# النماذج

[PeftModel](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel) هي فئة النموذج الأساسية لتحديد نموذج Transformer الأساسي وإعداده لتطبيق طريقة PEFT عليه. تحتوي فئة `PeftModel` الأساسية على طرق لتحميل وحفظ النماذج من Hub.

## PeftModel[[peft.PeftModel]]

#### peft.PeftModel[[peft.PeftModel]]

```python
peft.PeftModel(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', autocast_adapter_dtype: bool = True, low_cpu_mem_usage: bool = False)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L179)

**المعاملات:**

model (`torch.nn.Module`) : النموذج الأساسي الذي سيتم تكييفه، وهو عادةً نموذج من Transformers.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات نموذج Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

low_cpu_mem_usage (`bool`, `optional`, defaults to `False`) : Create empty adapter weights on meta device. Useful to speed up the loading loading process.  > [!TIP] > Don't use `low_cpu_mem_usage=True` when creating a new PEFT adapter for training.

النموذج الأساسي الذي يشمل طرق Peft المختلفة.

**الخصائص**:
- **base_model** (`torch.nn.Module`) -- نموذج التحويل الأساسي المستخدم في Peft.
- **peft_config** ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) -- إعدادات نموذج Peft.
- **modules_to_save** (`list` of `str`) -- قائمة أسماء الوحدات الفرعية التي يجب حفظها عند حفظ النموذج.
- **prompt_encoder** ([PromptEncoder](/docs/peft/v0.22.0/ar/package_reference/p_tuning#peft.PromptEncoder)) -- مُشفّر المُوجِّه المستخدم في Peft عند استخدام [PromptLearningConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PromptLearningConfig).
- **prompt_tokens** (`torch.Tensor`) -- رموز المحفّز الافتراضية المستخدمة في Peft عند استخدام [PromptLearningConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PromptLearningConfig).
- **transformer_backbone_name** (`str`) -- اسم العمود الفقري للترانسفورمر في النموذج الأساسي عند استخدام [PromptLearningConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PromptLearningConfig).
- **word_embeddings** (`torch.nn.Embedding`) -- تمثيلات الكلمات في العمود الفقري للحوّال في النموذج الأساسي عند استخدام [PromptLearningConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PromptLearningConfig).

#### add_adapter[[peft.PeftModel.add_adapter]]

```python
add_adapter(adapter_name: str, peft_config: PeftConfig, low_cpu_mem_usage: bool = False, autocast_adapter_dtype: bool = True)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1144)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات المُكيّف الذي سيُضاف.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta. مفيد لتسريع العملية عند تحميل المُكيّفات المحفوظة. لا تستخدم هذا الخيار عند إنشاء مُكيّف PEFT جديد للتدريب.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

أضِف مُكيِّفًا إلى النموذج بناءً على الإعداد المُمرَّر.

هذا المُكيّف غير مُدرَّب. لتحميل مُكيّف مُدرَّب، راجع [PeftModel.load_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.load_adapter).

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

#### create_or_update_model_card[[peft.PeftModel.create_or_update_model_card]]

```python
create_or_update_model_card(output_dir: str)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2018)

حدّث بطاقة النموذج أو أنشئها لتضمين معلومات حول peft:
1. يضيف وسم مكتبة `peft`
2. يضيف إصدار peft
3. يضيف معلومات النموذج الأساسي
4. يضيف معلومات التكميم إذا تم استخدامه

#### delete_adapter[[peft.PeftModel.delete_adapter]]

```python
delete_adapter(adapter_name: str)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1225)

**المعاملات:**

adapter_name (str) : اسم المُكيّف الذي سيتم حذفه.

يحذف مُكيّفًا موجودًا.

