
g.__kwdefaults__ = f.__kwdefaults__
return g
.\utils\dummy_detectron2_objects.py
# 这个文件是由命令 `make fix-copies` 自动生成的,不要编辑。
# 导入需要后端支持的工具函数
from ..utils import requires_backends
# 定义一个变量,用于存储 LayoutLMv2 模型的预训练模型存档列表,初始为 None
LAYOUTLM_V2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 LayoutLMv2 模型类
class LayoutLMv2Model:
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用工具函数 requires_backends,确保当前对象依赖的后端包含 "detectron2"
requires_backends(self, ["detectron2"])
# 类方法,用于从预训练模型加载模型
@classmethod
def from_pretrained(cls, *args, **kwargs):
# 调用工具函数 requires_backends,确保类依赖的后端包含 "detectron2"
requires_backends(cls, ["detectron2"])
.\utils\dummy_essentia_and_librosa_and_pretty_midi_and_scipy_and_torch_objects.py
# This file is autogenerated by the command `make fix-copies`, do not edit.
# Import necessary modules from the parent package `utils`
from ..utils import DummyObject, requires_backends
# Define a class named `Pop2PianoFeatureExtractor` with a dummy metaclass `DummyObject`
class Pop2PianoFeatureExtractor(metaclass=DummyObject):
# Define a class-level attribute `_backends` which lists required backend libraries
_backends = ["essentia", "librosa", "pretty_midi", "scipy", "torch"]
# Constructor method for initializing instances of the class
def __init__(self, *args, **kwargs):
# Call the function `requires_backends` to ensure required backends are available
requires_backends(self, ["essentia", "librosa", "pretty_midi", "scipy", "torch"])
# Define a class named `Pop2PianoTokenizer` with a dummy metaclass `DummyObject`
class Pop2PianoTokenizer(metaclass=DummyObject):
# Define a class-level attribute `_backends` which lists required backend libraries
_backends = ["essentia", "librosa", "pretty_midi", "scipy", "torch"]
# Constructor method for initializing instances of the class
def __init__(self, *args, **kwargs):
# Call the function `requires_backends` to ensure required backends are available
requires_backends(self, ["essentia", "librosa", "pretty_midi", "scipy", "torch"])
# Define a class named `Pop2PianoProcessor` with a dummy metaclass `DummyObject`
class Pop2PianoProcessor(metaclass=DummyObject):
# Define a class-level attribute `_backends` which lists required backend libraries
_backends = ["essentia", "librosa", "pretty_midi", "scipy", "torch"]
# Constructor method for initializing instances of the class
def __init__(self, *args, **kwargs):
# Call the function `requires_backends` to ensure required backends are available
requires_backends(self, ["essentia", "librosa", "pretty_midi", "scipy", "torch"])
.\utils\dummy_flax_objects.py
# This file is autogenerated by the command `make fix-copies`, do not edit.
# 从上级目录的 utils 模块导入 DummyObject 和 requires_backends 函数
from ..utils import DummyObject, requires_backends
# 定义 FlaxForcedBOSTokenLogitsProcessor 类,使用 DummyObject 元类
class FlaxForcedBOSTokenLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxForcedEOSTokenLogitsProcessor 类,使用 DummyObject 元类
class FlaxForcedEOSTokenLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxForceTokensLogitsProcessor 类,使用 DummyObject 元类
class FlaxForceTokensLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxGenerationMixin 类,使用 DummyObject 元类
class FlaxGenerationMixin(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxLogitsProcessor 类,使用 DummyObject 元类
class FlaxLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxLogitsProcessorList 类,使用 DummyObject 元类
class FlaxLogitsProcessorList(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxLogitsWarper 类,使用 DummyObject 元类
class FlaxLogitsWarper(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxMinLengthLogitsProcessor 类,使用 DummyObject 元类
class FlaxMinLengthLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxSuppressTokensAtBeginLogitsProcessor 类,使用 DummyObject 元类
class FlaxSuppressTokensAtBeginLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxSuppressTokensLogitsProcessor 类,使用 DummyObject 元类
class FlaxSuppressTokensLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxTemperatureLogitsWarper 类,使用 DummyObject 元类
class FlaxTemperatureLogitsWarper(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxTopKLogitsWarper 类,使用 DummyObject 元类
class FlaxTopKLogitsWarper(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxTopPLogitsWarper 类,使用 DummyObject 元类
class FlaxTopPLogitsWarper(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxWhisperTimeStampLogitsProcessor 类,使用 DummyObject 元类
class FlaxWhisperTimeStampLogitsProcessor(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键字参数 **kwargs
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxPreTrainedModel 类,使用 DummyObject 元类
class FlaxPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数 *args 和关键
class FlaxAlbertForPreTraining(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 定义一个用于预训练的 Flax Albert 模型类
class FlaxAlbertForPreTraining(metaclass=DummyObject):
# 指定该模型后端为 Flax
_backends = ["flax"]
# 初始化方法,用于设置模型实例
def __init__(self, *args, **kwargs):
# 确保该模型实例的后端为 Flax
requires_backends(self, ["flax"])
class FlaxAlbertForQuestionAnswering(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 定义一个用于问答任务的 Flax Albert 模型类
class FlaxAlbertForQuestionAnswering(metaclass=DummyObject):
# 指定该模型后端为 Flax
_backends = ["flax"]
# 初始化方法,用于设置模型实例
def __init__(self, *args, **kwargs):
# 确保该模型实例的后端为 Flax
requires_backends(self, ["flax"])
(以下类似地注释每一个类的定义和初始化方法)
# 初始化函数,用于实例化对象时进行初始化操作
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前环境是否具备 "flax" 后端支持
requires_backends(self, ["flax"])
class FlaxAutoModelForSeq2SeqLM(metaclass=DummyObject):
# 定义一个 Flax 自动序列到序列语言模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxAutoModelForSequenceClassification(metaclass=DummyObject):
# 定义一个 Flax 自动序列分类模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxAutoModelForSpeechSeq2Seq(metaclass=DummyObject):
# 定义一个 Flax 自动语音序列到序列模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxAutoModelForTokenClassification(metaclass=DummyObject):
# 定义一个 Flax 自动标记分类模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxAutoModelForVision2Seq(metaclass=DummyObject):
# 定义一个 Flax 自动视觉到序列模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartDecoderPreTrainedModel(metaclass=DummyObject):
# 定义一个 Flax Bart 解码器预训练模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartForCausalLM(metaclass=DummyObject):
# 定义一个 Flax Bart 因果语言模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartForConditionalGeneration(metaclass=DummyObject):
# 定义一个 Flax Bart 有条件生成模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartForQuestionAnswering(metaclass=DummyObject):
# 定义一个 Flax Bart 问答模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartForSequenceClassification(metaclass=DummyObject):
# 定义一个 Flax Bart 序列分类模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartModel(metaclass=DummyObject):
# 定义一个 Flax Bart 模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBartPreTrainedModel(metaclass=DummyObject):
# 定义一个 Flax Bart 预训练模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBeitForImageClassification(metaclass=DummyObject):
# 定义一个 Flax Beit 图像分类模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBeitForMaskedImageModeling(metaclass=DummyObject):
# 定义一个 Flax Beit 掩模图像建模模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBeitModel(metaclass=DummyObject):
# 定义一个 Flax Beit 模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBeitPreTrainedModel(metaclass=DummyObject):
# 定义一个 Flax Beit 预训练模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBertForCausalLM(metaclass=DummyObject):
# 定义一个 Flax Bert 因果语言模型类,使用 DummyObject 元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保模型需要 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBertForMaskedLM(metaclass=DummyObject):
# 定义一个 Flax Bert 掩蔽语言模型类,使用 DummyObject 元类
_backends = ["flax"]
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前对象依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBertForMultipleChoice(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertForNextSentencePrediction(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertForPreTraining(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertForQuestionAnswering(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertForSequenceClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertForTokenClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBertPreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForCausalLM(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForMaskedLM(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForMultipleChoice(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForPreTraining(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForQuestionAnswering(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForSequenceClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdForTokenClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBigBirdPreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["flax"])
# 初始化函数,确保该类需要使用 "flax" 后端
class FlaxBlenderbotForConditionalGeneration(metaclass=DummyObject):
_backends = ["flax"]
# 确保该类需要使用 "flax" 后端
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前环境支持 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBlenderbotModel(metaclass=DummyObject):
# 定义一个类 FlaxBlenderbotModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBlenderbotPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxBlenderbotPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBlenderbotSmallForConditionalGeneration(metaclass=DummyObject):
# 定义一个类 FlaxBlenderbotSmallForConditionalGeneration,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBlenderbotSmallModel(metaclass=DummyObject):
# 定义一个类 FlaxBlenderbotSmallModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBlenderbotSmallPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxBlenderbotSmallPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBloomForCausalLM(metaclass=DummyObject):
# 定义一个类 FlaxBloomForCausalLM,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBloomModel(metaclass=DummyObject):
# 定义一个类 FlaxBloomModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxBloomPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxBloomPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPTextModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPTextModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPTextModelWithProjection(metaclass=DummyObject):
# 定义一个类 FlaxCLIPTextModelWithProjection,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPTextPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPTextPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPVisionModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPVisionModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxCLIPVisionPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaxCLIPVisionPreTrainedModel,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxDistilBertForMaskedLM(metaclass=DummyObject):
# 定义一个类 FlaxDistilBertForMaskedLM,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxDistilBertForMultipleChoice(metaclass=DummyObject):
# 定义一个类 FlaxDistilBertForMultipleChoice,使用 DummyObject 作为元类
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 初始化方法,要求这个类依赖于 "flax" 后端
requires_backends(self, ["flax"])
class FlaxDistilBertForQuestionAnswering(metaclass=DummyObject):
# 定义一个类 FlaxDistilBertForQuestionAnswering,使用 DummyObject 作为元类
_backends = ["flax"]
# 此类没有定义初始化方法,但仍然依赖于 "flax" 后端
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前对象依赖的后端包括 "flax"
requires_backends(self, ["flax"])
# 定义一个类 FlaxDistilBertForSequenceClassification,它是 DummyObject 的元类
class FlaxDistilBertForSequenceClassification(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxDistilBertForTokenClassification,它是 DummyObject 的元类
class FlaxDistilBertForTokenClassification(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxDistilBertModel,它是 DummyObject 的元类
class FlaxDistilBertModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxDistilBertPreTrainedModel,它是 DummyObject 的元类
class FlaxDistilBertPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForCausalLM,它是 DummyObject 的元类
class FlaxElectraForCausalLM(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForMaskedLM,它是 DummyObject 的元类
class FlaxElectraForMaskedLM(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForMultipleChoice,它是 DummyObject 的元类
class FlaxElectraForMultipleChoice(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForPreTraining,它是 DummyObject 的元类
class FlaxElectraForPreTraining(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForQuestionAnswering,它是 DummyObject 的元类
class FlaxElectraForQuestionAnswering(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForSequenceClassification,它是 DummyObject 的元类
class FlaxElectraForSequenceClassification(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraForTokenClassification,它是 DummyObject 的元类
class FlaxElectraForTokenClassification(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraModel,它是 DummyObject 的元类
class FlaxElectraModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxElectraPreTrainedModel,它是 DummyObject 的元类
class FlaxElectraPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxEncoderDecoderModel,它是 DummyObject 的元类
class FlaxEncoderDecoderModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxGemmaForCausalLM,它是 DummyObject 的元类
class FlaxGemmaForCausalLM(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxGemmaModel,它是 DummyObject 的元类
class FlaxGemmaModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前实例支持 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个类 FlaxGemmaPreTrainedModel,它是 DummyObject 的元类
class FlaxGemmaPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "flax"
_backends = ["flax"]
# 初始化方法
def __init__(
# 定义类的初始化方法,用于实例化对象时的初始化操作
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends 来确保当前环境中有 "flax" 这个后端
requires_backends(self, ["flax"])
class FlaxGPT2Model(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPT2PreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTNeoForCausalLM(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTNeoModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTNeoPreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTJForCausalLM(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTJModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxGPTJPreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLlamaForCausalLM(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLlamaModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLlamaPreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLongT5ForConditionalGeneration(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLongT5Model(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxLongT5PreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxMarianModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxMarianMTModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxMarianPreTrainedModel(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖 "flax" 后端
requires_backends(self, ["flax"])
class FlaxMBartForConditionalGeneration(metaclass=DummyObject):
# 设置类属性 `_backends` 为包含字符串 "flax" 的列表
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
# 定义一个类属性 `_backends`,包含字符串 "flax"
_backends = ["flax"]
# 初始化方法,用于类实例化时调用,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 `requires_backends` 函数,验证当前对象是否具备所需的后端支持,这里要求支持 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMBartForSequenceClassification,用于序列分类任务
class FlaxMBartForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMBartModel,用于表示一个 flax 模型
class FlaxMBartModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMBartPreTrainedModel,用于 flax 预训练模型
class FlaxMBartPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMistralForCausalLM,用于因果语言建模
class FlaxMistralForCausalLM(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMistralModel,用于表示一个 flax 模型
class FlaxMistralModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMistralPreTrainedModel,用于 flax 预训练模型
class FlaxMistralPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMT5EncoderModel,用于 MT5 编码器模型
class FlaxMT5EncoderModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMT5ForConditionalGeneration,用于条件生成任务
class FlaxMT5ForConditionalGeneration(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxMT5Model,用于表示一个 flax 模型
class FlaxMT5Model(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxOPTForCausalLM,用于因果语言建模
class FlaxOPTForCausalLM(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxOPTModel,用于表示一个 flax 模型
class FlaxOPTModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxOPTPreTrainedModel,用于 flax 预训练模型
class FlaxOPTPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxPegasusForConditionalGeneration,用于条件生成任务
class FlaxPegasusForConditionalGeneration(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "flax"
requires_backends(self, ["flax"])
# 定义一个使用 DummyObject 元类的类 FlaxPegasusModel,用于表示一个 flax 模型
class FlaxPegasusModel(metaclass=DummyObject):
# 类属性 _backends 表示该类依赖于 "flax" 后端
_backends = ["flax"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends
# 定义一个名为 FlaxResNetForImageClassification 的类,使用 DummyObject 作为元类
class FlaxResNetForImageClassification(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxResNetModel 的类,使用 DummyObject 作为元类
class FlaxResNetModel(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxResNetPreTrainedModel 的类,使用 DummyObject 作为元类
class FlaxResNetPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForCausalLM 的类,使用 DummyObject 作为元类
class FlaxRobertaForCausalLM(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForMaskedLM 的类,使用 DummyObject 作为元类
class FlaxRobertaForMaskedLM(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForMultipleChoice 的类,使用 DummyObject 作为元类
class FlaxRobertaForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForQuestionAnswering 的类,使用 DummyObject 作为元类
class FlaxRobertaForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForSequenceClassification 的类,使用 DummyObject 作为元类
class FlaxRobertaForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaForTokenClassification 的类,使用 DummyObject 作为元类
class FlaxRobertaForTokenClassification(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaModel 的类,使用 DummyObject 作为元类
class FlaxRobertaModel(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaPreTrainedModel 的类,使用 DummyObject 作为元类
class FlaxRobertaPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaPreLayerNormForCausalLM 的类,使用 DummyObject 作为元类
class FlaxRobertaPreLayerNormForCausalLM(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaPreLayerNormForMaskedLM 的类,使用 DummyObject 作为元类
class FlaxRobertaPreLayerNormForMaskedLM(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaPreLayerNormForMultipleChoice 的类,使用 DummyObject 作为元类
class FlaxRobertaPreLayerNormForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义一个名为 FlaxRobertaPreLayerNormForQuestionAnswering 的类,使用 DummyObject 作为元类
class FlaxRobertaPreLayerNormForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends,指定为列表 ["flax"]
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关
# 创建一个具有预先层规范的FlaxRoberta模型类,元类为DummyObject
class FlaxRobertaPreLayerNormModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建一个具有预先层规范的预训练FlaxRoberta模型类,元类为DummyObject
class FlaxRobertaPreLayerNormPreTrainedModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于MaskedLM任务的FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerForMaskedLM(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于多项选择任务的FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerForMultipleChoice(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于问答任务的FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerForQuestionAnswering(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于序列分类任务的FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerForSequenceClassification(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于标记分类任务的FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerForTokenClassification(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建预训练FlaxRoFormer模型类,元类为DummyObject
class FlaxRoFormerPreTrainedModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建FlaxSpeechEncoderDecoder模型类,元类为DummyObject
class FlaxSpeechEncoderDecoderModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建FlaxT5编码器模型类,元类为DummyObject
class FlaxT5EncoderModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建用于条件生成任务的FlaxT5模型类,元类为DummyObject
class FlaxT5ForConditionalGeneration(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建FlaxT5模型类,元类为DummyObject
class FlaxT5Model(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建预训练FlaxT5模型类,元类为DummyObject
class FlaxT5PreTrainedModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建Flax视觉编码器解码器模型类,元类为DummyObject
class FlaxVisionEncoderDecoderModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建Flax Vision-Text双编码器模型类,元类为DummyObject
class FlaxVisionTextDualEncoderModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建Flax ViT图像分类模型类,元类为DummyObject
class FlaxViTForImageClassification(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 初始化函数接受任意数量的参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前模型实例的后端为"flax"
requires_backends(self, ["flax"])
# 创建Flax ViT模型类,元类为DummyObject
class FlaxViTModel(metaclass=DummyObject):
# 声明支持的后端为"flax"
_backends = ["flax"]
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数检查当前环境是否满足使用 "flax" 后端的要求
requires_backends(self, ["flax"])
class FlaxViTPreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWav2Vec2ForCTC(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWav2Vec2ForPreTraining(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWav2Vec2Model(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWav2Vec2PreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWhisperForAudioClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWhisperForConditionalGeneration(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWhisperModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxWhisperPreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXGLMForCausalLM(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXGLMModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXGLMPreTrainedModel(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
FLAX_XLM_ROBERTA_PRETRAINED_MODEL_ARCHIVE_LIST = None
class FlaxXLMRobertaForCausalLM(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXLMRobertaForMaskedLM(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXLMRobertaForMultipleChoice(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXLMRobertaForQuestionAnswering(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXLMRobertaForSequenceClassification(metaclass=DummyObject):
_backends = ["flax"]
def __init__(self, *args, **kwargs):
# 确保此类需要 flax 后端
requires_backends(self, ["flax"])
class FlaxXLMRobertaForTokenClassification(metaclass=DummyObject):
_backends = ["flax"]
# 定义一个初始化方法,用于创建类的实例
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查是否满足需要的后端库 "flax"
requires_backends(self, ["flax"])
# 定义 FlaxXLMRobertaModel 类,使用 DummyObject 元类
class FlaxXLMRobertaModel(metaclass=DummyObject):
# 类属性,指定该模型的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 检查当前实例是否依赖于 "flax" 后端
requires_backends(self, ["flax"])
# 定义 FlaxXLMRobertaPreTrainedModel 类,同样使用 DummyObject 元类
class FlaxXLMRobertaPreTrainedModel(metaclass=DummyObject):
# 类属性,指定该预训练模型的后端为 "flax"
_backends = ["flax"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 检查当前实例是否依赖于 "flax" 后端
requires_backends(self, ["flax"])
.\utils\dummy_keras_nlp_objects.py
# 此文件由命令 `make fix-copies` 自动生成,不要编辑。
# 从上级目录的 utils 模块导入 DummyObject 和 requires_backends 函数
from ..utils import DummyObject, requires_backends
# 定义 TFGPT2Tokenizer 类,使用 DummyObject 元类
class TFGPT2Tokenizer(metaclass=DummyObject):
# 定义类变量 _backends,包含一个字符串列表 ["keras_nlp"]
_backends = ["keras_nlp"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保实例具备所需的后端 "keras_nlp"
requires_backends(self, ["keras_nlp"])
.\utils\dummy_music_objects.py
# 该文件由命令 `make fix-copies` 自动生成,禁止编辑。
# 导入依赖模块:从上级目录的 utils 模块中导入 DummyObject 和 requires_backends 函数
from ..utils import DummyObject, requires_backends
# 定义 Pop2PianoFeatureExtractor 类,使用 DummyObject 元类
class Pop2PianoFeatureExtractor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "music"
_backends = ["music"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保实例支持 "music" 后端
requires_backends(self, ["music"])
# 定义 Pop2PianoTokenizer 类,使用 DummyObject 元类
class Pop2PianoTokenizer(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "music"
_backends = ["music"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保实例支持 "music" 后端
requires_backends(self, ["music"])
.\utils\dummy_pt_objects.py
# This file is autogenerated by the command `make fix-copies`, do not edit.
# 导入依赖模块,从上层目录的 utils 模块中导入 DummyObject 和 requires_backends 函数
from ..utils import DummyObject, requires_backends
# 定义 PyTorchBenchmark 类,使用 DummyObject 作为元类
class PyTorchBenchmark(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 类似地定义其他的 Benchmark 类,均使用 DummyObject 作为元类,并确保支持 "torch" 后端
class PyTorchBenchmarkArguments(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class Cache(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DynamicCache(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class SinkCache(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class StaticCache(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class GlueDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class GlueDataTrainingArguments(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class LineByLineTextDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class LineByLineWithRefDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class LineByLineWithSOPTextDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class SquadDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class SquadDataTrainingArguments(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TextDataset(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TextDatasetForNextSentencePrediction(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class AlternatingCodebooksLogitsProcessor(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class BeamScorer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class BeamSearchScorer(metaclass=DummyObject):
_backends = ["torch"]
# 此类未实现初始化方法,但仍然指定支持的后端为 "torch"
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求此类实例必须具备 "torch" 模块
requires_backends(self, ["torch"])
# 定义一个名为 ClassifierFreeGuidanceLogitsProcessor 的类,使用 DummyObject 作为元类
class ClassifierFreeGuidanceLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ConstrainedBeamSearchScorer 的类,使用 DummyObject 作为元类
class ConstrainedBeamSearchScorer(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 Constraint 的类,使用 DummyObject 作为元类
class Constraint(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ConstraintListState 的类,使用 DummyObject 作为元类
class ConstraintListState(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 DisjunctiveConstraint 的类,使用 DummyObject 作为元类
class DisjunctiveConstraint(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 EncoderNoRepeatNGramLogitsProcessor 的类,使用 DummyObject 作为元类
class EncoderNoRepeatNGramLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 EncoderRepetitionPenaltyLogitsProcessor 的类,使用 DummyObject 作为元类
class EncoderRepetitionPenaltyLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 EpsilonLogitsWarper 的类,使用 DummyObject 作为元类
class EpsilonLogitsWarper(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 EtaLogitsWarper 的类,使用 DummyObject 作为元类
class EtaLogitsWarper(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ExponentialDecayLengthPenalty 的类,使用 DummyObject 作为元类
class ExponentialDecayLengthPenalty(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ForcedBOSTokenLogitsProcessor 的类,使用 DummyObject 作为元类
class ForcedBOSTokenLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ForcedEOSTokenLogitsProcessor 的类,使用 DummyObject 作为元类
class ForcedEOSTokenLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 ForceTokensLogitsProcessor 的类,使用 DummyObject 作为元类
class ForceTokensLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 定义一个名为 GenerationMixin 的类,使用 DummyObject 作为元类
class GenerationMixin(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 HammingDiversityLogitsProcessor 的类,使用 DummyObject 作为元类
class HammingDiversityLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义一个名为 InfNanRemoveLogitsProcessor 的类,使用 DummyObject 作为元类
class InfNanRemoveLogitsProcessor(metaclass=DummyObject):
# 类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查是否有 "torch" 这个后端的支持
requires_backends(self, ["torch"])
class LogitsProcessorList(metaclass=DummyObject):
# LogitsProcessorList 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# LogitsProcessorList 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class LogitsWarper(metaclass=DummyObject):
# LogitsWarper 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# LogitsWarper 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class MaxLengthCriteria(metaclass=DummyObject):
# MaxLengthCriteria 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# MaxLengthCriteria 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class MaxTimeCriteria(metaclass=DummyObject):
# MaxTimeCriteria 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# MaxTimeCriteria 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class MinLengthLogitsProcessor(metaclass=DummyObject):
# MinLengthLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# MinLengthLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class MinNewTokensLengthLogitsProcessor(metaclass=DummyObject):
# MinNewTokensLengthLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# MinNewTokensLengthLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class NoBadWordsLogitsProcessor(metaclass=DummyObject):
# NoBadWordsLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# NoBadWordsLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class NoRepeatNGramLogitsProcessor(metaclass=DummyObject):
# NoRepeatNGramLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# NoRepeatNGramLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class PhrasalConstraint(metaclass=DummyObject):
# PhrasalConstraint 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# PhrasalConstraint 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class PrefixConstrainedLogitsProcessor(metaclass=DummyObject):
# PrefixConstrainedLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# PrefixConstrainedLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class RepetitionPenaltyLogitsProcessor(metaclass=DummyObject):
# RepetitionPenaltyLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# RepetitionPenaltyLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class SequenceBiasLogitsProcessor(metaclass=DummyObject):
# SequenceBiasLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# SequenceBiasLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class StoppingCriteria(metaclass=DummyObject):
# StoppingCriteria 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# StoppingCriteria 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class StoppingCriteriaList(metaclass=DummyObject):
# StoppingCriteriaList 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# StoppingCriteriaList 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class SuppressTokensAtBeginLogitsProcessor(metaclass=DummyObject):
# SuppressTokensAtBeginLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# SuppressTokensAtBeginLogitsProcessor 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class SuppressTokensLogitsProcessor(metaclass=DummyObject):
# SuppressTokensLogitsProcessor 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
class TemperatureLogitsWarper(metaclass=DummyObject):
# TemperatureLogitsWarper 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
def __init__(self, *args, **kwargs):
# TemperatureLogitsWarper 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
class TopKLogitsWarper(metaclass=DummyObject):
# TopKLogitsWarper 类,作为元类 DummyObject 的实例化
_backends = ["torch"]
# 类属性 _backends,指定支持的后端为 "torch"
# 定义初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查是否存在必要的后端库 "torch"
requires_backends(self, ["torch"])
class TopPLogitsWarper(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class TypicalLogitsWarper(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class UnbatchedClassifierFreeGuidanceLogitsProcessor(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class WhisperTimeStampLogitsProcessor(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class PreTrainedModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
ALBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# ALBERT 预训练模型存档列表设为 None
class AlbertForMaskedLM(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class AlbertForMultipleChoice(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class AlbertForPreTraining(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class AlbertForQuestionAnswering(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class AlbertForSequenceClassification(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
class AlbertForTokenClassification(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
class AlbertModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
class AlbertPreTrainedModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖的后端库包括 "torch"
def load_tf_weights_in_albert(*args, **kwargs):
# 函数 load_tf_weights_in_albert 接受任意位置参数和关键字参数
requires_backends(load_tf_weights_in_albert, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_albert 函数依赖的后端库包括 "torch"
ALIGN_PRETRAINED_MODEL_ARCHIVE_LIST = None
# ALIGN 预训练模型存档列表设为 None
class AlignModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
class AlignPreTrainedModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
class AlignTextModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指定该类依赖于 "torch" 库
class AlignVisionModel(metaclass=DummyObject):
# DummyObject 元类的子类,用于模拟一个虚拟对象
_backends = ["torch"]
# 类属性 _backends,指
# 定义初始化方法,用于实例化对象时调用
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,验证是否满足运行需要的后端库
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储预训练模型的归档列表,初始值为 None
ALTCLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# DummyObject 元类定义了一个虚拟类 AltCLIPModel,这个类代表了一个基于 torch 的模型
class AltCLIPModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DummyObject 元类定义了一个虚拟类 AltCLIPPreTrainedModel,表示一个预训练模型的基类
class AltCLIPPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DummyObject 元类定义了一个虚拟类 AltCLIPTextModel,表示一个基于文本的模型
class AltCLIPTextModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DummyObject 元类定义了一个虚拟类 AltCLIPVisionModel,表示一个基于视觉的模型
class AltCLIPVisionModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储音频频谱变换模型预训练模型的归档列表,初始值为 None
AUDIO_SPECTROGRAM_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# DummyObject 元类定义了一个虚拟类 ASTForAudioClassification,表示用于音频分类的 AST 模型
class ASTForAudioClassification(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DummyObject 元类定义了一个虚拟类 ASTModel,表示一个 AST 模型
class ASTModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DummyObject 元类定义了一个虚拟类 ASTPreTrainedModel,表示一个预训练的 AST 模型
class ASTPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定模型依赖的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数,确保当前对象依赖于 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储音频分类模型映射的归档列表,初始值为 None
MODEL_FOR_AUDIO_CLASSIFICATION_MAPPING = None
# 初始化全局变量,用于存储音频帧分类模型映射的归档列表,初始值为 None
MODEL_FOR_AUDIO_FRAME_CLASSIFICATION_MAPPING = None
# 初始化全局变量,用于存储音频 XVector 模型映射的归档列表,初始值为 None
MODEL_FOR_AUDIO_XVECTOR_MAPPING = None
# 初始化全局变量,用于存储后端模型映射的归档列表,初始值为 None
MODEL_FOR_BACKBONE_MAPPING = None
# 初始化全局变量,用于存储因果图像建模模型映射的归档列表,初始值为 None
MODEL_FOR_CAUSAL_IMAGE_MODELING_MAPPING = None
# 初始化全局变量,用于存储因果语言建模模型映射的归档列表,初始值为 None
MODEL_FOR_CAUSAL_LM_MAPPING = None
# 初始化全局变量,用于存储 CTC 模型映射的归档列表,初始值为 None
MODEL_FOR_CTC_MAPPING = None
# 初始化全局变量,用于存储深度估计模型映射的归档列表,初始值为 None
MODEL_FOR_DEPTH_ESTIMATION_MAPPING = None
# 初始化全局变量,用于存储文档问答模型映射的归档列表,初始值为 None
MODEL_FOR_DOCUMENT_QUESTION_ANSWERING_MAPPING = None
# 初始化全局变量,用于存储图像分类模型映射的归档列表,初始值为 None
MODEL_FOR_IMAGE_CLASSIFICATION_MAPPING = None
# 初始化全局变量,用于存储图像模型映射的归档列表,初始值为 None
MODEL_FOR_IMAGE_MAPPING = None
# 初始化全局变量,用于存储图像分割模型映射的归档列表,初始值为 None
MODEL_FOR_IMAGE_SEGMENTATION_MAPPING = None
# 初始化全局变量,用于存储图像到图像模型映射的归档列表,初始值为 None
MODEL_FOR_IMAGE_TO_IMAGE_MAPPING = None
# 初始化全局变量,用于存储实例分割模型映射的归档列表,初始值为 None
MODEL_FOR_INSTANCE_SEGMENTATION_MAPPING = None
# 初始化全局变量,用于存储关键点检测模型映射的归档列表,初始值为 None
MODEL_FOR_KEYPOINT_DETECTION_MAPPING = None
# 初始化全局变量,用于存储掩模生成模型映射的归档列表,初始值为 None
MODEL_FOR_MASK_GENERATION_MAPPING = None
# 初始化全局变量,用于存储掩模图像建模模型映射的归档列表,初始值为 None
MODEL_FOR_MASKED_IMAGE_MODELING_MAPPING = None
# 初始化全局变量,用于存储掩模语言建模模型映射的归档列表,初始值为 None
MODEL_FOR_MASKED_LM_MAPPING = None
# 初始化全局变量,用于存储多项选择模型映射的归档列表,初始值为 None
MODEL_FOR_MULTIPLE_CHOICE_MAPPING = None
# 初始化全局变量,用于存储下一句预测模型映射的归档列表,初始值为 None
MODEL_FOR_NEXT_SENTENCE_PREDICTION_MAPPING = None
# 初始化全局变量,用于存储目标检测模型映射的归档列表,初始值为 None
MODEL_FOR_OBJECT_DETECTION_MAPPING = None
# 初始化全局变量,用于存储预训练模型映射的归档列表,初始值为 None
MODEL_FOR_PRETRAINING_MAPPING = None
# 初始化全局变量,用于
# 用于零样本图像分类的模型映射,初始化为None
MODEL_FOR_ZERO_SHOT_IMAGE_CLASSIFICATION_MAPPING = None
# 用于零样本目标检测的模型映射,初始化为None
MODEL_FOR_ZERO_SHOT_OBJECT_DETECTION_MAPPING = None
# 通用模型映射,初始化为None
MODEL_MAPPING = None
# 带有语言模型头部的模型映射,初始化为None
MODEL_WITH_LM_HEAD_MAPPING = None
# AutoBackbone类,用于自动化选择后端(例如torch)
class AutoBackbone(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModel类,用于自动化选择模型(例如torch模型)
class AutoModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForAudioClassification类,用于自动化选择音频分类模型(例如torch模型)
class AutoModelForAudioClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForAudioFrameClassification类,用于自动化选择音频帧分类模型(例如torch模型)
class AutoModelForAudioFrameClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForAudioXVector类,用于自动化选择音频X向量模型(例如torch模型)
class AutoModelForAudioXVector(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForCausalLM类,用于自动化选择因果语言模型(例如torch模型)
class AutoModelForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForCTC类,用于自动化选择CTC模型(例如torch模型)
class AutoModelForCTC(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForDepthEstimation类,用于自动化选择深度估计模型(例如torch模型)
class AutoModelForDepthEstimation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForDocumentQuestionAnswering类,用于自动化选择文档问答模型(例如torch模型)
class AutoModelForDocumentQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForImageClassification类,用于自动化选择图像分类模型(例如torch模型)
class AutoModelForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForImageSegmentation类,用于自动化选择图像分割模型(例如torch模型)
class AutoModelForImageSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForImageToImage类,用于自动化选择图像到图像模型(例如torch模型)
class AutoModelForImageToImage(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForInstanceSegmentation类,用于自动化选择实例分割模型(例如torch模型)
class AutoModelForInstanceSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForKeypointDetection类,用于自动化选择关键点检测模型(例如torch模型)
class AutoModelForKeypointDetection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForMaskedImageModeling类,用于自动化选择遮罩图像建模模型(例如torch模型)
class AutoModelForMaskedImageModeling(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForMaskedLM类,用于自动化选择遮罩语言建模模型(例如torch模型)
class AutoModelForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前实例使用torch后端
requires_backends(self, ["torch"])
# AutoModelForMaskGeneration类,用于自动化选择遮罩生成模型(例如torch模型)
class AutoModelForMaskGeneration(metaclass=DummyObject):
_backends = ["torch"]
# 定义初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保当前类实例依赖的库中包含 "torch"
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于多选题任务,使用 DummyObject 元类
class AutoModelForMultipleChoice(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于下一个句子预测任务,使用 DummyObject 元类
class AutoModelForNextSentencePrediction(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于对象检测任务,使用 DummyObject 元类
class AutoModelForObjectDetection(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于预训练任务,使用 DummyObject 元类
class AutoModelForPreTraining(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于问答任务,使用 DummyObject 元类
class AutoModelForQuestionAnswering(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于语义分割任务,使用 DummyObject 元类
class AutoModelForSemanticSegmentation(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于序列到序列语言建模任务,使用 DummyObject 元类
class AutoModelForSeq2SeqLM(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于序列分类任务,使用 DummyObject 元类
class AutoModelForSequenceClassification(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于语音序列到序列任务,使用 DummyObject 元类
class AutoModelForSpeechSeq2Seq(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于表格问答任务,使用 DummyObject 元类
class AutoModelForTableQuestionAnswering(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于文本编码任务,使用 DummyObject 元类
class AutoModelForTextEncoding(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于文本到频谱图转换任务,使用 DummyObject 元类
class AutoModelForTextToSpectrogram(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于文本到波形图转换任务,使用 DummyObject 元类
class AutoModelForTextToWaveform(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于标记分类任务,使用 DummyObject 元类
class AutoModelForTokenClassification(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于通用分割任务,使用 DummyObject 元类
class AutoModelForUniversalSegmentation(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于视频分类任务,使用 DummyObject 元类
class AutoModelForVideoClassification(metaclass=DummyObject):
# 定义支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前实例依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个自动化模型类,用于视觉到序列任务,使用 DummyObject 元类
class AutoModelForVision2Seq(metaclass=DummyObject
# 定义私有类变量 `_backends`,包含字符串列表 ["torch"]
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前类实例依赖于 "torch" 后端
requires_backends(self, ["torch"])
class AutoModelForZeroShotImageClassification(metaclass=DummyObject):
# 模型类,用于零样本图像分类,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class AutoModelForZeroShotObjectDetection(metaclass=DummyObject):
# 模型类,用于零样本目标检测,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class AutoModelWithLMHead(metaclass=DummyObject):
# 模型类,带有语言模型头的自动模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
AUTOFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class AutoformerForPrediction(metaclass=DummyObject):
# 模型类,用于预测的自动形态学模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class AutoformerModel(metaclass=DummyObject):
# 自动形态学模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class AutoformerPreTrainedModel(metaclass=DummyObject):
# 预训练的自动形态学模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
BARK_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BarkCausalModel(metaclass=DummyObject):
# 因果推理模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BarkCoarseModel(metaclass=DummyObject):
# 粗粒度模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BarkFineModel(metaclass=DummyObject):
# 细粒度模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BarkModel(metaclass=DummyObject):
# Bark模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BarkPreTrainedModel(metaclass=DummyObject):
# 预训练的Bark模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BarkSemanticModel(metaclass=DummyObject):
# 语义模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
BART_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BartForCausalLM(metaclass=DummyObject):
# 用于因果语言模型的BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BartForConditionalGeneration(metaclass=DummyObject):
# 用于条件生成的BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BartForQuestionAnswering(metaclass=DummyObject):
# 用于问答的BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BartForSequenceClassification(metaclass=DummyObject):
# 用于序列分类的BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BartModel(metaclass=DummyObject):
# BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
class BartPreTrainedModel(metaclass=DummyObject):
# 预训练的BART模型,基于torch后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保依赖后端为torch
requires_backends(self, ["torch"])
# 定义私有类变量 _backends,包含字符串 "torch",表示支持的后端之一
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends 来验证当前对象是否满足依赖于 "torch" 后端的条件
requires_backends(self, ["torch"])
class BartPretrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class PretrainedBartModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
BEIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BeitBackbone(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BeitForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BeitForMaskedImageModeling(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BeitForSemanticSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BeitModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BeitPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
BERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BertForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForNextSentencePrediction(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertLayer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 该类的实例在初始化时使用了 torch 后端,但没有明确调用 requires_backends
requires_backends(self, ["torch"])
class BertLMHeadModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保该类的实例在初始化时具备 torch 后端
requires_backends(self, ["torch"])
class BertModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,用于类的实例化
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境中包含 "torch" 库
requires_backends(self, ["torch"])
class BertPreTrainedModel(metaclass=DummyObject):
# 定义一个名为 BertPreTrainedModel 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
def load_tf_weights_in_bert(*args, **kwargs):
# 定义函数 load_tf_weights_in_bert,接受任意位置参数和关键字参数
requires_backends(load_tf_weights_in_bert, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_bert 函数依赖 "torch" 后端
class BertGenerationDecoder(metaclass=DummyObject):
# 定义一个名为 BertGenerationDecoder 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BertGenerationEncoder(metaclass=DummyObject):
# 定义一个名为 BertGenerationEncoder 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BertGenerationPreTrainedModel(metaclass=DummyObject):
# 定义一个名为 BertGenerationPreTrainedModel 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
def load_tf_weights_in_bert_generation(*args, **kwargs):
# 定义函数 load_tf_weights_in_bert_generation,接受任意位置参数和关键字参数
requires_backends(load_tf_weights_in_bert_generation, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_bert_generation 函数依赖 "torch" 后端
BIG_BIRD_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 BIG_BIRD_PRETRAINED_MODEL_ARCHIVE_LIST,值为 None
class BigBirdForCausalLM(metaclass=DummyObject):
# 定义一个名为 BigBirdForCausalLM 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForMaskedLM(metaclass=DummyObject):
# 定义一个名为 BigBirdForMaskedLM 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForMultipleChoice(metaclass=DummyObject):
# 定义一个名为 BigBirdForMultipleChoice 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForPreTraining(metaclass=DummyObject):
# 定义一个名为 BigBirdForPreTraining 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForQuestionAnswering(metaclass=DummyObject):
# 定义一个名为 BigBirdForQuestionAnswering 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForSequenceClassification(metaclass=DummyObject):
# 定义一个名为 BigBirdForSequenceClassification 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdForTokenClassification(metaclass=DummyObject):
# 定义一个名为 BigBirdForTokenClassification 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdLayer(metaclass=DummyObject):
# 定义一个名为 BigBirdLayer 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdModel(metaclass=DummyObject):
# 定义一个名为 BigBirdModel 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖 "torch" 后端
class BigBirdPreTrainedModel(metaclass=DummyObject):
# 定义一个名为 BigBirdPreTrainedModel 的类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 被设置为包含字符串 "torch" 的列表
def __init__(
class BigBirdPegasusForConditionalGeneration(metaclass=DummyObject):
# 定义 BigBirdPegasusForConditionalGeneration 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BigBirdPegasusForQuestionAnswering(metaclass=DummyObject):
# 定义 BigBirdPegasusForQuestionAnswering 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BigBirdPegasusForSequenceClassification(metaclass=DummyObject):
# 定义 BigBirdPegasusForSequenceClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BigBirdPegasusModel(metaclass=DummyObject):
# 定义 BigBirdPegasusModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BigBirdPegasusPreTrainedModel(metaclass=DummyObject):
# 定义 BigBirdPegasusPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
BIOGPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 BIOGPT_PRETRAINED_MODEL_ARCHIVE_LIST 变量并设置为 None
class BioGptForCausalLM(metaclass=DummyObject):
# 定义 BioGptForCausalLM 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BioGptForSequenceClassification(metaclass=DummyObject):
# 定义 BioGptForSequenceClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BioGptForTokenClassification(metaclass=DummyObject):
# 定义 BioGptForTokenClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BioGptModel(metaclass=DummyObject):
# 定义 BioGptModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BioGptPreTrainedModel(metaclass=DummyObject):
# 定义 BioGptPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
BIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 BIT_PRETRAINED_MODEL_ARCHIVE_LIST 变量并设置为 None
class BitBackbone(metaclass=DummyObject):