#### disable_adapter[[peft.PeftModel.disable_adapter]]

```python
disable_adapter()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1068)

مدير سياق يُعطّل وحدة المُكيّف. استخدم هذا لتشغيل الاستدلال على النموذج الأساسي.

مثال:

```py
>>> with model.disable_adapter():
...     model(inputs)
```

#### forward[[peft.PeftModel.forward]]

```python
forward(*args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1047)

المرور الأمامي للنموذج.

#### from_pretrained[[peft.PeftModel.from_pretrained]]

```python
from_pretrained(model: torch.nn.Module, model_id: Union[str, os.PathLike], adapter_name: str = 'default', is_trainable: bool = False, config: Optional[PeftConfig] = None, autocast_adapter_dtype: bool = True, ephemeral_gpu_offload: bool = False, low_cpu_mem_usage: bool = False, key_mapping: Optional[dict[str, str]] = None, strict_adapter_check: Literal['warn', 'error', 'ignore'] = 'warn', **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L481)

**المعاملات:**

model (`torch.nn.Module`) : النموذج الذي سيتم تكييفه. بالنسبة لنماذج 🤗 Transformers، يجب تهيئة النموذج باستخدام [from_pretrained](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel.from_pretrained).

model_id (`str` أو `os.PathLike`) : اسم إعداد PEFT الذي سيتم استخدامه. يمكن أن يكون: - نصًا، وهو `model id` لإعداد PEFT مستضاف داخل مستودع نموذج على Hugging Face Hub. - مسارًا إلى مجلد يحتوي على ملف إعداد PEFT تم حفظه باستخدام طريقة `save_pretrained` (`./my_peft_config_directory/`).

adapter_name (`str`، *اختياري*، القيمة الافتراضية `"default"`) : اسم المُكيّف (adapter) الذي سيتم تحميله. هذا مفيد عند تحميل عدة مُكيّفات.

is_trainable (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان يجب أن يكون المُكيّف قابلًا للتدريب أم لا. إذا كانت القيمة `False`، فسيتم تجميد المُكيّف ولن يمكن استخدامه إلا للاستدلال.

config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)، *اختياري*) : كائن التكوين الذي يُستخدم بدلاً من التكوين المحمّل تلقائياً. هذا الكائن متنافٍ مع `model_id` و`kwargs`. يكون هذا مفيداً عندما يكون التكوين قد حُمّل مسبقاً قبل استدعاء `from_pretrained`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

ephemeral_gpu_offload (`bool`, *اختياري*) : ما إذا كان سيتم استخدام إزاحة GPU المؤقتة للوحدات المحمّلة جزئيًا. القيمة الافتراضية هي `False`. يكون هذا مفيدًا عندما تُبقي أجزاء من النموذج و/أو المكونات (مثل المحوِّلات) في ذاكرة المعالج المركزي (CPU) حتى تصبح مطلوبة. وبدلًا من تنفيذ عمليات مكلفة على بيانات صغيرة، يتم نقل البيانات إلى وحدة معالجة الرسوميات (GPU) عند الطلب، ثم تنفيذ العملية أو العمليات، ثم نقل النتائج مرة أخرى إلى ذاكرة المعالج المركزي. يؤدي هذا إلى زيادة طفيفة ومؤقتة في استهلاك ذاكرة VRAM، لكنه يمنح تسريعًا هائلًا في بعض الحالات.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta قبل تحميل الأوزان المحفوظة. مفيد لتسريع العملية.

key_mapping (dict, *اختياري*, القيمة الافتراضية هي None) : خرائط إضافية لمفاتيح `state_dict` الخاصة بـ PEFT تُطبَّق قبل تحميل `state_dict`. عند تطبيق هذه الخرائط، يُزال البادئة الخاصة بـ PEFT `"base_model.model"` مسبقًا، ولا يُدرج اسم المُكيِّف (مثل `"default"`) بعد. لا تمرر هذا الحجة إلا إذا كنت تعرف ما تفعله.

strict_adapter_check (`Literal["warn", "error", "ignore"]`, *اختياري*، القيمة الافتراضية `"warn"`) : ما الذي يجب فعله إذا كانت نقاط التفتيش تحتوي على مفاتيح مُكيِّف مفقودة من النموذج، أو غير متوقعة بالنسبة له، بعد مراعاة المفاتيح التي يُتوقع أن تختلف لأسباب بنيوية (المعاملات المشتركة، مسار مُشفِّر المُوجِّه، إلخ). يُصدر `"warn"` تحذيرًا، ويُطلق `"error"` استثناء `RuntimeError`، بينما لا يفعل `"ignore"` شيئًا. هذا ليس الفحص نفسه الذي يقوم به `torch.nn.Module.load_state_dict` عبر معامل `strict`: فمُكيِّفات PEFT تتعايش دائمًا مع نموذج أساسي مجمَّد، لذا فإن هذا الفحص لا يتعلق إلا بالمفاتيح الخاصة بالمُكيِّف، وليس بمعاملات النموذج الأساسي نفسه.

kwargs : (`optional`): حُجج إضافية تُمرَّر إلى فئة إعداد PEFT المحددة. ويشمل ذلك `torch_device` (`str`، *اختياري*): الجهاز الذي سيُحمَّل عليه المُكيّف (يُمرَّر إلى `load_adapter`[PeftModel.load_adapter])؛ إذا كان `None`، فسيتم استنتاج الجهاز.

أنشئ نموذج PEFT من نموذج مُدرَّب مسبقًا وأوزان PEFT محمّلة.

لاحظ أن `model` المُمرَّر قد يتم تعديله في مكانه.

#### get_base_model[[peft.PeftModel.get_base_model]]