# 定义 BitBackbone 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BitForImageClassification(metaclass=DummyObject):
# 定义 BitForImageClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BitModel(metaclass=DummyObject):
# 定义 BitModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class BitPreTrainedModel(metaclass=DummyObject):
# 定义 BitPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
BLENDERBOT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 BLENDERBOT_PRETRAINED_MODEL_ARCHIVE_LIST 变量并设置为 None
class BlenderbotForCausalLM(metaclass=DummyObject):
# 定义 BlenderbotForCausalLM 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置 _backends 类属性为包含 "torch" 字符串的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
class BlenderbotPreTrainedModel(metaclass=DummyObject):
# Blenderbot预训练模型基类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
BLENDERBOT_SMALL_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BlenderbotSmallForCausalLM(metaclass=DummyObject):
# Blenderbot小型因果语言模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlenderbotSmallForConditionalGeneration(metaclass=DummyObject):
# Blenderbot小型条件生成模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlenderbotSmallModel(metaclass=DummyObject):
# Blenderbot小型模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlenderbotSmallPreTrainedModel(metaclass=DummyObject):
# Blenderbot小型预训练模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
BLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class BlipForConditionalGeneration(metaclass=DummyObject):
# Blip条件生成模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipForImageTextRetrieval(metaclass=DummyObject):
# Blip图像文本检索模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipForQuestionAnswering(metaclass=DummyObject):
# Blip问答模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipModel(metaclass=DummyObject):
# Blip通用模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipPreTrainedModel(metaclass=DummyObject):
# Blip预训练模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipTextModel(metaclass=DummyObject):
# Blip文本模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class BlipVisionModel(metaclass=DummyObject):
# Blip视觉模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
BLIP_2_PRETRAINED_MODEL_ARCHIVE_LIST = None
class Blip2ForConditionalGeneration(metaclass=DummyObject):
# Blip2条件生成模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class Blip2Model(metaclass=DummyObject):
# Blip2通用模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class Blip2PreTrainedModel(metaclass=DummyObject):
# Blip2预训练模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class Blip2QFormerModel(metaclass=DummyObject):
# Blip2问答模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
class Blip2VisionModel(metaclass=DummyObject):
# Blip2视觉模型,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保当前类依赖的后端为torch
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储BLOOM预训练模型的存档列表,初始值为None
BLOOM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类BloomForCausalLM,指定使用DummyObject元类
class BloomForCausalLM(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BloomForQuestionAnswering,指定使用DummyObject元类
class BloomForQuestionAnswering(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BloomForSequenceClassification,指定使用DummyObject元类
class BloomForSequenceClassification(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BloomForTokenClassification,指定使用DummyObject元类
class BloomForTokenClassification(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BloomModel,指定使用DummyObject元类
class BloomModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BloomPreTrainedModel,指定使用DummyObject元类
class BloomPreTrainedModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储BRIDGETOWER预训练模型的存档列表,初始值为None
BRIDGETOWER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类BridgeTowerForContrastiveLearning,指定使用DummyObject元类
class BridgeTowerForContrastiveLearning(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BridgeTowerForImageAndTextRetrieval,指定使用DummyObject元类
class BridgeTowerForImageAndTextRetrieval(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BridgeTowerForMaskedLM,指定使用DummyObject元类
class BridgeTowerForMaskedLM(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BridgeTowerModel,指定使用DummyObject元类
class BridgeTowerModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BridgeTowerPreTrainedModel,指定使用DummyObject元类
class BridgeTowerPreTrainedModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储BROS预训练模型的存档列表,初始值为None
BROS_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类BrosForTokenClassification,指定使用DummyObject元类
class BrosForTokenClassification(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BrosModel,指定使用DummyObject元类
class BrosModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实例,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用requires_backends函数,确保self对象依赖的后端是"torch"
requires_backends(self, ["torch"])
# 定义一个虚拟类BrosPreTrainedModel,指定使用DummyObject元类
class BrosPreTrainedModel(metaclass=DummyObject):
# 定义私有类属性_backends,值为包含字符串"torch"的列表
_backends = ["torch"]
# 构造方法,初始化实
CAMEMBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置变量CAMEMBERT_PRETRAINED_MODEL_ARCHIVE_LIST为None,用于存储Camembert预训练模型的存档列表。
class CamembertForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForCausalLM类,该类用于语言建模任务,基于torch后端。初始化方法设置了必须使用torch后端。
class CamembertForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForMaskedLM类,用于掩码语言建模任务,基于torch后端。初始化方法确保使用torch后端。
class CamembertForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForMultipleChoice类,用于多项选择任务,基于torch后端。初始化方法验证必须使用torch后端。
class CamembertForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForQuestionAnswering类,用于问答任务,基于torch后端。初始化方法确认需要torch后端支持。
class CamembertForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForSequenceClassification类,用于序列分类任务,基于torch后端。初始化方法确保使用torch后端。
class CamembertForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertForTokenClassification类,用于标记分类任务,基于torch后端。初始化方法验证必须使用torch后端。
class CamembertModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertModel类,表示Camembert模型,基于torch后端。初始化方法确保使用torch后端。
class CamembertPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CamembertPreTrainedModel类,表示Camembert预训练模型,基于torch后端。初始化方法验证必须使用torch后端。
CANINE_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置变量CANINE_PRETRAINED_MODEL_ARCHIVE_LIST为None,用于存储Canine预训练模型的存档列表。
class CanineForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineForMultipleChoice类,用于多项选择任务,基于torch后端。初始化方法验证必须使用torch后端。
class CanineForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineForQuestionAnswering类,用于问答任务,基于torch后端。初始化方法确保使用torch后端。
class CanineForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineForSequenceClassification类,用于序列分类任务,基于torch后端。初始化方法验证必须使用torch后端。
class CanineForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineForTokenClassification类,用于标记分类任务,基于torch后端。初始化方法确保使用torch后端。
class CanineLayer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineLayer类,表示Canine模型的一层,基于torch后端。初始化方法验证必须使用torch后端。
class CanineModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CanineModel类,表示Canine模型,基于torch后端。初始化方法确保使用torch后端。
class CaninePreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CaninePreTrainedModel类,表示Canine预训练模型,基于torch后端。初始化方法验证必须使用torch后端。
def load_tf_weights_in_canine(*args, **kwargs):
requires_backends(load_tf_weights_in_canine, ["torch"])
# 定义函数load_tf_weights_in_canine,用于加载TensorFlow格式的权重到Canine模型中,确保使用torch后端。
CHINESE_CLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置变量CHINESE_CLIP_PRETRAINED_MODEL_ARCHIVE_LIST为None,用于存储ChineseCLIP预训练模型的存档列表。
class ChineseCLIPModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义ChineseCLIPModel类,表示ChineseCLIP模型,基于torch后端。初始化方法确保使用torch后端。
class ChineseCLIPPreTrainedModel(metaclass=DummyObject):
# 定义ChineseCLIPPreTrainedModel类,表示ChineseCLIP预训练模型,基于torch后端。
# 定义私有类变量 _backends,包含了字符串 "torch"
_backends = ["torch"]
# 初始化函数,用于类的实例化
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,验证当前对象是否满足使用 "torch" 后端的需求
requires_backends(self, ["torch"])
class ChineseCLIPTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ChineseCLIPVisionModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
CLAP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ClapAudioModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapAudioModelWithProjection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapFeatureExtractor(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClapTextModelWithProjection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
CLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class CLIPForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPTextModelWithProjection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPVisionModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPVisionModelWithProjection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
CLIPSEG_PRETRAINED_MODEL_ARCHIVE_LIST = None
class CLIPSegForImageSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPSegModel(metaclass=DummyObject):
_backends = ["torch"]
# 确保此类依赖于 Torch 后端
# 定义初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数检查当前环境是否具备 "torch" 这个后端
requires_backends(self, ["torch"])
class CLIPSegPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPSegTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CLIPSegVisionModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
CLVP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ClvpDecoder(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClvpEncoder(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClvpForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClvpModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClvpModelForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ClvpPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
CODEGEN_PRETRAINED_MODEL_ARCHIVE_LIST = None
class CodeGenForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CodeGenModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CodeGenPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CohereForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CohereModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class CoherePreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
CONDITIONAL_DETR_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ConditionalDetrForObjectDetection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
requires_backends(self, ["torch"])
class ConditionalDetrForSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求当前类依赖于 Torch 后端
class ConditionalDetrModel(metaclass=DummyObject):
_backends = ["torch"]
# 定义类的初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查是否存在 "torch" 这个后端库,确保可用性
requires_backends(self, ["torch"])
# 定义一个名为 ConditionalDetrPreTrainedModel 的类,使用 DummyObject 元类
class ConditionalDetrPreTrainedModel(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 全局变量,用于存储 CONVBERT_PRETRAINED_MODEL_ARCHIVE_LIST,当前为 None
CONVBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 ConvBertForMaskedLM 的类,使用 DummyObject 元类
class ConvBertForMaskedLM(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertForMultipleChoice 的类,使用 DummyObject 元类
class ConvBertForMultipleChoice(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertForQuestionAnswering 的类,使用 DummyObject 元类
class ConvBertForQuestionAnswering(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertForSequenceClassification 的类,使用 DummyObject 元类
class ConvBertForSequenceClassification(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertForTokenClassification 的类,使用 DummyObject 元类
class ConvBertForTokenClassification(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertLayer 的类,使用 DummyObject 元类
class ConvBertLayer(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertModel 的类,使用 DummyObject 元类
class ConvBertModel(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvBertPreTrainedModel 的类,使用 DummyObject 元类
class ConvBertPreTrainedModel(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个函数 load_tf_weights_in_convbert,接受任意位置参数和关键字参数
def load_tf_weights_in_convbert(*args, **kwargs):
# 调用 requires_backends 函数,确保 load_tf_weights_in_convbert 函数支持 "torch" 后端
requires_backends(load_tf_weights_in_convbert, ["torch"])
# 全局变量,用于存储 CONVNEXT_PRETRAINED_MODEL_ARCHIVE_LIST,当前为 None
CONVNEXT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 ConvNextBackbone 的类,使用 DummyObject 元类
class ConvNextBackbone(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvNextForImageClassification 的类,使用 DummyObject 元类
class ConvNextForImageClassification(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvNextModel 的类,使用 DummyObject 元类
class ConvNextModel(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvNextPreTrainedModel 的类,使用 DummyObject 元类
class ConvNextPreTrainedModel(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 全局变量,用于存储 CONVNEXTV2_PRETRAINED_MODEL_ARCHIVE_LIST,当前为 None
CONVNEXTV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 ConvNextV2Backbone 的类,使用 DummyObject 元类
class ConvNextV2Backbone(metaclass=DummyObject):
# 类变量,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ConvNextV2ForImageClassification 的类,使用 DummyObject 元类
class ConvNextV2ForImageClassification(metaclass=DummyObject):
# 类变量,指定
# 定义一个类变量 `_backends`,包含字符串 "torch"
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数 `args` 和关键字参数 `kwargs`
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 "torch" 后端,确保 "torch" 在 `_backends` 中
requires_backends(self, ["torch"])
# CPMANT_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
CPMANT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义CpmAntForCausalLM类,其元类为DummyObject
class CpmAntForCausalLM(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CpmAntModel类,其元类为DummyObject
class CpmAntModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CpmAntPreTrainedModel类,其元类为DummyObject
class CpmAntPreTrainedModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# CTRL_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
CTRL_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义CTRLForSequenceClassification类,其元类为DummyObject
class CTRLForSequenceClassification(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CTRLLMHeadModel类,其元类为DummyObject
class CTRLLMHeadModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CTRLModel类,其元类为DummyObject
class CTRLModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CTRLPreTrainedModel类,其元类为DummyObject
class CTRLPreTrainedModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# CVT_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
CVT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义CvtForImageClassification类,其元类为DummyObject
class CvtForImageClassification(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CvtModel类,其元类为DummyObject
class CvtModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义CvtPreTrainedModel类,其元类为DummyObject
class CvtPreTrainedModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DATA2VEC_AUDIO_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
DATA2VEC_AUDIO_PRETRAINED_MODEL_ARCHIVE_LIST = None
# DATA2VEC_TEXT_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
DATA2VEC_TEXT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# DATA2VEC_VISION_PRETRAINED_MODEL_ARCHIVE_LIST初始化为空
DATA2VEC_VISION_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义Data2VecAudioForAudioFrameClassification类,其元类为DummyObject
class Data2VecAudioForAudioFrameClassification(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecAudioForCTC类,其元类为DummyObject
class Data2VecAudioForCTC(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecAudioForSequenceClassification类,其元类为DummyObject
class Data2VecAudioForSequenceClassification(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecAudioForXVector类,其元类为DummyObject
class Data2VecAudioForXVector(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecAudioModel类,其元类为DummyObject
class Data2VecAudioModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecAudioPreTrainedModel类,其元类为DummyObject
class Data2VecAudioPreTrainedModel(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义Data2VecTextForCausalLM类,其元类为DummyObject
class Data2VecTextForCausalLM(metaclass=DummyObject):
# 定义_backends属性为["torch"]
_backends = ["torch"]
# 初始化方法,检查类依赖的后端是否为torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类变量 `_backends`,包含字符串 "torch"
_backends = ["torch"]
# 类的初始化方法,接受任意位置参数 `args` 和任意关键字参数 `kwargs`
def __init__(self, *args, **kwargs):
# 调用 `requires_backends` 函数,验证当前对象依赖的后端是否包含 "torch"
requires_backends(self, ["torch"])
class Data2VecTextForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextForMaskedLM 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextForMultipleChoice 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextForQuestionAnswering 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextForSequenceClassification 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextForTokenClassification 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecTextPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecTextPreTrainedModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecVisionForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecVisionForImageClassification 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecVisionForSemanticSegmentation(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecVisionForSemanticSegmentation 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecVisionModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecVisionModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
class Data2VecVisionPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 Data2VecVisionPreTrainedModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
DEBERTA_PRETRAINED_MODEL_ARCHIVE_LIST = None
class DebertaForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaForMaskedLM 类依赖于 torch 后端
requires_backends(self, ["torch"])
class DebertaForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaForQuestionAnswering 类依赖于 torch 后端
requires_backends(self, ["torch"])
class DebertaForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaForSequenceClassification 类依赖于 torch 后端
requires_backends(self, ["torch"])
class DebertaForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaForTokenClassification 类依赖于 torch 后端
requires_backends(self, ["torch"])
class DebertaModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
class DebertaPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保 DebertaPreTrainedModel 类依赖于 torch 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 DebertaV2 预训练模型的存档列表,初始化为 None
DEBERTA_V2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DebertaV2ForMaskedLM,用于实现 DebertaV2 模型的掩码语言建模任务
class DebertaV2ForMaskedLM(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2ForMultipleChoice,用于实现 DebertaV2 模型的多项选择任务
class DebertaV2ForMultipleChoice(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2ForQuestionAnswering,用于实现 DebertaV2 模型的问答任务
class DebertaV2ForQuestionAnswering(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2ForSequenceClassification,用于实现 DebertaV2 模型的序列分类任务
class DebertaV2ForSequenceClassification(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2ForTokenClassification,用于实现 DebertaV2 模型的标记分类任务
class DebertaV2ForTokenClassification(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2Model,用于实现 DebertaV2 模型
class DebertaV2Model(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DebertaV2PreTrainedModel,用于实现 DebertaV2 预训练模型
class DebertaV2PreTrainedModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 Decision Transformer 预训练模型的存档列表,初始化为 None
DECISION_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DecisionTransformerGPT2Model,用于实现 Decision Transformer GPT-2 模型
class DecisionTransformerGPT2Model(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DecisionTransformerGPT2PreTrainedModel,用于实现 Decision Transformer GPT-2 预训练模型
class DecisionTransformerGPT2PreTrainedModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DecisionTransformerModel,用于实现 Decision Transformer 模型
class DecisionTransformerModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DecisionTransformerPreTrainedModel,用于实现 Decision Transformer 预训练模型
class DecisionTransformerPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 Deformable DETR 预训练模型的存档列表,初始化为 None
DEFORMABLE_DETR_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DeformableDetrForObjectDetection,用于实现 Deformable DETR 模型的目标检测任务
class DeformableDetrForObjectDetection(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DeformableDetrModel,用于实现 Deformable DETR 模型
class DeformableDetrModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 DeformableDetrPreTrainedModel,用于实现 Deformable DETR 预训练模型
class DeformableDetrPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def __init__(self, *args, **kwargs):
# 要求当前实例支持 Torch 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 DeiT 预训练模型的存档列表,初始化为 None
DEIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DeiTForImageClassification,用于实现 DeiT 模型的图像分类任务
class DeiTForImageClassification(metaclass=DummyObject):
# 指定支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,用于设置实例
def
# 定义一个名为 DeiTForMaskedImageModeling 的类,使用 DummyObject 作为元类
class DeiTForMaskedImageModeling(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 DeiTModel 的类,使用 DummyObject 作为元类
class DeiTModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 DeiTPreTrainedModel 的类,使用 DummyObject 作为元类
class DeiTPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个全局变量 MCTCT_PRETRAINED_MODEL_ARCHIVE_LIST,初始化为 None
MCTCT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 MCTCTForCTC 的类,使用 DummyObject 作为元类
class MCTCTForCTC(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 MCTCTModel 的类,使用 DummyObject 作为元类
class MCTCTModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 MCTCTPreTrainedModel 的类,使用 DummyObject 作为元类
class MCTCTPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 MMBTForClassification 的类,使用 DummyObject 作为元类
class MMBTForClassification(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 MMBTModel 的类,使用 DummyObject 作为元类
class MMBTModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 ModalEmbeddings 的类,使用 DummyObject 作为元类
class ModalEmbeddings(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 OpenLlamaForCausalLM 的类,使用 DummyObject 作为元类
class OpenLlamaForCausalLM(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 OpenLlamaForSequenceClassification 的类,使用 DummyObject 作为元类
class OpenLlamaForSequenceClassification(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 OpenLlamaModel 的类,使用 DummyObject 作为元类
class OpenLlamaModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 OpenLlamaPreTrainedModel 的类,使用 DummyObject 作为元类
class OpenLlamaPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个全局变量 RETRIBERT_PRETRAINED_MODEL_ARCHIVE_LIST,初始化为 None
RETRIBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 RetriBertModel 的类,使用 DummyObject 作为元类
class RetriBertModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 RetriBertPreTrainedModel 的类,使用 DummyObject 作为元类
class RetriBertPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends 指定为列表 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self
class AdaptiveEmbedding(metaclass=DummyObject):
# 定义一个自适应嵌入层类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class TransfoXLForSequenceClassification(metaclass=DummyObject):
# 定义 TransfoXL 序列分类模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class TransfoXLLMHeadModel(metaclass=DummyObject):
# 定义 TransfoXL 语言模型头部模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class TransfoXLModel(metaclass=DummyObject):
# 定义 TransfoXL 模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class TransfoXLPreTrainedModel(metaclass=DummyObject):
# 定义 TransfoXL 预训练模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
def load_tf_weights_in_transfo_xl(*args, **kwargs):
# 加载 TensorFlow 权重到 TransfoXL 模型的函数
requires_backends(load_tf_weights_in_transfo_xl, ["torch"])
VAN_PRETRAINED_MODEL_ARCHIVE_LIST = None
class VanForImageClassification(metaclass=DummyObject):
# 定义 Van 图像分类模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class VanModel(metaclass=DummyObject):
# 定义 Van 模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class VanPreTrainedModel(metaclass=DummyObject):
# 定义 Van 预训练模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
DEPTH_ANYTHING_PRETRAINED_MODEL_ARCHIVE_LIST = None
class DepthAnythingForDepthEstimation(metaclass=DummyObject):
# 定义深度估计模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DepthAnythingPreTrainedModel(metaclass=DummyObject):
# 定义深度估计预训练模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
DETA_PRETRAINED_MODEL_ARCHIVE_LIST = None
class DetaForObjectDetection(metaclass=DummyObject):
# 定义目标检测模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DetaModel(metaclass=DummyObject):
# 定义 Deta 模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DetaPreTrainedModel(metaclass=DummyObject):
# 定义 Deta 预训练模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
DETR_PRETRAINED_MODEL_ARCHIVE_LIST = None
class DetrForObjectDetection(metaclass=DummyObject):
# 定义目标检测模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DetrForSegmentation(metaclass=DummyObject):
# 定义分割模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DetrModel(metaclass=DummyObject):
# 定义 Detr 模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
class DetrPreTrainedModel(metaclass=DummyObject):