```python
get_base_model()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1138)

يعيد النموذج الأساسي.

#### get_layer_status[[peft.PeftModel.get_layer_status]]

```python
get_layer_status()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1279)

**يعيد:** قائمة`peft.peft_model.TunerLayerStatus`

قائمة من كائنات dataclass، يحتوي كل منها على حالة طبقة المحوّل (adapter) المقابلة.

احصل على حالة كل طبقة مُكيّف في النموذج.

تعيد هذه الطريقة قائمة من كائنات فئة البيانات `TunerLayerStatus`، يحتوي كل منها على السمات التالية:

- `name` (`str`): اسم طبقة المُكيّف، مثل `model.encoder.block.0.layer.0.SelfAttention.q`.
- `module_type` (`str`): نوع طبقة المُكيّف، مثل `lora.Linear`.
- `enabled` (`bool`): ما إذا كان طبقة المُكيّف مفعّلة.
- `active_adapters` (`list[str]`): أسماء المُكيِّفات النشطة، إن وُجدت، مثل `["default"]`.
- `merged_adapters` (`list[str]`): أسماء المُدمِجات المُدمَجة، إن وُجدت، مثل `["default"]`.
- `available_adapters` (`list[str]`): أسماء المُكيِّفات المتاحة، مثل `["default"]`.
- `quantization_backend` (`str` أو `None`): اسم واجهة التكميم، مثل `"bnb 4bit"`، أو `None` إذا لم يتم التكميم.

#### get_model_status[[peft.PeftModel.get_model_status]]

```python
get_model_status()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1307)

**يعيد:** `peft.peft_model.TunerModelStatus`

فئة بيانات تحتوي على حالة النموذج.

احصل على حالة مُعدِّلات النموذج.

تعيد هذه الطريقة كائنًا من فئة البيانات `TunerModelStatus`، والذي يحتوي على السمات التالية:

- `base_model_type` (`str`): نوع النموذج الأساسي، مثل `T5Model`.
- `adapter_model_type` (`str`): نوع نموذج المُكيّف، مثل `LoraModel`.
- `peft_types` (`dict[str, str]`): إسناد اسم المُكيّف إلى نوع المُكيّف، على سبيل المثال `{"default": "LORA"}`.
- `trainable_params` (`int`): عدد المعاملات القابلة للتدريب في النموذج.
- `total_params` (`int`): إجمالي عدد المعاملات في النموذج.
- `num_adapter_layers` (`int`): عدد طبقات المحوّل في النموذج.
- `enabled` (`bool`, `Literal["irregular"]`): ما إذا كانت جميع طبقات المُكيِّف مفعّلة. إذا كانت بعض الطبقات مفعّلة وبعضها الآخر غير مفعّل، فسيكون هذا `"irregular"`. وهذا يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `active_adapters` (`list[str]`, `Literal["irregular"]`): أسماء المُكيِّفات النشطة. إذا لم تكن المُكيِّفات النشطة متسقة عبر جميع الطبقات، فسيكون هذا `"irregular"`، مما يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `merged_adapters` (`list[str]`, `Literal["irregular"]`): أسماء المُدمِجات المُدمَجة. إذا لم تكن المُدمِجات المُدمَجة متسقة عبر جميع الطبقات، فسيكون هذا `"irregular"`، مما يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `available_adapters` (`list[str]`): أسماء المُكيِّفات المتاحة، مثل `["default"]`.
- `quantization_backend` (`str`، `None`، `Literal["irregular"]`): اسم واجهة الكمية، مثل `"bnb 4bit"`، أو `None` إذا لم يتم التكميم. إذا لم تكن الواجهة متسقة عبر جميع الطبقات، فسيكون `"irregular"`.

#### get_nb_trainable_parameters[[peft.PeftModel.get_nb_trainable_parameters]]

```python
get_nb_trainable_parameters()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L978)

يعيد عدد المعاملات القابلة للتدريب وعدد جميع المعاملات في النموذج.

#### get_prompt[[peft.PeftModel.get_prompt]]

```python
get_prompt(batch_size: int, task_ids: Optional[torch.Tensor] = None, max_cache_len: Optional[int] = None)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L811)

يعيد التلميحات الافتراضية المستخدمة في Peft. لا ينطبق إلا عند استخدام طريقة تعلّم التلميحات.

#### get_prompt_embedding_to_save[[peft.PeftModel.get_prompt_embedding_to_save]]

```python
get_prompt_embedding_to_save(adapter_name: str)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L790)

يعيد تضمين الموجه (prompt embedding) الذي يجب حفظه عند حفظ النموذج. ينطبق هذا فقط عند استخدام طريقة تعلّم الموجه.

#### healthcheck[[peft.PeftModel.healthcheck]]

```python
healthcheck(min_trainable_params: int = 1, max_trainable_params_percent = 50)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1346)

**المعاملات:**

min_trainable_params (`int`، *اختياري*، الافتراضي=`1`) : الحد الأدنى المتوقع لعدد المعاملات. إذا تم العثور على عدد أقل من ذلك، يُبلَّغ عن ذلك على أنه خطأ.

max_trainable_params_percent (`int`، *اختياري*، الافتراضي=`50`) : الحد الأقصى لنسبة المعاملات التي يجب أن تكون قابلة للتدريب. إذا تم العثور على عدد أكبر من ذلك، يُبلَّغ عن ذلك كتحذير.

**يعيد:**

result قاموس يحتوي على النتائج المختلفة. القاموس المُعاد قابل للتسلسل بصيغة JSON.

تحقق من هذا النموذج بحثًا عن حالات مُكيِّفات (adapter states) مشبوهة قبل التدريب.

تلخّص هذه الدوال واجهات برمجة التطبيقات (APIs) الخاصة بحالة النموذج والطبقات، وتشمل النتائج المتعلقة بحالة المُكيِّف (adapter) غير المتسقة، والمُكيِّفات المدمجة، وأعداد المعاملات القابلة للتدريب غير المعقولة. ولا تتحقق هذه الدوال من حلقة التدريب أو المُحسِّن (optimizer) أو مجموعة البيانات. سيُبلَّغ عن الحالة بأنها `"irregular"` إذا وُجدت عدم اتساقات في النموذج، على سبيل المثال عندما تكون بعض الطبقات مفعَّلة وبعضها معطَّلاً لنفس المُكيِّف. وهذا يعني في الغالب أن شيئاً ما حدث بشكل خاطئ، ويجب عليك التحقق من أنك لم تُغيّر بعض السمات على النموذج عن طريق الخطأ.