# 定义 Detr 预训练模型类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保后端为 Torch
requires_backends(self, ["torch"])
# 定义私有变量 _backends,包含字符串 "torch",表示支持的后端为 PyTorch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前对象是否需要使用 "torch" 后端
requires_backends(self, ["torch"])
# DINAT_PRETRAINED_MODEL_ARCHIVE_LIST和DINOV2_PRETRAINED_MODEL_ARCHIVE_LIST都被设置为None,这些变量用于存储预训练模型的档案列表
DINAT_PRETRAINED_MODEL_ARCHIVE_LIST = None
DINOV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# DummyObject元类用于创建虚拟类,没有实际作用,主要用于类的注册和管理
class DinatBackbone(metaclass=DummyObject):
# _backends属性指示后端框架,这里设置为"torch"
_backends = ["torch"]
# 初始化函数,调用requires_backends函数确保依赖后端框架"torch"已被正确加载
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DinatForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DinatModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DinatPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class Dinov2Backbone(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class Dinov2ForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class Dinov2Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class Dinov2PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DISTILBERT_PRETRAINED_MODEL_ARCHIVE_LIST和DONUT_SWIN_PRETRAINED_MODEL_ARCHIVE_LIST也被设置为None,用于存储预训练模型的档案列表
DISTILBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
DONUT_SWIN_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 各种DistilBERT相关的模型类,都具有相同的初始化结构
class DistilBertForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DistilBertPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# DonutSwinModel和DonutSwinPreTrainedModel类似于上述的模型类,也都具有相同的初始化结构
class DonutSwinModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class DonutSwinPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化函数,用于实例化对象时进行初始化操作,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境有 "torch" 库的支持
requires_backends(self, ["torch"])
# 定义全局变量,用于存储 DPR 上下文编码器预训练模型的存档列表
DPR_CONTEXT_ENCODER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量,用于存储 DPR 问题编码器预训练模型的存档列表
DPR_QUESTION_ENCODER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量,用于存储 DPR 读者预训练模型的存档列表
DPR_READER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DPRContextEncoder,表示 DPR 上下文编码器
class DPRContextEncoder(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRPretrainedContextEncoder,表示 DPR 预训练上下文编码器
class DPRPretrainedContextEncoder(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRPreTrainedModel,表示 DPR 预训练模型
class DPRPreTrainedModel(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRPretrainedQuestionEncoder,表示 DPR 预训练问题编码器
class DPRPretrainedQuestionEncoder(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRPretrainedReader,表示 DPR 预训练读者模型
class DPRPretrainedReader(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRQuestionEncoder,表示 DPR 问题编码器
class DPRQuestionEncoder(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPRReader,表示 DPR 读者模型
class DPRReader(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义全局变量,用于存储 DPT 模型的预训练模型存档列表
DPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 DPTForDepthEstimation,表示 DPT 深度估计模型
class DPTForDepthEstimation(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPTForSemanticSegmentation,表示 DPT 语义分割模型
class DPTForSemanticSegmentation(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPTModel,表示 DPT 模型
class DPTModel(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 DPTPreTrainedModel,表示 DPT 预训练模型
class DPTPreTrainedModel(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义全局变量,用于存储 EfficientFormer 模型的预训练模型存档列表
EFFICIENTFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 EfficientFormerForImageClassification,表示 EfficientFormer 图像分类模型
class EfficientFormerForImageClassification(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 EfficientFormerForImageClassificationWithTeacher,表示带有教师的 EfficientFormer 图像分类模型
class EfficientFormerForImageClassificationWithTeacher(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 EfficientFormerModel,表示 EfficientFormer 模型
class EfficientFormerModel(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 EfficientFormerPreTrainedModel,表示 EfficientFormer 预训练模型
class EfficientFormerPreTrainedModel(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 初始化方法,验证是否支持 Torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义全局变量,用于存储 EfficientNet 模型的预训练模型存档列表
EFFICIENTNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 EfficientNetForImageClassification,表示 EfficientNet 图像分类模型
class EfficientNetForImageClassification(metaclass=DummyObject):
# 支持的后端为 Torch
_backends = ["torch"]
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前类是否需要使用 "torch" 后端
requires_backends(self, ["torch"])
class EfficientNetModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class EfficientNetPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
ELECTRA_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ElectraForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ElectraPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
def load_tf_weights_in_electra(*args, **kwargs):
# 确保 load_tf_weights_in_electra 函数需要使用的后端为 torch
requires_backends(load_tf_weights_in_electra, ["torch"])
ENCODEC_PRETRAINED_MODEL_ARCHIVE_LIST = None
class EncodecModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class EncodecPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class EncoderDecoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
ERNIE_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ErnieForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ErnieForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保此类需要使用的后端为 torch
requires_backends(self, ["torch"])
class ErnieForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
# 此类未定义 __init__ 方法,不需要注释
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前对象是否需要特定的后端支持
requires_backends(self, ["torch"])
# 定义一个类 ErnieForNextSentencePrediction,使用 DummyObject 作为元类
class ErnieForNextSentencePrediction(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieForPreTraining,使用 DummyObject 作为元类
class ErnieForPreTraining(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieForQuestionAnswering,使用 DummyObject 作为元类
class ErnieForQuestionAnswering(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieForSequenceClassification,使用 DummyObject 作为元类
class ErnieForSequenceClassification(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieForTokenClassification,使用 DummyObject 作为元类
class ErnieForTokenClassification(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieModel,使用 DummyObject 作为元类
class ErnieModel(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErniePreTrainedModel,使用 DummyObject 作为元类
class ErniePreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 设置 ERNIE_M_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
ERNIE_M_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类 ErnieMForInformationExtraction,使用 DummyObject 作为元类
class ErnieMForInformationExtraction(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMForMultipleChoice,使用 DummyObject 作为元类
class ErnieMForMultipleChoice(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMForQuestionAnswering,使用 DummyObject 作为元类
class ErnieMForQuestionAnswering(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMForSequenceClassification,使用 DummyObject 作为元类
class ErnieMForSequenceClassification(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMForTokenClassification,使用 DummyObject 作为元类
class ErnieMForTokenClassification(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMModel,使用 DummyObject 作为元类
class ErnieMModel(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 ErnieMPreTrainedModel,使用 DummyObject 作为元类
class ErnieMPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 设置 ESM_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
ESM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类 EsmFoldPreTrainedModel,使用 DummyObject 作为元类
class EsmFoldPreTrainedModel(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 EsmForMaskedLM,使用 DummyObject 作为元类
class EsmForMaskedLM(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 EsmForProteinFolding,使用 DummyObject 作为元类
class EsmForProteinFolding(metaclass=DummyObject):
# 类变量 _backends,指定所需的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并确保使用了 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 EsmForSequenceClassification,使用 DummyObject 作为元类
class EsmForSequenceClassification(metaclass=DummyObject):
# 定义一个类属性 `_backends`,包含一个字符串列表,这里只包含了一个元素 "torch"
_backends = ["torch"]
# 定义类的初始化方法 `__init__`,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖的后端包括 "torch"
requires_backends(self, ["torch"])
class EsmForTokenClassification(metaclass=DummyObject):
# 定义 EsmForTokenClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class EsmModel(metaclass=DummyObject):
# 定义 EsmModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class EsmPreTrainedModel(metaclass=DummyObject):
# 定义 EsmPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
FALCON_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 FALCON_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class FalconForCausalLM(metaclass=DummyObject):
# 定义 FalconForCausalLM 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FalconForQuestionAnswering(metaclass=DummyObject):
# 定义 FalconForQuestionAnswering 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FalconForSequenceClassification(metaclass=DummyObject):
# 定义 FalconForSequenceClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FalconForTokenClassification(metaclass=DummyObject):
# 定义 FalconForTokenClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FalconModel(metaclass=DummyObject):
# 定义 FalconModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FalconPreTrainedModel(metaclass=DummyObject):
# 定义 FalconPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
FASTSPEECH2_CONFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 FASTSPEECH2_CONFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class FastSpeech2ConformerHifiGan(metaclass=DummyObject):
# 定义 FastSpeech2ConformerHifiGan 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FastSpeech2ConformerModel(metaclass=DummyObject):
# 定义 FastSpeech2ConformerModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FastSpeech2ConformerPreTrainedModel(metaclass=DummyObject):
# 定义 FastSpeech2ConformerPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FastSpeech2ConformerWithHifiGan(metaclass=DummyObject):
# 定义 FastSpeech2ConformerWithHifiGan 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
FLAUBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 FLAUBERT_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class FlaubertForMultipleChoice(metaclass=DummyObject):
# 定义 FlaubertForMultipleChoice 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖的后端为 "torch"
class FlaubertForQuestionAnswering(metaclass=DummyObject):
# 定义 FlaubertForQuestionAnswering 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类属性 _backends,值为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends
# 初始化函数,用于类的实例化
def __init__(self, *args, **kwargs):
# 要求检查所需的后端库是否已导入,这里需要确保 "torch" 库已导入
requires_backends(self, ["torch"])
class FlaubertForTokenClassification(metaclass=DummyObject):
# 定义一个类 FlaubertForTokenClassification,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlaubertModel(metaclass=DummyObject):
# 定义一个类 FlaubertModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlaubertPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlaubertPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlaubertWithLMHeadModel(metaclass=DummyObject):
# 定义一个类 FlaubertWithLMHeadModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
FLAVA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义变量 FLAVA_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class FlavaForPreTraining(metaclass=DummyObject):
# 定义一个类 FlavaForPreTraining,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaImageCodebook(metaclass=DummyObject):
# 定义一个类 FlavaImageCodebook,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaImageModel(metaclass=DummyObject):
# 定义一个类 FlavaImageModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaModel(metaclass=DummyObject):
# 定义一个类 FlavaModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaMultimodalModel(metaclass=DummyObject):
# 定义一个类 FlavaMultimodalModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaPreTrainedModel(metaclass=DummyObject):
# 定义一个类 FlavaPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FlavaTextModel(metaclass=DummyObject):
# 定义一个类 FlavaTextModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
FNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义变量 FNET_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class FNetForMaskedLM(metaclass=DummyObject):
# 定义一个类 FNetForMaskedLM,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FNetForMultipleChoice(metaclass=DummyObject):
# 定义一个类 FNetForMultipleChoice,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FNetForNextSentencePrediction(metaclass=DummyObject):
# 定义一个类 FNetForNextSentencePrediction,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FNetForPreTraining(metaclass=DummyObject):
# 定义一个类 FNetForPreTraining,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class FNetForQuestionAnswering(metaclass=DummyObject):
# 定义一个类 FNetForQuestionAnswering,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends() 检查当前环境是否满足使用 torch 库的条件
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FNetLayer 类,指定 _backends 为 "torch"
class FNetLayer(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FNetModel 类,指定 _backends 为 "torch"
class FNetModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FNetPreTrainedModel 类,指定 _backends 为 "torch"
class FNetPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 FOCALNET_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
FOCALNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用元类 DummyObject 定义 FocalNetBackbone 类,指定 _backends 为 "torch"
class FocalNetBackbone(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FocalNetForImageClassification 类,指定 _backends 为 "torch"
class FocalNetForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FocalNetForMaskedImageModeling 类,指定 _backends 为 "torch"
class FocalNetForMaskedImageModeling(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FocalNetModel 类,指定 _backends 为 "torch"
class FocalNetModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FocalNetPreTrainedModel 类,指定 _backends 为 "torch"
class FocalNetPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FSMTForConditionalGeneration 类,指定 _backends 为 "torch"
class FSMTForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FSMTModel 类,指定 _backends 为 "torch"
class FSMTModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 PretrainedFSMTModel 类,指定 _backends 为 "torch"
class PretrainedFSMTModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 FUNNEL_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
FUNNEL_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用元类 DummyObject 定义 FunnelBaseModel 类,指定 _backends 为 "torch"
class FunnelBaseModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForMaskedLM 类,指定 _backends 为 "torch"
class FunnelForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForMultipleChoice 类,指定 _backends 为 "torch"
class FunnelForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForPreTraining 类,指定 _backends 为 "torch"
class FunnelForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForQuestionAnswering 类,指定 _backends 为 "torch"
class FunnelForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForSequenceClassification 类,指定 _backends 为 "torch"
class FunnelForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,验证是否满足依赖条件
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用元类 DummyObject 定义 FunnelForTokenClassification 类,指定 _backends 为 "torch"
class FunnelForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
# 初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保本类实例具备 "torch" 这个后端库
requires_backends(self, ["torch"])
# 定义 FunnelModel 类,使用 DummyObject 元类
class FunnelModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 FunnelPreTrainedModel 类,使用 DummyObject 元类
class FunnelPreTrainedModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 load_tf_weights_in_funnel 函数
def load_tf_weights_in_funnel(*args, **kwargs):
# 调用 requires_backends 函数,确保 load_tf_weights_in_funnel 函数支持 "torch" 后端
requires_backends(load_tf_weights_in_funnel, ["torch"])
# 定义 FuyuForCausalLM 类,使用 DummyObject 元类
class FuyuForCausalLM(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 FuyuPreTrainedModel 类,使用 DummyObject 元类
class FuyuPreTrainedModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GemmaForCausalLM 类,使用 DummyObject 元类
class GemmaForCausalLM(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GemmaForSequenceClassification 类,使用 DummyObject 元类
class GemmaForSequenceClassification(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GemmaModel 类,使用 DummyObject 元类
class GemmaModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GemmaPreTrainedModel 类,使用 DummyObject 元类
class GemmaPreTrainedModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GitForCausalLM 类,使用 DummyObject 元类
class GitForCausalLM(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GitModel 类,使用 DummyObject 元类
class GitModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GitPreTrainedModel 类,使用 DummyObject 元类
class GitPreTrainedModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GitVisionModel 类,使用 DummyObject 元类
class GitVisionModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GLPNForDepthEstimation 类,使用 DummyObject 元类
class GLPNForDepthEstimation(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GLPNModel 类,使用 DummyObject 元类
class GLPNModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GLPNPreTrainedModel 类,使用 DummyObject 元类
class GLPNPreTrainedModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义 GPT2DoubleHeadsModel 类,使用 DummyObject 元类
class GPT2DoubleHeadsModel(metaclass=DummyObject):
# 定义类变量 _backends,指定支持的后端为 "
# 定义 GPT-2 序列分类模型的类,使用 DummyObject 元类进行定义
class GPT2ForSequenceClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-2 标记分类模型的类,使用 DummyObject 元类进行定义
class GPT2ForTokenClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-2 语言模型头部模型的类,使用 DummyObject 元类进行定义
class GPT2LMHeadModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-2 基础模型的类,使用 DummyObject 元类进行定义
class GPT2Model(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-2 预训练模型的基类,使用 DummyObject 元类进行定义
class GPT2PreTrainedModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 加载 GPT-2 模型的 TensorFlow 权重的函数
def load_tf_weights_in_gpt2(*args, **kwargs):
# 要求加载 TensorFlow 权重的函数必须使用 Torch 后端
requires_backends(load_tf_weights_in_gpt2, ["torch"])
# 定义 GPT-BigCode 生成语言模型的类,使用 DummyObject 元类进行定义
class GPTBigCodeForCausalLM(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-BigCode 序列分类模型的类,使用 DummyObject 元类进行定义
class GPTBigCodeForSequenceClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-BigCode 标记分类模型的类,使用 DummyObject 元类进行定义
class GPTBigCodeForTokenClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-BigCode 基础模型的类,使用 DummyObject 元类进行定义
class GPTBigCodeModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-BigCode 预训练模型的基类,使用 DummyObject 元类进行定义
class GPTBigCodePreTrainedModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 生成语言模型的类,使用 DummyObject 元类进行定义
class GPTNeoForCausalLM(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 问答模型的类,使用 DummyObject 元类进行定义
class GPTNeoForQuestionAnswering(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 序列分类模型的类,使用 DummyObject 元类进行定义
class GPTNeoForSequenceClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 标记分类模型的类,使用 DummyObject 元类进行定义
class GPTNeoForTokenClassification(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 基础模型的类,使用 DummyObject 元类进行定义
class GPTNeoModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 定义 GPT-Neo 预训练模型的基类,使用 DummyObject 元类进行定义
class GPTNeoPreTrainedModel(metaclass=DummyObject):
# 指定后端为 Torch
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求当前对象的后端必须为 Torch
requires_backends(self, ["torch"])
# 加载 GPT-Neo 模型的 TensorFlow 权重的函数
def load_tf_weights_in_gpt_neo(*args, **kwargs):
# 要求加载 TensorFlow 权重的函数必须使用 Torch 后端
requires_backends(load_tf_weights_in_gpt_neo, ["torch"])
GPT_NEOX_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量,用于存储 GPT-Neox 预训练模型的存档列表,初始值为 None
GPT_NEOX_PRETRAINED_MODEL_ARCHIVE_LIST = None
class GPTNeoXForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的因果语言模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的问答模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的序列分类模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的标记分类模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXLayer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的层对象
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 的预训练模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
GPT_NEOX_JAPANESE_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量,用于存储 GPT-NeoX 日语预训练模型的存档列表,初始值为 None
GPT_NEOX_JAPANESE_PRETRAINED_MODEL_ARCHIVE_LIST = None
class GPTNeoXJapaneseForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 日语因果语言模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXJapaneseLayer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 日语的层对象
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXJapaneseModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 日语的模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTNeoXJapanesePreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-NeoX 日语的预训练模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
GPTJ_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量,用于存储 GPT-J 预训练模型的存档列表,初始值为 None
GPTJ_PRETRAINED_MODEL_ARCHIVE_LIST = None
class GPTJForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-J 因果语言模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTJForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-J 问答模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTJForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-J 序列分类模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTJModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-J 模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
class GPTJPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,用于创建 GPT-J 预训练模型
# 要求后端支持 "torch"
requires_backends(self, ["torch"])
GPTSAN_JAPANESE_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量,用于存储 GPT-SAN 日语预训练模型的存档列表,初始值为 None
GPTSAN_JAPANESE_PRETRAINED_MODEL_ARCHIVE_LIST = None
class GPTSanJapaneseForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
# 定义一个类,用于创建 GPT-SAN 日语条件生成模型
# 要求后端支持 "torch"
class GPTSanJapaneseForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
# 初始化函数,用于实例化对象时自动调用
def __init__(self, *args, **kwargs):
# 要求检查是否存在所需的后端库,这里需要 torch 库
requires_backends(self, ["torch"])
class GPTSanJapaneseModel(metaclass=DummyObject):
# GPTSanJapaneseModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GPTSanJapanesePreTrainedModel(metaclass=DummyObject):
# GPTSanJapanesePreTrainedModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
GRAPHORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# GRAPHORMER_PRETRAINED_MODEL_ARCHIVE_LIST 变量设为 None,表示图转换器预训练模型存档列表为空
class GraphormerForGraphClassification(metaclass=DummyObject):
# GraphormerForGraphClassification 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GraphormerModel(metaclass=DummyObject):
# GraphormerModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GraphormerPreTrainedModel(metaclass=DummyObject):
# GraphormerPreTrainedModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
GROUPVIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# GROUPVIT_PRETRAINED_MODEL_ARCHIVE_LIST 变量设为 None,表示组视觉 Transformer 预训练模型存档列表为空
class GroupViTModel(metaclass=DummyObject):
# GroupViTModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GroupViTPreTrainedModel(metaclass=DummyObject):
# GroupViTPreTrainedModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GroupViTTextModel(metaclass=DummyObject):
# GroupViTTextModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class GroupViTVisionModel(metaclass=DummyObject):
# GroupViTVisionModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
HUBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# HUBERT_PRETRAINED_MODEL_ARCHIVE_LIST 变量设为 None,表示 Hubert 预训练模型存档列表为空
class HubertForCTC(metaclass=DummyObject):
# HubertForCTC 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class HubertForSequenceClassification(metaclass=DummyObject):
# HubertForSequenceClassification 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class HubertModel(metaclass=DummyObject):
# HubertModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class HubertPreTrainedModel(metaclass=DummyObject):
# HubertPreTrainedModel 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
IBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# IBERT_PRETRAINED_MODEL_ARCHIVE_LIST 变量设为 None,表示 IBert 预训练模型存档列表为空
class IBertForMaskedLM(metaclass=DummyObject):