لتعلم الموجهات وتكييف الموجهات، يتضمن التقرير معلومات النموذج وعدد المعاملات دون حالة محددة لكل طبقة، لأن هذه الأساليب لا تدعم ذلك.

إذا اكتشف الفحص شيئاً مشبوهاً، فسيتم الإبلاغ عنه في حقل `"findings"`. قائمة `"findings""` فارغة تعني أنه لم يتم رصد حالة مُكيّف مشبوهة، وليس أن تشغيل التدريب مضمون النجاح.

#### load_adapter[[peft.PeftModel.load_adapter]]

```python
load_adapter(model_id: Union[str, os.PathLike], adapter_name: str, is_trainable: bool = False, torch_device: Optional[str] = None, autocast_adapter_dtype: bool = True, ephemeral_gpu_offload: bool = False, low_cpu_mem_usage: bool = False, key_mapping: Optional[dict[str, str]] = None, strict_adapter_check: Literal['warn', 'error', 'ignore'] = 'warn', **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1553)

**المعاملات:**

model_id (`str` أو `os.PathLike`) : اسم إعداد PEFT الذي سيتم استخدامه. يمكن أن يكون: - نصًا، وهو `model id` لإعداد PEFT مستضاف داخل مستودع نموذج على Hugging Face Hub. - مسارًا إلى مجلد يحتوي على ملف إعداد PEFT تم حفظه باستخدام طريقة `save_pretrained` (`./my_peft_config_directory/`).

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

is_trainable (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان يجب أن يكون المُكيّف قابلًا للتدريب أم لا. إذا كانت القيمة `False`، فسيتم تجميد المُكيّف ولن يمكن استخدامه إلا للاستدلال.

torch_device (`str`، *اختياري*، القيمة الافتراضية هي None) : الجهاز الذي سيتم تحميل المُكيّف عليه. إذا كانت `None`، فسيتم استنتاج الجهاز.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

ephemeral_gpu_offload (`bool`، *اختياري*، الافتراضي `False`) : ما إذا كان سيتم استخدام إزاحة GPU المؤقتة للوحدات المحمّلة جزئيًا. الافتراضي هو `False`.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta قبل تحميل الأوزان المحفوظة. مفيد لتسريع العملية.

key_mapping (dict, *اختياري*, القيمة الافتراضية هي None) : خرائط إضافية لمفاتيح `state_dict` الخاصة بـ PEFT تُطبَّق قبل تحميل `state_dict`. عند تطبيق هذه الخرائط، يُزال البادئة الخاصة بـ PEFT `"base_model.model"` مسبقًا، ولا يُدرج اسم المُكيِّف (مثل `"default"`) بعد. لا تمرر هذا الحجة إلا إذا كنت تعرف ما تفعله.

strict_adapter_check (`Literal["warn", "error", "ignore"]`, *اختياري*، القيمة الافتراضية `"warn"`) : ما الذي يجب فعله إذا كانت نقاط التفتيش تحتوي على مفاتيح مُكيِّف مفقودة من النموذج، أو غير متوقعة بالنسبة له، بعد مراعاة المفاتيح التي يُتوقع أن تختلف لأسباب بنيوية (المعاملات المشتركة، مسار مُشفِّر المُوجِّه، إلخ). يُصدر `"warn"` تحذيرًا، ويُطلق `"error"` استثناء `RuntimeError`، بينما لا يفعل `"ignore"` شيئًا. هذا ليس الفحص نفسه الذي يقوم به `torch.nn.Module.load_state_dict` عبر معامل `strict`: فمُكيِّفات PEFT تتعايش دائمًا مع نموذج أساسي مجمَّد، لذا فإن هذا الفحص لا يتعلق إلا بالمفاتيح الخاصة بالمُكيِّف، وليس بمعاملات النموذج الأساسي نفسه.

kwargs : (`optional`): حُجج إضافية لتعديل طريقة تحميل المُكيّف، مثل الرمز الخاص بـ Hugging Face Hub.

حمّل مُكيّفًا مُدرَّبًا في النموذج.

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

#### merge_adapter[[peft.PeftModel.merge_adapter]]