# IBertForMaskedLM 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例需要 "torch" 后端支持
class IBertForMultipleChoice(metaclass=DummyObject):
# IBertForMultipleChoice 类,使用 DummyObject 元类来定义
_backends = ["torch"]
# 类属性 _backends,指定所需的后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends
class IBertForTokenClassification(metaclass=DummyObject):
# 定义一个接口类 IBertForTokenClassification,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class IBertModel(metaclass=DummyObject):
# 定义一个接口类 IBertModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class IBertPreTrainedModel(metaclass=DummyObject):
# 定义一个接口类 IBertPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
IDEFICS_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 IDEFICS_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class IdeficsForVisionText2Text(metaclass=DummyObject):
# 定义一个接口类 IdeficsForVisionText2Text,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class IdeficsModel(metaclass=DummyObject):
# 定义一个接口类 IdeficsModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class IdeficsPreTrainedModel(metaclass=DummyObject):
# 定义一个接口类 IdeficsPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class IdeficsProcessor(metaclass=DummyObject):
# 定义一个接口类 IdeficsProcessor,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
IMAGEGPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 IMAGEGPT_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class ImageGPTForCausalImageModeling(metaclass=DummyObject):
# 定义一个接口类 ImageGPTForCausalImageModeling,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class ImageGPTForImageClassification(metaclass=DummyObject):
# 定义一个接口类 ImageGPTForImageClassification,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class ImageGPTModel(metaclass=DummyObject):
# 定义一个接口类 ImageGPTModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class ImageGPTPreTrainedModel(metaclass=DummyObject):
# 定义一个接口类 ImageGPTPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
def load_tf_weights_in_imagegpt(*args, **kwargs):
# 定义函数 load_tf_weights_in_imagegpt,要求此函数依赖于 "torch" 后端
requires_backends(load_tf_weights_in_imagegpt, ["torch"])
INFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 INFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class InformerForPrediction(metaclass=DummyObject):
# 定义一个接口类 InformerForPrediction,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class InformerModel(metaclass=DummyObject):
# 定义一个接口类 InformerModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class InformerPreTrainedModel(metaclass=DummyObject):
# 定义一个接口类 InformerPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
INSTRUCTBLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 INSTRUCTBLIP_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class InstructBlipForConditionalGeneration(metaclass=DummyObject):
# 定义一个接口类 InstructBlipForConditionalGeneration,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class InstructBlipPreTrainedModel(metaclass=DummyObject):
# 定义一个接口类 InstructBlipPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求此类依赖于 "torch" 后端
requires_backends(self, ["torch"])
class InstructBlipQFormerModel(metaclass=DummyObject):
# 定义 InstructBlipQFormerModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class InstructBlipVisionModel(metaclass=DummyObject):
# 定义 InstructBlipVisionModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
JUKEBOX_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 JUKEBOX_PRETRAINED_MODEL_ARCHIVE_LIST 变量,赋值为 None
class JukeboxModel(metaclass=DummyObject):
# 定义 JukeboxModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class JukeboxPreTrainedModel(metaclass=DummyObject):
# 定义 JukeboxPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class JukeboxPrior(metaclass=DummyObject):
# 定义 JukeboxPrior 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class JukeboxVQVAE(metaclass=DummyObject):
# 定义 JukeboxVQVAE 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
KOSMOS2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 KOSMOS2_PRETRAINED_MODEL_ARCHIVE_LIST 变量,赋值为 None
class Kosmos2ForConditionalGeneration(metaclass=DummyObject):
# 定义 Kosmos2ForConditionalGeneration 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class Kosmos2Model(metaclass=DummyObject):
# 定义 Kosmos2Model 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class Kosmos2PreTrainedModel(metaclass=DummyObject):
# 定义 Kosmos2PreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
LAYOUTLM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 LAYOUTLM_PRETRAINED_MODEL_ARCHIVE_LIST 变量,赋值为 None
class LayoutLMForMaskedLM(metaclass=DummyObject):
# 定义 LayoutLMForMaskedLM 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class LayoutLMForQuestionAnswering(metaclass=DummyObject):
# 定义 LayoutLMForQuestionAnswering 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class LayoutLMForSequenceClassification(metaclass=DummyObject):
# 定义 LayoutLMForSequenceClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class LayoutLMForTokenClassification(metaclass=DummyObject):
# 定义 LayoutLMForTokenClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class LayoutLMModel(metaclass=DummyObject):
# 定义 LayoutLMModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
class LayoutLMPreTrainedModel(metaclass=DummyObject):
# 定义 LayoutLMPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 设置类变量 _backends,指定后端为 Torch
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前实例依赖于 Torch 后端
LAYOUTLMV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 LAYOUTLMV2_PRETRAINED_MODEL_ARCHIVE_LIST 变量,赋值为 None
class LayoutLMv2ForQuestionAnswering(metaclass=DummyObject):
#
# 定义一个初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前对象依赖的 "torch" 被正确安装
requires_backends(self, ["torch"])
class LayoutLMv2ForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv2Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv2PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
LAYOUTLMV3_PRETRAINED_MODEL_ARCHIVE_LIST = None
class LayoutLMv3ForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv3ForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv3ForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv3Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LayoutLMv3PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
LED_PRETRAINED_MODEL_ARCHIVE_LIST = None
class LEDForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LEDForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LEDForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LEDModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LEDPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
LEVIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class LevitForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LevitForImageClassificationWithTeacher(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LevitModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
class LevitPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类依赖于 torch 后端
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储 Lilt 预训练模型的存档列表,初始值为 None
LILT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个基类 LiltForQuestionAnswering,通过 DummyObject 元类实现
class LiltForQuestionAnswering(metaclass=DummyObject):
# 定义类属性 _backends,表示该类依赖于 "torch" 后端
_backends = ["torch"]
# 初始化方法,接受任意参数并检查是否需要 "torch" 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LiltForSequenceClassification 类和其初始化方法
class LiltForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LiltForTokenClassification 类和其初始化方法
class LiltForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LiltModel 类和其初始化方法
class LiltModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LiltPreTrainedModel 类和其初始化方法
class LiltPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlamaForCausalLM 类和其初始化方法
class LlamaForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlamaForQuestionAnswering 类和其初始化方法
class LlamaForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlamaForSequenceClassification 类和其初始化方法
class LlamaForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlamaModel 类和其初始化方法
class LlamaModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlamaPreTrainedModel 类和其初始化方法
class LlamaPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储 Llava 预训练模型的存档列表,初始值为 None
LLAVA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 类似地定义 LlavaForConditionalGeneration 类和其初始化方法
class LlavaForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlavaPreTrainedModel 类和其初始化方法
class LlavaPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储 LlavaNext 预训练模型的存档列表,初始值为 None
LLAVA_NEXT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 类似地定义 LlavaNextForConditionalGeneration 类和其初始化方法
class LlavaNextForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LlavaNextPreTrainedModel 类和其初始化方法
class LlavaNextPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化全局变量,用于存储 Longformer 预训练模型的存档列表,初始值为 None
LONGFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 类似地定义 LongformerForMaskedLM 类和其初始化方法
class LongformerForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LongformerForMultipleChoice 类和其初始化方法
class LongformerForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 类似地定义 LongformerForQuestionAnswering 类,但未定义初始化方法
class LongformerForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# 定义类的初始化方法,用于创建类的实例时进行初始化操作
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境中包含 "torch" 这个后端库
requires_backends(self, ["torch"])
class LongformerForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongformerForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongformerModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongformerPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongformerSelfAttention(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
LONGT5_PRETRAINED_MODEL_ARCHIVE_LIST = None
class LongT5EncoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongT5ForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongT5Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LongT5PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
LUKE_PRETRAINED_MODEL_ARCHIVE_LIST = None
class LukeForEntityClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForEntityPairClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForEntitySpanClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class LukeForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求在初始化时确保依赖的后端为 Torch
requires_backends(self, ["torch"])
# 定义私有类变量 _backends,包含一个字符串列表,列出支持的后端框架,这里只包括 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前对象是否满足使用 "torch" 后端的要求
requires_backends(self, ["torch"])
class LukePreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# LukePreTrainedModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertEncoder(metaclass=DummyObject):
_backends = ["torch"]
# LxmertEncoder 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
# LxmertForPreTraining 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# LxmertForQuestionAnswering 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertModel(metaclass=DummyObject):
_backends = ["torch"]
# LxmertModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# LxmertPreTrainedModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertVisualFeatureEncoder(metaclass=DummyObject):
_backends = ["torch"]
# LxmertVisualFeatureEncoder 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class LxmertXLayer(metaclass=DummyObject):
_backends = ["torch"]
# LxmertXLayer 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
M2M_100_PRETRAINED_MODEL_ARCHIVE_LIST = None
class M2M100ForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
# M2M100ForConditionalGeneration 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class M2M100Model(metaclass=DummyObject):
_backends = ["torch"]
# M2M100Model 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class M2M100PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# M2M100PreTrainedModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
MAMBA_PRETRAINED_MODEL_ARCHIVE_LIST = None
class MambaForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
# MambaForCausalLM 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class MambaModel(metaclass=DummyObject):
_backends = ["torch"]
# MambaModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class MambaPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# MambaPreTrainedModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class MarianForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
# MarianForCausalLM 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class MarianModel(metaclass=DummyObject):
_backends = ["torch"]
# MarianModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
class MarianMTModel(metaclass=DummyObject):
_backends = ["torch"]
# MarianMTModel 类的构造函数,初始化对象
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 torch
requires_backends(self, ["torch"])
MARKUPLM_PRETRAINED_MODEL_ARCHIVE_LIST = None
class MarkupLMForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查当前环境是否有 "torch" 库的支持
requires_backends(self, ["torch"])
class MarkupLMForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
# 序列分类任务的语言模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MarkupLMForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
# 标记分类任务的语言模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MarkupLMModel(metaclass=DummyObject):
_backends = ["torch"]
# 语言模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MarkupLMPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 预训练语言模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
MASK2FORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class Mask2FormerForUniversalSegmentation(metaclass=DummyObject):
_backends = ["torch"]
# 用于通用分割任务的 Mask2Former 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class Mask2FormerModel(metaclass=DummyObject):
_backends = ["torch"]
# Mask2Former 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class Mask2FormerPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 预训练的 Mask2Former 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
MASKFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class MaskFormerForInstanceSegmentation(metaclass=DummyObject):
_backends = ["torch"]
# 用于实例分割任务的 MaskFormer 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MaskFormerModel(metaclass=DummyObject):
_backends = ["torch"]
# MaskFormer 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MaskFormerPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 预训练的 MaskFormer 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MaskFormerSwinBackbone(metaclass=DummyObject):
_backends = ["torch"]
# MaskFormer 使用的 SwinTransformer 的后端,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
# 用于因果语言建模的 MBart 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
# 用于条件生成任务的 MBart 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# 用于问答任务的 MBart 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
# 用于序列分类任务的 MBart 模型,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartModel(metaclass=DummyObject):
_backends = ["torch"]
# MBart 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
class MBartPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
# 预训练的 MBart 模型的基类,使用了虚拟对象元类
def __init__(self, *args, **kwargs):
# 确保所需后端是 Torch
requires_backends(self, ["torch"])
MEGA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 MegaForCausalLM 类,使用 DummyObject 作为元类
class MegaForCausalLM(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaForMaskedLM 类,使用 DummyObject 作为元类
class MegaForMaskedLM(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaForMultipleChoice 类,使用 DummyObject 作为元类
class MegaForMultipleChoice(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaForQuestionAnswering 类,使用 DummyObject 作为元类
class MegaForQuestionAnswering(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaForSequenceClassification 类,使用 DummyObject 作为元类
class MegaForSequenceClassification(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaForTokenClassification 类,使用 DummyObject 作为元类
class MegaForTokenClassification(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaModel 类,使用 DummyObject 作为元类
class MegaModel(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegaPreTrainedModel 类,使用 DummyObject 作为元类
class MegaPreTrainedModel(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MEGATRON_BERT_PRETRAINED_MODEL_ARCHIVE_LIST 变量,值为 None
MEGATRON_BERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 MegatronBertForCausalLM 类,使用 DummyObject 作为元类
class MegatronBertForCausalLM(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForMaskedLM 类,使用 DummyObject 作为元类
class MegatronBertForMaskedLM(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForMultipleChoice 类,使用 DummyObject 作为元类
class MegatronBertForMultipleChoice(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForNextSentencePrediction 类,使用 DummyObject 作为元类
class MegatronBertForNextSentencePrediction(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForPreTraining 类,使用 DummyObject 作为元类
class MegatronBertForPreTraining(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForQuestionAnswering 类,使用 DummyObject 作为元类
class MegatronBertForQuestionAnswering(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForSequenceClassification 类,使用 DummyObject 作为元类
class MegatronBertForSequenceClassification(metaclass=DummyObject):
# 定义 _backends 类变量为包含字符串 "torch" 的列表
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保 self 实例有 "torch" 后端支持
requires_backends(self, ["torch"])
# 定义 MegatronBertForTokenClassification 类,使用 DummyObject 作为元类
class MegatronBertForTokenClassification(metaclass=DummyObject):
# 定义 _backends 类变
# 定义一个类变量 `_backends`,包含字符串 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数 `args` 和任意关键字参数 `kwargs`
def __init__(self, *args, **kwargs):
# 调用函数 `requires_backends`,确保当前对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 初始化一个全局变量,用于存储 MGP_STR_PRETRAINED_MODEL_ARCHIVE_LIST 的值,初始值为 None
MGP_STR_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类 MgpstrForSceneTextRecognition,使用 DummyObject 作为元类
class MgpstrForSceneTextRecognition(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MgpstrModel,使用 DummyObject 作为元类
class MgpstrModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MgpstrPreTrainedModel,使用 DummyObject 作为元类
class MgpstrPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MistralForCausalLM,使用 DummyObject 作为元类
class MistralForCausalLM(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MistralForSequenceClassification,使用 DummyObject 作为元类
class MistralForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MistralModel,使用 DummyObject 作为元类
class MistralModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MistralPreTrainedModel,使用 DummyObject 作为元类
class MistralPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MixtralForCausalLM,使用 DummyObject 作为元类
class MixtralForCausalLM(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MixtralForSequenceClassification,使用 DummyObject 作为元类
class MixtralForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MixtralModel,使用 DummyObject 作为元类
class MixtralModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MixtralPreTrainedModel,使用 DummyObject 作为元类
class MixtralPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化一个全局变量,用于存储 MOBILEBERT_PRETRAINED_MODEL_ARCHIVE_LIST 的值,初始值为 None
MOBILEBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类 MobileBertForMaskedLM,使用 DummyObject 作为元类
class MobileBertForMaskedLM(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MobileBertForMultipleChoice,使用 DummyObject 作为元类
class MobileBertForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MobileBertForNextSentencePrediction,使用 DummyObject 作为元类
class MobileBertForNextSentencePrediction(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MobileBertForPreTraining,使用 DummyObject 作为元类
class MobileBertForPreTraining(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MobileBertForQuestionAnswering,使用 DummyObject 作为元类
class MobileBertForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个类 MobileBertForSequenceClassification,使用 DummyObject 作为元类
class MobileBertForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,用于实例化类的时候调用,检查是否需要 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class MobileBertForTokenClassification(metaclass=DummyObject):
# 声明 MobileBertForTokenClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileBertForTokenClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileBertLayer(metaclass=DummyObject):
# 声明 MobileBertLayer 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileBertLayer 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileBertModel(metaclass=DummyObject):
# 声明 MobileBertModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileBertModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileBertPreTrainedModel(metaclass=DummyObject):
# 声明 MobileBertPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileBertPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
def load_tf_weights_in_mobilebert(*args, **kwargs):
# 加载 MobileBERT 模型的 TensorFlow 权重函数
requires_backends(load_tf_weights_in_mobilebert, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_mobilebert 函数依赖 "torch" 后端
MOBILENET_V1_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 MOBILENET_V1_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class MobileNetV1ForImageClassification(metaclass=DummyObject):
# 声明 MobileNetV1ForImageClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV1ForImageClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileNetV1Model(metaclass=DummyObject):
# 声明 MobileNetV1Model 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV1Model 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileNetV1PreTrainedModel(metaclass=DummyObject):
# 声明 MobileNetV1PreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV1PreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
def load_tf_weights_in_mobilenet_v1(*args, **kwargs):
# 加载 MobileNetV1 模型的 TensorFlow 权重函数
requires_backends(load_tf_weights_in_mobilenet_v1, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_mobilenet_v1 函数依赖 "torch" 后端
MOBILENET_V2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 MOBILENET_V2_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class MobileNetV2ForImageClassification(metaclass=DummyObject):
# 声明 MobileNetV2ForImageClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV2ForImageClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileNetV2ForSemanticSegmentation(metaclass=DummyObject):
# 声明 MobileNetV2ForSemanticSegmentation 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV2ForSemanticSegmentation 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileNetV2Model(metaclass=DummyObject):
# 声明 MobileNetV2Model 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV2Model 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileNetV2PreTrainedModel(metaclass=DummyObject):
# 声明 MobileNetV2PreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileNetV2PreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
def load_tf_weights_in_mobilenet_v2(*args, **kwargs):
# 加载 MobileNetV2 模型的 TensorFlow 权重函数
requires_backends(load_tf_weights_in_mobilenet_v2, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_mobilenet_v2 函数依赖 "torch" 后端
MOBILEVIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 MOBILEVIT_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class MobileViTForImageClassification(metaclass=DummyObject):
# 声明 MobileViTForImageClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileViTForImageClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileViTForSemanticSegmentation(metaclass=DummyObject):
# 声明 MobileViTForSemanticSegmentation 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# MobileViTForSemanticSegmentation 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖 "torch" 后端
class MobileViTModel(metaclass=DummyObject):
# 声明 MobileViTModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类变量 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
#
# 定义一个初始化方法,用于实例化类对象时的初始化操作
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends 来确保类实例支持所需的后端库,这里要求支持 "torch"
requires_backends(self, ["torch"])
# 定义一个空的全局变量,用于存储 MobileViTV2 模型预训练模型的存档列表
MOBILEVITV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 MobileViTV2ForImageClassification 类,用于图像分类任务,其元类为 DummyObject
class MobileViTV2ForImageClassification(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MobileViTV2ForSemanticSegmentation 类,用于语义分割任务,其元类为 DummyObject
class MobileViTV2ForSemanticSegmentation(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MobileViTV2Model 类,MobileViTV2 模型的基础类,其元类为 DummyObject
class MobileViTV2Model(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MobileViTV2PreTrainedModel 类,MobileViTV2 预训练模型的基础类,其元类为 DummyObject
class MobileViTV2PreTrainedModel(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个空的全局变量,用于存储 MPNet 模型预训练模型的存档列表
MPNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 MPNetForMaskedLM 类,用于 Masked Language Modeling 任务,其元类为 DummyObject
class MPNetForMaskedLM(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetForMultipleChoice 类,用于多项选择任务,其元类为 DummyObject