```python
merge_adapter(adapter_names: Optional[list[str]] = None, safe_merge: bool = False, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1913)

**المعاملات:**

adapter_names (`list[str]`، *اختياري*) : قائمة أسماء المحوِّلات التي يجب دمجها. إذا كانت `None`، فسيتم دمج جميع المحوِّلات النشطة. القيمة الافتراضية هي `None`.

safe_merge (`bool`، *اختياري*) : إذا كان `True`، فسيتم تنفيذ عملية الدمج في نسخة من الأوزان الأصلية والتحقق من وجود قيم NaN قبل دمج الأوزان. هذا مفيد إذا كنت تريد التحقق مما إذا كانت عملية الدمج ستنتج قيم NaN. القيمة الافتراضية هي `False`.

دمج المُكيِّفات النشطة في النموذج الأساسي.

تُدعم عملية الدمج في معظم طرق PEFT التي تضيف أوزانًا إلى النموذج الأساسي، مثل LoRA وIA³ وOFT. أما في حالة طرق تعلم البرومبت (مثل prompt tuning) وadaption prompt، فلا يُدعم الدمج، ويُستدعى `TypeError`.

ملاحظة: حتى طرق PEFT التي تدعم الدمج بشكل عام قد تثير خطأً لبعض تكوينات النماذج أو الطبقات، على سبيل المثال `ValueError` للنماذج المُكمّاة باستخدام gptq، أو `NotImplementedError` لـ LoRA على طبقات `_ConvNd` التي تحتوي على `groups > 1`، أو `AttributeError` لـ LoRA على طبقات Eetq.

#### prepare_model_for_gradient_checkpointing[[peft.PeftModel.prepare_model_for_gradient_checkpointing]]

```python
prepare_model_for_gradient_checkpointing(model: PreTrainedModel)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L764)

يُعدّ النموذج لفحص التدرّج عند الحاجة

ملاحظة: في إصدارات Transformers الأحدث، يُطلق على هذا المصطلح اسم 'activation checkpointing'.

#### print_healthcheck[[peft.PeftModel.print_healthcheck]]

```python
print_healthcheck(sink = <built-in function print>, min_trainable_params: int = 1, max_trainable_params_percent = 50, **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1379)

**المعاملات:**

sink (`callable`، *اختياري*، الافتراضي=`print`) : الدالة التي تُستدعى لطباعة المخرجات. افتراضيًا، هي ببساطة الدالة المدمجة `print`، لكنها يمكن أن تكون شيئًا آخر مثل `logger.info`.

min_trainable_params (`int`، *اختياري*، الافتراضي=`1`) : الحد الأدنى المتوقع لعدد المعاملات. إذا تم العثور على عدد أقل من ذلك، يُبلَّغ عن ذلك على أنه خطأ.

max_trainable_params_percent (`int`، *اختياري*، الافتراضي=`50`) : الحد الأقصى لنسبة المعاملات التي يجب أن تكون قابلة للتدريب. إذا تم العثور على عدد أكبر من ذلك، يُبلَّغ عن ذلك كتحذير.

kwargs : تُمرَّر حُجج الكلمات المفتاحية الإضافية إلى `format_healthcheck`.