class MPNetForMultipleChoice(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetForQuestionAnswering 类,用于问答任务,其元类为 DummyObject
class MPNetForQuestionAnswering(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetForSequenceClassification 类,用于序列分类任务,其元类为 DummyObject
class MPNetForSequenceClassification(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetForTokenClassification 类,用于标记分类任务,其元类为 DummyObject
class MPNetForTokenClassification(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetLayer 类,MPNet 模型的层类,其元类为 DummyObject
class MPNetLayer(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetModel 类,MPNet 模型的基础类,其元类为 DummyObject
class MPNetModel(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MPNetPreTrainedModel 类,MPNet 预训练模型的基础类,其元类为 DummyObject
class MPNetPreTrainedModel(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个空的全局变量,用于存储 Mpt 模型预训练模型的存档列表
MPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 MptForCausalLM 类,用于因果语言建模任务,其元类为 DummyObject
class MptForCausalLM(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MptForQuestionAnswering 类,用于问答任务,其元类为 DummyObject
class MptForQuestionAnswering(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MptForSequenceClassification 类,用于序列分类任务,其元类为 DummyObject
class MptForSequenceClassification(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MptForTokenClassification 类,用于标记分类任务,其元类为 DummyObject
class MptForTokenClassification(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 MptModel 类,Mpt 模型的基础类,其元类为 DummyObject
class MptModel(metaclass=DummyObject):
# 声明支持的后端为 torch
_backends = ["torch"]
# 初始化函数,确保当前实例依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MptPreTrainedModel 类,其后端要求为 "torch"
class MptPreTrainedModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化 MRA_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
MRA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用 DummyObject 元类定义 MraForMaskedLM 类,其后端要求为 "torch"
class MraForMaskedLM(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraForMultipleChoice 类,其后端要求为 "torch"
class MraForMultipleChoice(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraForQuestionAnswering 类,其后端要求为 "torch"
class MraForQuestionAnswering(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraForSequenceClassification 类,其后端要求为 "torch"
class MraForSequenceClassification(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraForTokenClassification 类,其后端要求为 "torch"
class MraForTokenClassification(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraModel 类,其后端要求为 "torch"
class MraModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MraPreTrainedModel 类,其后端要求为 "torch"
class MraPreTrainedModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5EncoderModel 类,其后端要求为 "torch"
class MT5EncoderModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5ForConditionalGeneration 类,其后端要求为 "torch"
class MT5ForConditionalGeneration(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5ForQuestionAnswering 类,其后端要求为 "torch"
class MT5ForQuestionAnswering(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5ForSequenceClassification 类,其后端要求为 "torch"
class MT5ForSequenceClassification(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5ForTokenClassification 类,其后端要求为 "torch"
class MT5ForTokenClassification(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MT5Model 类,其后端要求为 "torch"
class MT5Model(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 使用 DummyObject 元类定义 MT5PreTrainedModel 类,其后端要求为 "torch"
class MT5PreTrainedModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化 MUSICGEN_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
MUSICGEN_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用 DummyObject 元类定义 MusicgenForCausalLM 类,其后端要求为 "torch"
class MusicgenForCausalLM(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MusicgenForConditionalGeneration 类,其后端要求为 "torch"
class MusicgenForConditionalGeneration(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意参数并通过 requires_backends 函数要求后端为 "torch"
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 使用 DummyObject 元类定义 MusicgenModel 类,其后端要求为 "torch"
class MusicgenModel(metaclass=DummyObject):
# 定义 _backends 属性,指定支持的后端为 "torch"
_backends = ["torch"]
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前环境是否具备 "torch" 库的依赖
requires_backends(self, ["torch"])
class MusicgenPreTrainedModel(metaclass=DummyObject):
# 定义音乐生成预训练模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MusicgenProcessor(metaclass=DummyObject):
# 定义音乐生成处理器类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
MUSICGEN_MELODY_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 音乐生成旋律预训练模型存档列表为空
class MusicgenMelodyForCausalLM(metaclass=DummyObject):
# 定义用于因果语言模型的音乐生成旋律类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MusicgenMelodyForConditionalGeneration(metaclass=DummyObject):
# 定义用于条件生成的音乐生成旋律类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MusicgenMelodyModel(metaclass=DummyObject):
# 定义音乐生成旋律模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MusicgenMelodyPreTrainedModel(metaclass=DummyObject):
# 定义音乐生成旋律预训练模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
MVP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# MVP预训练模型存档列表为空
class MvpForCausalLM(metaclass=DummyObject):
# 定义用于因果语言模型的MVP类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MvpForConditionalGeneration(metaclass=DummyObject):
# 定义用于条件生成的MVP类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MvpForQuestionAnswering(metaclass=DummyObject):
# 定义用于问答的MVP类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MvpForSequenceClassification(metaclass=DummyObject):
# 定义用于序列分类的MVP类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MvpModel(metaclass=DummyObject):
# 定义MVP模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class MvpPreTrainedModel(metaclass=DummyObject):
# 定义MVP预训练模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
NAT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# NAT预训练模型存档列表为空
class NatBackbone(metaclass=DummyObject):
# 定义NAT骨干网络类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class NatForImageClassification(metaclass=DummyObject):
# 定义用于图像分类的NAT类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class NatModel(metaclass=DummyObject):
# 定义NAT模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class NatPreTrainedModel(metaclass=DummyObject):
# 定义NAT预训练模型类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
NEZHA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# NEZHA预训练模型存档列表为空
class NezhaForMaskedLM(metaclass=DummyObject):
# 定义用于掩码语言建模的NEZHA类,使用DummyObject元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,要求使用torch后端
requires_backends(self, ["torch"])
class NezhaForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaForNextSentencePrediction(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NezhaPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
NLLB_MOE_PRETRAINED_MODEL_ARCHIVE_LIST = None
class NllbMoeForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NllbMoeModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NllbMoePreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NllbMoeSparseMLP(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NllbMoeTop2Router(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
NYSTROMFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class NystromformerForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NystromformerForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NystromformerForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
class NystromformerForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求该类使用 torch 后端
requires_backends(self, ["torch"])
# 定义 NystromformerForTokenClassification 类,使用 DummyObject 元类
class NystromformerForTokenClassification(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 NystromformerLayer 类,使用 DummyObject 元类
class NystromformerLayer(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 NystromformerModel 类,使用 DummyObject 元类
class NystromformerModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 NystromformerPreTrainedModel 类,使用 DummyObject 元类
class NystromformerPreTrainedModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 设置 ONEFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
ONEFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 OneFormerForUniversalSegmentation 类,使用 DummyObject 元类
class OneFormerForUniversalSegmentation(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OneFormerModel 类,使用 DummyObject 元类
class OneFormerModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OneFormerPreTrainedModel 类,使用 DummyObject 元类
class OneFormerPreTrainedModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 设置 OPENAI_GPT_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
OPENAI_GPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 OpenAIGPTDoubleHeadsModel 类,使用 DummyObject 元类
class OpenAIGPTDoubleHeadsModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OpenAIGPTForSequenceClassification 类,使用 DummyObject 元类
class OpenAIGPTForSequenceClassification(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OpenAIGPTLMHeadModel 类,使用 DummyObject 元类
class OpenAIGPTLMHeadModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OpenAIGPTModel 类,使用 DummyObject 元类
class OpenAIGPTModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OpenAIGPTPreTrainedModel 类,使用 DummyObject 元类
class OpenAIGPTPreTrainedModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 load_tf_weights_in_openai_gpt 函数
def load_tf_weights_in_openai_gpt(*args, **kwargs):
# 确保 load_tf_weights_in_openai_gpt 函数需要的后端为 torch
requires_backends(load_tf_weights_in_openai_gpt, ["torch"])
# 设置 OPT_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
OPT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 OPTForCausalLM 类,使用 DummyObject 元类
class OPTForCausalLM(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OPTForQuestionAnswering 类,使用 DummyObject 元类
class OPTForQuestionAnswering(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OPTForSequenceClassification 类,使用 DummyObject 元类
class OPTForSequenceClassification(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OPTModel 类,使用 DummyObject 元类
class OPTModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义 OPTPreTrainedModel 类,使用 DummyObject 元类
class OPTPreTrainedModel(metaclass=DummyObject):
# 指定后端为 torch
_backends = ["torch"]
# 初始化方法,用于创建对象实例
def __init__(self, *args, **kwargs):
# 要求确保在当前环境中存在指定的后端库"torch"
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 OWLV2 预训练模型的存档列表,初始值为 None
OWLV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 Owlv2ForObjectDetection,用于对象检测任务
class Owlv2ForObjectDetection(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 Owlv2Model,用于通用模型
class Owlv2Model(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 Owlv2PreTrainedModel,用于预训练模型
class Owlv2PreTrainedModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 Owlv2TextModel,用于文本模型
class Owlv2TextModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 Owlv2VisionModel,用于视觉模型
class Owlv2VisionModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 OWLViT 预训练模型的存档列表,初始值为 None
OWLViT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 OwlViTForObjectDetection,用于对象检测任务
class OwlViTForObjectDetection(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 OwlViTModel,用于通用模型
class OwlViTModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 OwlViTPreTrainedModel,用于预训练模型
class OwlViTPreTrainedModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 OwlViTTextModel,用于文本模型
class OwlViTTextModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 OwlViTVisionModel,用于视觉模型
class OwlViTVisionModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 PatchTSMixer 预训练模型的存档列表,初始值为 None
PATCHTSMIXER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 PatchTSMixerForPrediction,用于预测任务
class PatchTSMixerForPrediction(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 PatchTSMixerForPretraining,用于预训练任务
class PatchTSMixerForPretraining(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 PatchTSMixerForRegression,用于回归任务
class PatchTSMixerForRegression(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 PatchTSMixerForTimeSeriesClassification,用于时间序列分类任务
class PatchTSMixerForTimeSeriesClassification(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 PatchTSMixerModel,用于通用模型
class PatchTSMixerModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 PatchTSMixerPreTrainedModel,用于预训练模型
class PatchTSMixerPreTrainedModel(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 PatchTST 预训练模型的存档列表,初始值为 None
PATCHTST_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 PatchTSTForClassification,用于分类任务
class PatchTSTForClassification(metaclass=DummyObject):
# 支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,确保需要的后端为 Torch
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class PatchTSTForPrediction(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PatchTSTForPretraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PatchTSTForRegression(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PatchTSTModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PatchTSTPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
# 设置为 None,用于存储 PegasusX 预训练模型的归档列表
PEGASUS_X_PRETRAINED_MODEL_ARCHIVE_LIST = None
class PegasusXForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusXModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PegasusXPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
# 设置为 None,用于存储 Perceiver 预训练模型的归档列表
PERCEIVER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class PerceiverForImageClassificationConvProcessing(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PerceiverForImageClassificationFourier(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PerceiverForImageClassificationLearned(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PerceiverForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PerceiverForMultimodalAutoencoding(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类使用了 torch 后端
requires_backends(self, ["torch"])
class PerceiverForOpticalFlow(metaclass=DummyObject):
# 指定后端为 "torch" 的感知器模型,用于光流计算
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PerceiverForSequenceClassification(metaclass=DummyObject):
# 指定后端为 "torch" 的感知器模型,用于序列分类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PerceiverLayer(metaclass=DummyObject):
# 指定后端为 "torch" 的感知器层模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PerceiverModel(metaclass=DummyObject):
# 指定后端为 "torch" 的感知器模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PerceiverPreTrainedModel(metaclass=DummyObject):
# 指定后端为 "torch" 的预训练感知器模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PersimmonForCausalLM(metaclass=DummyObject):
# 指定后端为 "torch" 的 Persimmon 模型,用于因果语言模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PersimmonForSequenceClassification(metaclass=DummyObject):
# 指定后端为 "torch" 的 Persimmon 模型,用于序列分类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PersimmonModel(metaclass=DummyObject):
# 指定后端为 "torch" 的 Persimmon 模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PersimmonPreTrainedModel(metaclass=DummyObject):
# 指定后端为 "torch" 的预训练 Persimmon 模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
PHI_PRETRAINED_MODEL_ARCHIVE_LIST = None
class PhiForCausalLM(metaclass=DummyObject):
# 指定后端为 "torch" 的 Phi 模型,用于因果语言模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PhiForSequenceClassification(metaclass=DummyObject):
# 指定后端为 "torch" 的 Phi 模型,用于序列分类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PhiForTokenClassification(metaclass=DummyObject):
# 指定后端为 "torch" 的 Phi 模型,用于标记分类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PhiModel(metaclass=DummyObject):
# 指定后端为 "torch" 的 Phi 模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class PhiPreTrainedModel(metaclass=DummyObject):
# 指定后端为 "torch" 的预训练 Phi 模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
PIX2STRUCT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class Pix2StructForConditionalGeneration(metaclass=DummyObject):
# 指定后端为 "torch" 的 Pix2Struct 模型,用于有条件生成
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class Pix2StructPreTrainedModel(metaclass=DummyObject):
# 指定后端为 "torch" 的预训练 Pix2Struct 模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class Pix2StructTextModel(metaclass=DummyObject):
# 指定后端为 "torch" 的 Pix2Struct 文本模型
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 "torch" 后端
requires_backends(self, ["torch"])
class Pix2StructVisionModel(metaclass=DummyObject):
# 指定后端为 "torch" 的 Pix2Struct 视觉模型
_backends = ["torch"]
# 初始化函数,用于实例化对象时的初始化操作
def __init__(self, *args, **kwargs):
# 要求检查当前环境是否具备指定的后端库依赖,此处要求检查是否包含 torch 库
requires_backends(self, ["torch"])
PLBART_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量 PLBART_PRETRAINED_MODEL_ARCHIVE_LIST,初始值为 None
class PLBartForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PLBartForCausalLM 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PLBartForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PLBartForConditionalGeneration 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PLBartForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PLBartForSequenceClassification 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PLBartModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PLBartModel 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PLBartPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PLBartPreTrainedModel 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
POOLFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量 POOLFORMER_PRETRAINED_MODEL_ARCHIVE_LIST,初始值为 None
class PoolFormerForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PoolFormerForImageClassification 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PoolFormerModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PoolFormerModel 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class PoolFormerPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 PoolFormerPreTrainedModel 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
POP2PIANO_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量 POP2PIANO_PRETRAINED_MODEL_ARCHIVE_LIST,初始值为 None
class Pop2PianoForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 Pop2PianoForConditionalGeneration 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class Pop2PianoPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 Pop2PianoPreTrainedModel 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
PROPHETNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个全局变量 PROPHETNET_PRETRAINED_MODEL_ARCHIVE_LIST,初始值为 None
class ProphetNetDecoder(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 ProphetNetDecoder 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class ProphetNetEncoder(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 ProphetNetEncoder 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
# 构造函数 __init__ 接受任意数量的位置参数和关键字参数,然后调用 requires_backends 函数,验证是否满足 "torch" 后端的要求
class ProphetNetForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义了一个名为 ProphetNetForCausalLM 的类,使用元类 DummyObject
# 类属性 _backends 是一个包含字符串 "torch" 的列表,用于指定所需的后端
#
# 定义类的初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数requires_backends检查当前环境是否有torch库的支持
requires_backends(self, ["torch"])
# 定义一个名为 PvtModel 的类,使用 DummyObject 作为元类
class PvtModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 PvtPreTrainedModel 的类,使用 DummyObject 作为元类
class PvtPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 设置全局变量 PVT_V2_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
PVT_V2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 PvtV2Backbone 的类,使用 DummyObject 作为元类
class PvtV2Backbone(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 PvtV2ForImageClassification 的类,使用 DummyObject 作为元类
class PvtV2ForImageClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 PvtV2Model 的类,使用 DummyObject 作为元类
class PvtV2Model(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 PvtV2PreTrainedModel 的类,使用 DummyObject 作为元类
class PvtV2PreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 设置全局变量 QDQBERT_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
QDQBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 QDQBertForMaskedLM 的类,使用 DummyObject 作为元类
class QDQBertForMaskedLM(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertForMultipleChoice 的类,使用 DummyObject 作为元类
class QDQBertForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertForNextSentencePrediction 的类,使用 DummyObject 作为元类
class QDQBertForNextSentencePrediction(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertForQuestionAnswering 的类,使用 DummyObject 作为元类
class QDQBertForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertForSequenceClassification 的类,使用 DummyObject 作为元类
class QDQBertForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertForTokenClassification 的类,使用 DummyObject 作为元类
class QDQBertForTokenClassification(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertLayer 的类,使用 DummyObject 作为元类
class QDQBertLayer(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertLMHeadModel 的类,使用 DummyObject 作为元类
class QDQBertLMHeadModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 QDQBertModel 的类,使用 DummyObject 作为元类
class QDQBertModel(metaclass=DummyObject):
# 类属性 _backends 指定为 ["torch"]
_backends = ["torch"]
# 初始化方法,接受任意参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例对象依赖于 "torch" 后端
requires_backends(self,
class Qwen2ForSequenceClassification(metaclass=DummyObject):
# 定义一个 Qwen2 序列分类模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class Qwen2Model(metaclass=DummyObject):
# 定义一个 Qwen2 模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class Qwen2PreTrainedModel(metaclass=DummyObject):
# 定义一个 Qwen2 预训练模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RagModel(metaclass=DummyObject):
# 定义一个 Rag 模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RagPreTrainedModel(metaclass=DummyObject):
# 定义一个 Rag 预训练模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RagSequenceForGeneration(metaclass=DummyObject):
# 定义一个 Rag 序列生成模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RagTokenForGeneration(metaclass=DummyObject):
# 定义一个 Rag Token 生成模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
REALM_PRETRAINED_MODEL_ARCHIVE_LIST = None
class RealmEmbedder(metaclass=DummyObject):
# 定义一个 Realm 嵌入模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmForOpenQA(metaclass=DummyObject):
# 定义一个 Realm 用于开放式问答的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmKnowledgeAugEncoder(metaclass=DummyObject):
# 定义一个 Realm 知识增强编码器的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmPreTrainedModel(metaclass=DummyObject):
# 定义一个 Realm 预训练模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmReader(metaclass=DummyObject):
# 定义一个 Realm 读取器的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmRetriever(metaclass=DummyObject):
# 定义一个 Realm 检索器的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class RealmScorer(metaclass=DummyObject):
# 定义一个 Realm 评分器的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
def load_tf_weights_in_realm(*args, **kwargs):
# 加载 TensorFlow 权重到 Realm 模型中的函数
requires_backends(load_tf_weights_in_realm, ["torch"])
REFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class ReformerAttention(metaclass=DummyObject):
# 定义一个 Reformer 注意力模块的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class ReformerForMaskedLM(metaclass=DummyObject):
# 定义一个 Reformer 掩蔽语言模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
class ReformerForQuestionAnswering(metaclass=DummyObject):
# 定义一个 Reformer 问答模型的类,使用虚拟对象元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,检查是否需要 Torch 后端支持
requires_backends(self, ["torch"])
# 使用元类创建类 ReformerForSequenceClassification
class ReformerForSequenceClassification(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 ReformerLayer
class ReformerLayer(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 ReformerModel
class ReformerModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 ReformerModelWithLMHead
class ReformerModelWithLMHead(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 ReformerPreTrainedModel
class ReformerPreTrainedModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 设置 REGNET_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
REGNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用元类创建类 RegNetForImageClassification
class RegNetForImageClassification(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RegNetModel
class RegNetModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RegNetPreTrainedModel
class RegNetPreTrainedModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 设置 REMBERT_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
REMBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 使用元类创建类 RemBertForCausalLM
class RemBertForCausalLM(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertForMaskedLM
class RemBertForMaskedLM(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertForMultipleChoice
class RemBertForMultipleChoice(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertForQuestionAnswering
class RemBertForQuestionAnswering(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertForSequenceClassification
class RemBertForSequenceClassification(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertForTokenClassification
class RemBertForTokenClassification(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertLayer
class RemBertLayer(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertModel
class RemBertModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 使用元类创建类 RemBertPreTrainedModel
class RemBertPreTrainedModel(metaclass=DummyObject):
# 设置支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 确保当前对象需要使用 torch 后端
requires_backends(self, ["torch"])
# 定义函数 load_tf_weights_in_rembert,接受任意位置参数和关键字参数
def load_tf_weights_in_rembert(*args, **kwargs):
# 调用函数 requires_backends,并指定函数 load_tf_weights_in_rembert 和 ["torch"] 作为参数
requires_backends(load_tf_weights_in_rembert, ["torch"])
# 定义一个全局变量,用于存储 ResNet 预训练模型的存档列表,初始值为 None
RESNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 ResNetBackbone
class ResNetBackbone(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 ResNetForImageClassification
class ResNetForImageClassification(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 ResNetModel
class ResNetModel(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 ResNetPreTrainedModel
class ResNetPreTrainedModel(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 Roberta 预训练模型的存档列表,初始值为 None
ROBERTA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 RobertaForCausalLM
class RobertaForCausalLM(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaForMaskedLM
class RobertaForMaskedLM(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaForMultipleChoice
class RobertaForMultipleChoice(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaForQuestionAnswering
class RobertaForQuestionAnswering(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaForSequenceClassification
class RobertaForSequenceClassification(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 定义一个元类为 DummyObject 的类 RobertaForTokenClassification
class RobertaForTokenClassification(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaModel
class RobertaModel(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaPreTrainedModel
class RobertaPreTrainedModel(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储带有预层归一化的 Roberta 模型的存档列表,初始值为 None
ROBERTA_PRELAYERNORM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个元类为 DummyObject 的类 RobertaPreLayerNormForCausalLM
class RobertaPreLayerNormForCausalLM(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaPreLayerNormForMaskedLM
class RobertaPreLayerNormForMaskedLM(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaPreLayerNormForMultipleChoice
class RobertaPreLayerNormForMultipleChoice(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaPreLayerNormForQuestionAnswering
class RobertaPreLayerNormForQuestionAnswering(metaclass=DummyObject):
# 定义类属性 _backends,表示支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,用于初始化对象,接受任意参数
def __init__(self, *args, **kwargs):
# 要求当前对象依赖 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个元类为 DummyObject 的类 RobertaPreLayerNormForSequenceClassification
class RobertaPreLayer
# 定义类的初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,验证当前环境是否满足使用 torch 库的要求
requires_backends(self, ["torch"])
class RobertaPreLayerNormForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 Roberta 模型的预层规范化标记分类器,要求依赖于 torch 库
class RobertaPreLayerNormModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 Roberta 模型的预层规范化模型,要求依赖于 torch 库
class RobertaPreLayerNormPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 Roberta 模型的预层规范化预训练模型,要求依赖于 torch 库
ROC_BERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# ROC_BERT 预训练模型归档列表为空
class RoCBertForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 因果语言建模任务,要求依赖于 torch 库
class RoCBertForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 掩码语言建模任务,要求依赖于 torch 库
class RoCBertForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 多项选择任务,要求依赖于 torch 库
class RoCBertForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 预训练任务,要求依赖于 torch 库
class RoCBertForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 问答任务,要求依赖于 torch 库
class RoCBertForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 序列分类任务,要求依赖于 torch 库
class RoCBertForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoCBert 标记分类任务,要求依赖于 torch 库
class RoCBertLayer(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,RoCBert 模型的一层,要求依赖于 torch 库
class RoCBertModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,RoCBert 模型,要求依赖于 torch 库
class RoCBertPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,RoCBert 预训练模型,要求依赖于 torch 库
def load_tf_weights_in_roc_bert(*args, **kwargs):
requires_backends(load_tf_weights_in_roc_bert, ["torch"])
# 加载 RoC-BERT 模型的 TensorFlow 权重转换为 PyTorch 格式,要求依赖于 torch 库
ROFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# RoFormer 预训练模型归档列表为空
class RoFormerForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoFormer 因果语言建模任务,要求依赖于 torch 库
class RoFormerForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoFormer 掩码语言建模任务,要求依赖于 torch 库
class RoFormerForMultipleChoice(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 初始化函数,用于 RoFormer 多项选择任务,要求依赖于 torch 库
class RoFormerForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
# 未提供初始化函数,暗示使用默认实现
# 定义初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数检查是否存在所需的后端库 "torch",并确保初始化时可用
requires_backends(self, ["torch"])
class RoFormerForSequenceClassification(metaclass=DummyObject):
# RoFormer 序列分类模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RoFormerForTokenClassification(metaclass=DummyObject):
# RoFormer 标记分类模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RoFormerLayer(metaclass=DummyObject):
# RoFormer 层定义,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RoFormerModel(metaclass=DummyObject):
# RoFormer 模型定义,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RoFormerPreTrainedModel(metaclass=DummyObject):
# RoFormer 预训练模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
def load_tf_weights_in_roformer(*args, **kwargs):
# 加载 TensorFlow 权重到 RoFormer 模型中,需要使用 torch 后端
requires_backends(load_tf_weights_in_roformer, ["torch"])
RWKV_PRETRAINED_MODEL_ARCHIVE_LIST = None
class RwkvForCausalLM(metaclass=DummyObject):
# Rwkv 因果语言模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RwkvModel(metaclass=DummyObject):
# Rwkv 模型定义,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class RwkvPreTrainedModel(metaclass=DummyObject):
# Rwkv 预训练模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
SAM_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SamModel(metaclass=DummyObject):
# Sam 模型定义,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SamPreTrainedModel(metaclass=DummyObject):
# Sam 预训练模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
SEAMLESS_M4T_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SeamlessM4TCodeHifiGan(metaclass=DummyObject):
# Seamless M4T 代码 HiFi-GAN 模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4TForSpeechToSpeech(metaclass=DummyObject):
# Seamless M4T 语音到语音模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4TForSpeechToText(metaclass=DummyObject):
# Seamless M4T 语音到文本模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4TForTextToSpeech(metaclass=DummyObject):
# Seamless M4T 文本到语音模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4TForTextToText(metaclass=DummyObject):
# Seamless M4T 文本到文本模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4THifiGan(metaclass=DummyObject):
# Seamless M4T HiFi-GAN 模型,使用 torch 后端
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化函数,确保使用了 torch 后端
requires_backends(self, ["torch"])
class SeamlessM4TModel(metaclass=DummyObject):
# Seamless M4T 通用模型定义,使用 torch 后端
_backends = ["torch"]
# 定义一个初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境中包含 "torch" 后端
requires_backends(self, ["torch"])
class SeamlessM4TPreTrainedModel(metaclass=DummyObject):
# 定义 SeamlessM4TPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4TTextToUnitForConditionalGeneration(metaclass=DummyObject):
# 定义 SeamlessM4TTextToUnitForConditionalGeneration 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4TTextToUnitModel(metaclass=DummyObject):
# 定义 SeamlessM4TTextToUnitModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
SEAMLESS_M4T_V2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 SEAMLESS_M4T_V2_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class SeamlessM4Tv2ForSpeechToSpeech(metaclass=DummyObject):
# 定义 SeamlessM4Tv2ForSpeechToSpeech 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4Tv2ForSpeechToText(metaclass=DummyObject):
# 定义 SeamlessM4Tv2ForSpeechToText 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4Tv2ForTextToSpeech(metaclass=DummyObject):
# 定义 SeamlessM4Tv2ForTextToSpeech 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4Tv2ForTextToText(metaclass=DummyObject):
# 定义 SeamlessM4Tv2ForTextToText 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4Tv2Model(metaclass=DummyObject):
# 定义 SeamlessM4Tv2Model 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SeamlessM4Tv2PreTrainedModel(metaclass=DummyObject):
# 定义 SeamlessM4Tv2PreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
SEGFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 SEGFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class SegformerDecodeHead(metaclass=DummyObject):
# 定义 SegformerDecodeHead 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SegformerForImageClassification(metaclass=DummyObject):
# 定义 SegformerForImageClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SegformerForSemanticSegmentation(metaclass=DummyObject):
# 定义 SegformerForSemanticSegmentation 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SegformerLayer(metaclass=DummyObject):
# 定义 SegformerLayer 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SegformerModel(metaclass=DummyObject):
# 定义 SegformerModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后端
class SegformerPreTrainedModel(metaclass=DummyObject):
# 定义 SegformerPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 构造函数初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 实例依赖于 "torch" 后
# 定义类的初始化方法,用于对象的初始化操作
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,检查当前环境是否具备 "torch" 模块的支持
requires_backends(self, ["torch"])
class SegGptPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
SEW_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SEWForCTC(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
SEW_D_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SEWDForCTC(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWDForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWDModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SEWDPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
SIGLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SiglipForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SiglipModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SiglipPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SiglipTextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SiglipVisionModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class SpeechEncoderDecoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
SPEECH_TO_TEXT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class Speech2TextForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class Speech2TextModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求确保依赖的后端为 Torch
requires_backends(self, ["torch"])
class Speech2TextPreTrainedModel(metaclass=DummyObject):
# 定义语音到文本预训练模型的基类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class Speech2Text2ForCausalLM(metaclass=DummyObject):
# 定义用于因果语言模型的语音到文本模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class Speech2Text2PreTrainedModel(metaclass=DummyObject):
# 定义第二代语音到文本预训练模型的基类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
SPEECHT5_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义语音 T5 预训练模型的存档列表变量,暂未指定值
class SpeechT5ForSpeechToSpeech(metaclass=DummyObject):
# 定义语音到语音任务的 T5 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SpeechT5ForSpeechToText(metaclass=DummyObject):
# 定义语音到文本任务的 T5 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SpeechT5ForTextToSpeech(metaclass=DummyObject):
# 定义文本到语音任务的 T5 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SpeechT5HifiGan(metaclass=DummyObject):
# 定义用于语音生成的 T5 HiFi-GAN 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SpeechT5Model(metaclass=DummyObject):
# 定义通用的 T5 语音模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SpeechT5PreTrainedModel(metaclass=DummyObject):
# 定义 T5 预训练语音模型的基类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
SPLINTER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 Splinter 模型的存档列表变量,暂未指定值
class SplinterForPreTraining(metaclass=DummyObject):
# 定义用于预训练的 Splinter 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SplinterForQuestionAnswering(metaclass=DummyObject):
# 定义用于问答任务的 Splinter 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SplinterLayer(metaclass=DummyObject):
# 定义 Splinter 模型的层类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SplinterModel(metaclass=DummyObject):
# 定义通用的 Splinter 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SplinterPreTrainedModel(metaclass=DummyObject):
# 定义 Splinter 预训练模型的基类,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
SQUEEZEBERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 SqueezeBert 模型的存档列表变量,暂未指定值
class SqueezeBertForMaskedLM(metaclass=DummyObject):
# 定义用于遮蔽语言建模任务的 SqueezeBert 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SqueezeBertForMultipleChoice(metaclass=DummyObject):
# 定义用于多项选择任务的 SqueezeBert 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SqueezeBertForQuestionAnswering(metaclass=DummyObject):
# 定义用于问答任务的 SqueezeBert 模型,使用 DummyObject 作为元类
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,确保该类依赖于 torch 后端
requires_backends(self, ["torch"])
class SqueezeBertForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SqueezeBertForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SqueezeBertModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SqueezeBertModule(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SqueezeBertPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class StableLmForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class StableLmForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class StableLmModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class StableLmPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class Starcoder2ForCausalLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class Starcoder2ForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class Starcoder2Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class Starcoder2PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
SUPERPOINT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SuperPointForKeypointDetection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SuperPointPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
SWIFTFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class SwiftFormerForImageClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SwiftFormerModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 确保当前类依赖的后端是 torch
requires_backends(self, ["torch"])
class SwiftFormerPreTrainedModel(metaclass=DummyObject):
# 定义 SwiftFormerPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
SWIN_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 SWIN_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class SwinBackbone(metaclass=DummyObject):
# 定义 SwinBackbone 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class SwinForImageClassification(metaclass=DummyObject):
# 定义 SwinForImageClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class SwinForMaskedImageModeling(metaclass=DummyObject):
# 定义 SwinForMaskedImageModeling 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class SwinModel(metaclass=DummyObject):
# 定义 SwinModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class SwinPreTrainedModel(metaclass=DummyObject):
# 定义 SwinPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
SWIN2SR_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 SWIN2SR_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class Swin2SRForImageSuperResolution(metaclass=DummyObject):
# 定义 Swin2SRForImageSuperResolution 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swin2SRModel(metaclass=DummyObject):
# 定义 Swin2SRModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swin2SRPreTrainedModel(metaclass=DummyObject):
# 定义 Swin2SRPreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
SWINV2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 SWINV2_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class Swinv2Backbone(metaclass=DummyObject):
# 定义 Swinv2Backbone 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swinv2ForImageClassification(metaclass=DummyObject):
# 定义 Swinv2ForImageClassification 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swinv2ForMaskedImageModeling(metaclass=DummyObject):
# 定义 Swinv2ForMaskedImageModeling 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swinv2Model(metaclass=DummyObject):
# 定义 Swinv2Model 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
class Swinv2PreTrainedModel(metaclass=DummyObject):
# 定义 Swinv2PreTrainedModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保当前对象依赖于 "torch" 后端
SWITCH_TRANSFORMERS_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 SWITCH_TRANSFORMERS_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class SwitchTransformersEncoderModel(metaclass=DummyObject):
# 定义 SwitchTransformersEncoderModel 类,使用 DummyObject 元类
_backends = ["torch"]
# 类属性 _backends 设置为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确
# 定义初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 要求在当前作用域中引入 torch 库,确保其可用性
requires_backends(self, ["torch"])
# 定义一个虚拟的元类 DummyObject,用于创建指定类的对象
class SwitchTransformersPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端为 torch
_backends = ["torch"]
# 初始化函数,接受任意位置和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数确保当前对象需要 torch 后端
requires_backends(self, ["torch"])
class SwitchTransformersSparseMLP(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class SwitchTransformersTop1Router(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# T5_PRETRAINED_MODEL_ARCHIVE_LIST 为 None,未定义任何预训练模型存档列表
T5_PRETRAINED_MODEL_ARCHIVE_LIST = None
class T5EncoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5ForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5ForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5ForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5ForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class T5PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义函数 load_tf_weights_in_t5,用于加载 TensorFlow 权重到 T5 模型
def load_tf_weights_in_t5(*args, **kwargs):
# 调用函数确保 load_tf_weights_in_t5 需要 torch 后端
requires_backends(load_tf_weights_in_t5, ["torch"])
# TABLE_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 为 None,未定义任何预训练模型存档列表
TABLE_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
class TableTransformerForObjectDetection(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TableTransformerModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TableTransformerPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# TAPAS_PRETRAINED_MODEL_ARCHIVE_LIST 为 None,未定义任何预训练模型存档列表
TAPAS_PRETRAINED_MODEL_ARCHIVE_LIST = None
class TapasForMaskedLM(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TapasForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TapasForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
class TapasModel(metaclass=DummyObject):
_backends = ["torch"]
# 初始化函数,用于创建类的实例时调用
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境中安装了 "torch" 库
requires_backends(self, ["torch"])
class TapasPreTrainedModel(metaclass=DummyObject):
# 定义 TapasPreTrainedModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TapasPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
def load_tf_weights_in_tapas(*args, **kwargs):
# 定义 load_tf_weights_in_tapas 函数
requires_backends(load_tf_weights_in_tapas, ["torch"])
# 调用 requires_backends 函数,确保 load_tf_weights_in_tapas 函数依赖于 "torch" 后端
TIME_SERIES_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 TIME_SERIES_TRANSFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class TimeSeriesTransformerForPrediction(metaclass=DummyObject):
# 定义 TimeSeriesTransformerForPrediction 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimeSeriesTransformerForPrediction 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TimeSeriesTransformerModel(metaclass=DummyObject):
# 定义 TimeSeriesTransformerModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimeSeriesTransformerModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TimeSeriesTransformerPreTrainedModel(metaclass=DummyObject):
# 定义 TimeSeriesTransformerPreTrainedModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimeSeriesTransformerPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
TIMESFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 TIMESFORMER_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class TimesformerForVideoClassification(metaclass=DummyObject):
# 定义 TimesformerForVideoClassification 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimesformerForVideoClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TimesformerModel(metaclass=DummyObject):
# 定义 TimesformerModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimesformerModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TimesformerPreTrainedModel(metaclass=DummyObject):
# 定义 TimesformerPreTrainedModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimesformerPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TimmBackbone(metaclass=DummyObject):
# 定义 TimmBackbone 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TimmBackbone 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
TROCR_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 TROCR_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class TrOCRForCausalLM(metaclass=DummyObject):
# 定义 TrOCRForCausalLM 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TrOCRForCausalLM 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TrOCRPreTrainedModel(metaclass=DummyObject):
# 定义 TrOCRPreTrainedModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TrOCRPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
TVLT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 TVLT_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class TvltForAudioVisualClassification(metaclass=DummyObject):
# 定义 TvltForAudioVisualClassification 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TvltForAudioVisualClassification 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TvltForPreTraining(metaclass=DummyObject):
# 定义 TvltForPreTraining 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TvltForPreTraining 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TvltModel(metaclass=DummyObject):
# 定义 TvltModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TvltModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class TvltPreTrainedModel(metaclass=DummyObject):
# 定义 TvltPreTrainedModel 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TvltPreTrainedModel 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
TVP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置 TVP_PRETRAINED_MODEL_ARCHIVE_LIST 变量为 None
class TvpForVideoGrounding(metaclass=DummyObject):
# 定义 TvpForVideoGrounding 类,其元类为 DummyObject
_backends = ["torch"]
# 设置 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# TvpForVideoGrounding 类的初始化方法
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
# 初始化函数,用于创建类实例时调用
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查类实例是否具备必需的后端库 "torch"
requires_backends(self, ["torch"])
class TvpPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
UDOP_PRETRAINED_MODEL_ARCHIVE_LIST = None
class UdopEncoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UdopForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UdopModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UdopPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5EncoderModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5ForConditionalGeneration(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5ForQuestionAnswering(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5ForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5ForTokenClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5Model(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UMT5PreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
UNISPEECH_PRETRAINED_MODEL_ARCHIVE_LIST = None
class UniSpeechForCTC(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UniSpeechForPreTraining(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UniSpeechForSequenceClassification(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UniSpeechModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
class UniSpeechPreTrainedModel(metaclass=DummyObject):
_backends = ["torch"]
def __init__(self, *args, **kwargs):
# 要求使用的后端是 torch
requires_backends(self, ["torch"])
UNISPEECH_SAT_PRETRAINED_MODEL_ARCHIVE_LIST = None
class UniSpeechSatForAudioFrameClassification(metaclass=DummyObject):
# 定义 UniSpeechSatForAudioFrameClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatForCTC(metaclass=DummyObject):
# 定义 UniSpeechSatForCTC 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatForPreTraining(metaclass=DummyObject):
# 定义 UniSpeechSatForPreTraining 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatForSequenceClassification(metaclass=DummyObject):
# 定义 UniSpeechSatForSequenceClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatForXVector(metaclass=DummyObject):
# 定义 UniSpeechSatForXVector 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatModel(metaclass=DummyObject):
# 定义 UniSpeechSatModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
class UniSpeechSatPreTrainedModel(metaclass=DummyObject):
# 定义 UniSpeechSatPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端库
UNIVNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 UNIVNET_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class UnivNetModel(metaclass=DummyObject):
# 定义 UnivNetModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class UperNetForSemanticSegmentation(metaclass=DummyObject):
# 定义 UperNetForSemanticSegmentation 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class UperNetPreTrainedModel(metaclass=DummyObject):
# 定义 UperNetPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
VIDEOMAE_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 VIDEOMAE_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class VideoMAEForPreTraining(metaclass=DummyObject):
# 定义 VideoMAEForPreTraining 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class VideoMAEForVideoClassification(metaclass=DummyObject):
# 定义 VideoMAEForVideoClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class VideoMAEModel(metaclass=DummyObject):
# 定义 VideoMAEModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class VideoMAEPreTrainedModel(metaclass=DummyObject):
# 定义 VideoMAEPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
VILT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 设置全局变量 VILT_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class ViltForImageAndTextRetrieval(metaclass=DummyObject):
# 定义 ViltForImageAndTextRetrieval 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _backends,指定为 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class ViltForImagesAndTextClassification(metaclass=DummyObject):
# 定义 ViltForImagesAndTextClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 设置类变量 _back
# 初始化函数,用于实例化对象时进行初始化操作
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前环境支持 torch 库
requires_backends(self, ["torch"])
class ViltForQuestionAnswering(metaclass=DummyObject):
# 使用 DummyObject 元类创建 ViltForQuestionAnswering 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class ViltForTokenClassification(metaclass=DummyObject):
# 使用 DummyObject 元类创建 ViltForTokenClassification 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class ViltLayer(metaclass=DummyObject):
# 使用 DummyObject 元类创建 ViltLayer 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class ViltModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 ViltModel 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class ViltPreTrainedModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 ViltPreTrainedModel 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
VIPLLAVA_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 VIPLLAVA_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class VipLlavaForConditionalGeneration(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VipLlavaForConditionalGeneration 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VipLlavaPreTrainedModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VipLlavaPreTrainedModel 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisionEncoderDecoderModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisionEncoderDecoderModel 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisionTextDualEncoderModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisionTextDualEncoderModel 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
VISUAL_BERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义 VISUAL_BERT_PRETRAINED_MODEL_ARCHIVE_LIST 为 None
class VisualBertForMultipleChoice(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertForMultipleChoice 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertForPreTraining(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertForPreTraining 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertForQuestionAnswering(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertForQuestionAnswering 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertForRegionToPhraseAlignment(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertForRegionToPhraseAlignment 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertForVisualReasoning(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertForVisualReasoning 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertLayer(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertLayer 类
_backends = ["torch"]
# 定义 _backends 属性为包含字符串 "torch" 的列表
def __init__(self, *args, **kwargs):
# 构造函数,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VisualBertModel(metaclass=DummyObject):
# 使用 DummyObject 元类创建 VisualBertModel 类
_backends = ["torch"]
# 定义
class ViTForImageClassification(metaclass=DummyObject):
# 定义一个类 ViTForImageClassification,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTForMaskedImageModeling(metaclass=DummyObject):
# 定义一个类 ViTForMaskedImageModeling,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTModel(metaclass=DummyObject):
# 定义一个类 ViTModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTPreTrainedModel(metaclass=DummyObject):
# 定义一个类 ViTPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
VIT_HYBRID_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 VIT_HYBRID_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class ViTHybridForImageClassification(metaclass=DummyObject):
# 定义一个类 ViTHybridForImageClassification,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTHybridModel(metaclass=DummyObject):
# 定义一个类 ViTHybridModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTHybridPreTrainedModel(metaclass=DummyObject):
# 定义一个类 ViTHybridPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
VIT_MAE_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 VIT_MAE_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class ViTMAEForPreTraining(metaclass=DummyObject):
# 定义一个类 ViTMAEForPreTraining,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTMAELayer(metaclass=DummyObject):
# 定义一个类 ViTMAELayer,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTMAEModel(metaclass=DummyObject):
# 定义一个类 ViTMAEModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTMAEPreTrainedModel(metaclass=DummyObject):
# 定义一个类 ViTMAEPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
VIT_MSN_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 VIT_MSN_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class ViTMSNForImageClassification(metaclass=DummyObject):
# 定义一个类 ViTMSNForImageClassification,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTMSNModel(metaclass=DummyObject):
# 定义一个类 ViTMSNModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
class ViTMSNPreTrainedModel(metaclass=DummyObject):
# 定义一个类 ViTMSNPreTrainedModel,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch" 后端
VITDET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义全局变量 VITDET_PRETRAINED_MODEL_ARCHIVE_LIST,赋值为 None
class VitDetBackbone(metaclass=DummyObject):
# 定义一个类 VitDetBackbone,使用 DummyObject 作为元类
_backends = ["torch"]
# 类变量 _backends 设置为列表 ["torch"]
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖 "torch"
class VitMatteForImageMatting(metaclass=DummyObject):
# 定义 VitMatteForImageMatting 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VitMattePreTrainedModel(metaclass=DummyObject):
# 定义 VitMattePreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
VITS_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 全局变量 VITS_PRETRAINED_MODEL_ARCHIVE_LIST 被设为 None
class VitsModel(metaclass=DummyObject):
# 定义 VitsModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VitsPreTrainedModel(metaclass=DummyObject):
# 定义 VitsPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
VIVIT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 全局变量 VIVIT_PRETRAINED_MODEL_ARCHIVE_LIST 被设为 None
class VivitForVideoClassification(metaclass=DummyObject):
# 定义 VivitForVideoClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VivitModel(metaclass=DummyObject):
# 定义 VivitModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class VivitPreTrainedModel(metaclass=DummyObject):
# 定义 VivitPreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
WAV_2_VEC_2_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 全局变量 WAV_2_VEC_2_PRETRAINED_MODEL_ARCHIVE_LIST 被设为 None
class Wav2Vec2ForAudioFrameClassification(metaclass=DummyObject):
# 定义 Wav2Vec2ForAudioFrameClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
def __init__(self, *args, **kwargs):
# 初始化方法,接受任意位置参数和关键字参数
requires_backends(self, ["torch"])
# 调用 requires_backends 函数,确保 self 对象依赖于 "torch" 后端
class Wav2Vec2ForCTC(metaclass=DummyObject):
# 定义 Wav2Vec2ForCTC 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2ForMaskedLM(metaclass=DummyObject):
# 定义 Wav2Vec2ForMaskedLM 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2ForPreTraining(metaclass=DummyObject):
# 定义 Wav2Vec2ForPreTraining 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2ForSequenceClassification(metaclass=DummyObject):
# 定义 Wav2Vec2ForSequenceClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2ForXVector(metaclass=DummyObject):
# 定义 Wav2Vec2ForXVector 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2Model(metaclass=DummyObject):
# 定义 Wav2Vec2Model 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
class Wav2Vec2PreTrainedModel(metaclass=DummyObject):
# 定义 Wav2Vec2PreTrainedModel 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
WAV2VEC2_BERT_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 全局变量 WAV2VEC2_BERT_PRETRAINED_MODEL_ARCHIVE_LIST 被设为 None
class Wav2Vec2BertForAudioFrameClassification(metaclass=DummyObject):
# 定义 Wav2Vec2BertForAudioFrameClassification 类,使用 DummyObject 作为元类
_backends = ["torch"]
# 类属性 _backends,指定了后端为 "torch"
# 定义类的初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,确保类中已导入 "torch" 库
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 模型与 BERT 模型结合,支持序列分类任务
class Wav2Vec2BertForSequenceClassification(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 模型与 XVector 结合
class Wav2Vec2BertForXVector(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示单独的 Wav2Vec2Bert 模型
class Wav2Vec2BertModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示预训练的 Wav2Vec2Bert 模型
class Wav2Vec2BertPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个空值,用于存储 Wav2Vec2 Conformer 模型的预训练模型存档列表
WAV2VEC2_CONFORMER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类,用于将 Wav2Vec2 Conformer 模型与音频帧分类结合
class Wav2Vec2ConformerForAudioFrameClassification(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 Conformer 模型与 CTC(连续文本字符)结合
class Wav2Vec2ConformerForCTC(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 Conformer 模型进行预训练
class Wav2Vec2ConformerForPreTraining(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 Conformer 模型与序列分类结合
class Wav2Vec2ConformerForSequenceClassification(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 Wav2Vec2 Conformer 模型与 XVector 结合
class Wav2Vec2ConformerForXVector(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示单独的 Wav2Vec2 Conformer 模型
class Wav2Vec2ConformerModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示预训练的 Wav2Vec2 Conformer 模型
class Wav2Vec2ConformerPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个空值,用于存储 WavLM 模型的预训练模型存档列表
WAVLM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个类,用于将 WavLM 模型与音频帧分类结合
class WavLMForAudioFrameClassification(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 WavLM 模型与 CTC(连续文本字符)结合
class WavLMForCTC(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 WavLM 模型与序列分类结合
class WavLMForSequenceClassification(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,用于将 WavLM 模型与 XVector 结合
class WavLMForXVector(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示单独的 WavLM 模型
class WavLMModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个类,表示预训练的 WavLM 模型
class WavLMPreTrainedModel(metaclass=DummyObject):
# 指定支持的后端为 Torch
_backends = ["torch"]
# 初始化方法
def __init__(self, *args, **kwargs):
# 要求当前对象依赖于 Torch 后端
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 WhisPer 预训练模型的存档列表,初始值为 None
WHISPER_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 WhisperForAudioClassification,作为音频分类任务的模型接口
class WhisperForAudioClassification(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 WhisperForCausalLM,作为因果语言模型任务的模型接口
class WhisperForCausalLM(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 WhisperForConditionalGeneration,作为条件生成任务的模型接口
class WhisperForConditionalGeneration(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 WhisperModel,作为通用的 WhisPer 模型接口
class WhisperModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 WhisperPreTrainedModel,作为预训练的 WhisPer 模型接口
class WhisperPreTrainedModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 XCLIP 预训练模型的存档列表,初始值为 None
XCLIP_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 XCLIPModel,作为 XCLIP 模型的接口
class XCLIPModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XCLIPPreTrainedModel,作为预训练的 XCLIP 模型接口
class XCLIPPreTrainedModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XCLIPTextModel,作为 XCLIP 文本模型的接口
class XCLIPTextModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XCLIPVisionModel,作为 XCLIP 视觉模型的接口
class XCLIPVisionModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 XGLM 预训练模型的存档列表,初始值为 None
XGLM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 XGLMForCausalLM,作为因果语言模型任务的 XGLM 模型接口
class XGLMForCausalLM(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XGLMModel,作为通用的 XGLM 模型接口
class XGLMModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XGLMPreTrainedModel,作为预训练的 XGLM 模型接口
class XGLMPreTrainedModel(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个全局变量,用于存储 XLM 预训练模型的存档列表,初始值为 None
XLM_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 XLMForMultipleChoice,作为多项选择任务的 XLM 模型接口
class XLMForMultipleChoice(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMForQuestionAnswering,作为问答任务的 XLM 模型接口
class XLMForQuestionAnswering(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMForQuestionAnsweringSimple,作为简单问答任务的 XLM 模型接口
class XLMForQuestionAnsweringSimple(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMForSequenceClassification,作为序列分类任务的 XLM 模型接口
class XLMForSequenceClassification(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否需要 Torch 后端支持
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMForTokenClassification,作为标记分类任务的 XLM 模型接口
class XLMForTokenClassification(metaclass=DummyObject):
# 指定该类支持的后端框架为 Torch
_backends = ["torch"]
# 初始化方法,检查是否
# 定义 XLMModel 类,使用 DummyObject 元类
class XLMModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMPreTrainedModel 类,使用 DummyObject 元类
class XLMPreTrainedModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMWithLMHeadModel 类,使用 DummyObject 元类
class XLMWithLMHeadModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# XLM_PROPHETNET_PRETRAINED_MODEL_ARCHIVE_LIST 变量设置为 None
# 定义 XLMProphetNetDecoder 类,使用 DummyObject 元类
class XLMProphetNetDecoder(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMProphetNetEncoder 类,使用 DummyObject 元类
class XLMProphetNetEncoder(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMProphetNetForCausalLM 类,使用 DummyObject 元类
class XLMProphetNetForCausalLM(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMProphetNetForConditionalGeneration 类,使用 DummyObject 元类
class XLMProphetNetForConditionalGeneration(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMProphetNetModel 类,使用 DummyObject 元类
class XLMProphetNetModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMProphetNetPreTrainedModel 类,使用 DummyObject 元类
class XLMProphetNetPreTrainedModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# XLM_ROBERTA_PRETRAINED_MODEL_ARCHIVE_LIST 变量设置为 None
# 定义 XLMRobertaForCausalLM 类,使用 DummyObject 元类
class XLMRobertaForCausalLM(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaForMaskedLM 类,使用 DummyObject 元类
class XLMRobertaForMaskedLM(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaForMultipleChoice 类,使用 DummyObject 元类
class XLMRobertaForMultipleChoice(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaForQuestionAnswering 类,使用 DummyObject 元类
class XLMRobertaForQuestionAnswering(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaForSequenceClassification 类,使用 DummyObject 元类
class XLMRobertaForSequenceClassification(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaForTokenClassification 类,使用 DummyObject 元类
class XLMRobertaForTokenClassification(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaModel 类,使用 DummyObject 元类
class XLMRobertaModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保对象依赖的后端为 "torch"
requires_backends(self, ["torch"])
# 定义 XLMRobertaPreTrainedModel 类,使用 DummyObject 元类
class XLMRobertaPreTrainedModel(metaclass=DummyObject):
# 类属性,指定后端为 "torch"
_backends = ["torch"]
#
# 用于存储 XLM-Roberta XL 预训练模型的存档列表,初始值为空
XLM_ROBERTA_XL_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 XLMRobertaXLForCausalLM,其元类为 DummyObject
class XLMRobertaXLForCausalLM(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLForMaskedLM,其元类为 DummyObject
class XLMRobertaXLForMaskedLM(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLForMultipleChoice,其元类为 DummyObject
class XLMRobertaXLForMultipleChoice(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLForQuestionAnswering,其元类为 DummyObject
class XLMRobertaXLForQuestionAnswering(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLForSequenceClassification,其元类为 DummyObject
class XLMRobertaXLForSequenceClassification(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLForTokenClassification,其元类为 DummyObject
class XLMRobertaXLForTokenClassification(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLModel,其元类为 DummyObject
class XLMRobertaXLModel(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLMRobertaXLPreTrainedModel,其元类为 DummyObject
class XLMRobertaXLPreTrainedModel(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 用于存储 XLNet 预训练模型的存档列表,初始值为空
XLNET_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个虚拟类 XLNetForMultipleChoice,其元类为 DummyObject
class XLNetForMultipleChoice(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetForQuestionAnswering,其元类为 DummyObject
class XLNetForQuestionAnswering(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetForQuestionAnsweringSimple,其元类为 DummyObject
class XLNetForQuestionAnsweringSimple(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetForSequenceClassification,其元类为 DummyObject
class XLNetForSequenceClassification(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetForTokenClassification,其元类为 DummyObject
class XLNetForTokenClassification(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetLMHeadModel,其元类为 DummyObject
class XLNetLMHeadModel(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetModel,其元类为 DummyObject
class XLNetModel(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义一个虚拟类 XLNetPreTrainedModel,其元类为 DummyObject
class XLNetPreTrainedModel(metaclass=DummyObject):
# 定义支持的后端为 torch
_backends = ["torch"]
# 初始化方法,要求当前对象依赖于 torch 后端
def __init__(self, *args, **kwargs):
requires_backends(self, ["torch"])
# 定义函数 load_tf_weights_in_xlnet,其作用是要求该函数依赖于 torch 后端
def load_tf_weights_in_xlnet(*args, **kwargs):
requires_backends(load_tf_weights_in_xlnet, ["torch"])
# 用于存储 XMOD 预训练模型的存档列表,初始值为空
XMOD_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 XmodForCausalLM 的类,使用 DummyObject 元类
class XmodForCausalLM(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodForMaskedLM 的类,使用 DummyObject 元类
class XmodForMaskedLM(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodForMultipleChoice 的类,使用 DummyObject 元类
class XmodForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodForQuestionAnswering 的类,使用 DummyObject 元类
class XmodForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodForSequenceClassification 的类,使用 DummyObject 元类
class XmodForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodForTokenClassification 的类,使用 DummyObject 元类
class XmodForTokenClassification(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodModel 的类,使用 DummyObject 元类
class XmodModel(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 XmodPreTrainedModel 的类,使用 DummyObject 元类
class XmodPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 全局变量 YOLOS_PRETRAINED_MODEL_ARCHIVE_LIST,初始化为 None
YOLOS_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 YolosForObjectDetection 的类,使用 DummyObject 元类
class YolosForObjectDetection(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YolosModel 的类,使用 DummyObject 元类
class YolosModel(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YolosPreTrainedModel 的类,使用 DummyObject 元类
class YolosPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 全局变量 YOSO_PRETRAINED_MODEL_ARCHIVE_LIST,初始化为 None
YOSO_PRETRAINED_MODEL_ARCHIVE_LIST = None
# 定义一个名为 YosoForMaskedLM 的类,使用 DummyObject 元类
class YosoForMaskedLM(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YosoForMultipleChoice 的类,使用 DummyObject 元类
class YosoForMultipleChoice(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YosoForQuestionAnswering 的类,使用 DummyObject 元类
class YosoForQuestionAnswering(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YosoForSequenceClassification 的类,使用 DummyObject 元类
class YosoForSequenceClassification(metaclass=DummyObject):
# 类属性 _backends,指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个名为 YosoForTokenClassification 的类,使用 DummyObject 元类
class YosoForTokenClassification(metaclass=DummyObject):
# 定义初始化方法,接受任意数量的位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用函数 requires_backends,检查是否需要特定的后端支持,这里是检查是否需要 torch 支持
requires_backends(self, ["torch"])
# 定义一个虚拟类 YosoPreTrainedModel,其元类为 DummyObject
class YosoPreTrainedModel(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 Adafactor,其元类为 DummyObject
class Adafactor(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个虚拟类 AdamW,其元类为 DummyObject
class AdamW(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个函数 get_constant_schedule,接受任意位置参数和关键字参数
def get_constant_schedule(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_constant_schedule, ["torch"])
# 定义一个函数 get_constant_schedule_with_warmup,接受任意位置参数和关键字参数
def get_constant_schedule_with_warmup(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_constant_schedule_with_warmup, ["torch"])
# 定义一个函数 get_cosine_schedule_with_warmup,接受任意位置参数和关键字参数
def get_cosine_schedule_with_warmup(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_cosine_schedule_with_warmup, ["torch"])
# 定义一个函数 get_cosine_with_hard_restarts_schedule_with_warmup,接受任意位置参数和关键字参数
def get_cosine_with_hard_restarts_schedule_with_warmup(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_cosine_with_hard_restarts_schedule_with_warmup, ["torch"])
# 定义一个函数 get_inverse_sqrt_schedule,接受任意位置参数和关键字参数
def get_inverse_sqrt_schedule(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_inverse_sqrt_schedule, ["torch"])
# 定义一个函数 get_linear_schedule_with_warmup,接受任意位置参数和关键字参数
def get_linear_schedule_with_warmup(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_linear_schedule_with_warmup, ["torch"])
# 定义一个函数 get_polynomial_decay_schedule_with_warmup,接受任意位置参数和关键字参数
def get_polynomial_decay_schedule_with_warmup(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_polynomial_decay_schedule_with_warmup, ["torch"])
# 定义一个函数 get_scheduler,接受任意位置参数和关键字参数
def get_scheduler(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(get_scheduler, ["torch"])
# 定义一个虚拟类 Conv1D,其元类为 DummyObject
class Conv1D(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个函数 apply_chunking_to_forward,接受任意位置参数和关键字参数
def apply_chunking_to_forward(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(apply_chunking_to_forward, ["torch"])
# 定义一个函数 prune_layer,接受任意位置参数和关键字参数
def prune_layer(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(prune_layer, ["torch"])
# 定义一个虚拟类 Trainer,其元类为 DummyObject
class Trainer(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])
# 定义一个函数 torch_distributed_zero_first,接受任意位置参数和关键字参数
def torch_distributed_zero_first(*args, **kwargs):
# 调用 requires_backends 函数,确保当前函数支持 "torch" 后端
requires_backends(torch_distributed_zero_first, ["torch"])
# 定义一个虚拟类 Seq2SeqTrainer,其元类为 DummyObject
class Seq2SeqTrainer(metaclass=DummyObject):
# 类属性 _backends 指定支持的后端为 "torch"
_backends = ["torch"]
# 初始化方法,接受任意位置参数和关键字参数
def __init__(self, *args, **kwargs):
# 调用 requires_backends 函数,确保当前实例支持 "torch" 后端
requires_backends(self, ["torch"])