اطبع تقرير فحص صحة مضغوطًا وقابلًا للقراءة من قِبل البشر.

تلخّص المخرجات حالة نموذج PEFT الخاص بك وتشمل نتائج تتعلق بحالة المُكيِّف غير المتسقة، والمُكيِّفات المدمجة، وعدد غير معقول من المعاملات القابلة للتدريب. ولا يتحقق هذا الإجراء من حلقة التدريب أو المُحسِّن أو مجموعة البيانات. سيُبلَّغ عن الحالة على أنها `"irregular"` إذا وُجدت عدم اتساقات في النموذج، على سبيل المثال عندما يكون بعض الطبقات مفعَّلة وبعضها معطَّلاً لنفس المُكيِّف. وهذا يعني في الغالب أن شيئاً ما لم يسر على ما يُرام، ويجب عليك التحقق من أنك لم تُغيّر بعض السمات على النموذج بشكل خاطئ عن طريق الخطأ.

إذا تم اكتشاف مشكلات، فستظهر في القسم الأخير تحت عنوان "findings". وإذا لم يتم اكتشاف أي مشكلات، فهذا لا يعني أن تشغيل التدريب مضمون النجاح.

#### print_trainable_parameters[[peft.PeftModel.print_trainable_parameters]]

```python
print_trainable_parameters()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1008)

يطبع عدد المعاملات القابلة للتدريب في النموذج.

ملاحظة: يستخدم print_trainable_parameters() الدالة get_nb_trainable_parameters()، وهي مختلفة عن num_parameters(only_trainable=True) من huggingface/transformers. تُرجع get_nb_trainable_parameters() (المعاملات القابلة للتدريب، جميع المعاملات) لنموذج Peft، والذي يتضمن نموذج transformer الأساسي (backbone) بعد تعديله. ففي التقنيات مثل LoRA، يتم تعديل نموذج transformer الأساسي في مكانه بإضافة وحدات LoRA. ومع ذلك، في حالة الضبط باستخدام الموجهات (prompt tuning)، يبقى نموذج transformer الأساسي دون تعديل. تُرجع num_parameters(only_trainable=True) عدد المعاملات القابلة للتدريب في نموذج transformer الأساسي، وقد يكون هذا الرقم مختلفاً.

#### save_pretrained[[peft.PeftModel.save_pretrained]]

```python
save_pretrained(save_directory: str, safe_serialization: bool = True, selected_adapters: Optional[list[str]] = None, save_embedding_layers: Union[str, bool] = 'auto', is_main_process: bool = True, path_initial_model_for_weight_conversion: Optional[str] = None, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L297)

**المعاملات:**

save_directory (`str`) : المجلد الذي سيتم حفظ ملفات النموذج المُكيّف (adapter model) وملفات الإعداد فيه (سيتم إنشاؤه إذا لم يكن موجودًا).

safe_serialization (`bool`, *اختياري*) : ما إذا كان سيتم حفظ ملفات المُكيِّف (adapter) بتنسيق safetensors، والافتراضي هو `True`.

selected_adapters (`List[str]`، *اختياري*) : قائمة بالمُكيِّفات التي سيتم حفظها. إذا كانت `None`، فسيتم افتراض جميع المُكيِّفات.

save_embedding_layers (`Union[bool, str]`، *اختياري*، القيمة الافتراضية `"auto"`) : إذا كانت `True`، احفظ طبقات التضمين بالإضافة إلى أوزان المُكيِّف. إذا كانت `auto`، فافحص طبقات التضمين الشائعة `peft.utils.other.EMBEDDING_LAYER_NAMES` في `target_modules` الخاص بالإعدادات عند توفرها، ثم اضبط العلم المنطقي تلقائيًا. يعمل هذا فقط مع نماذج 🤗 transformers.

is_main_process (`bool`, *اختياري*) : ما إذا كانت العملية التي تستدعي هذا هي العملية الرئيسية أم لا. سيكون الافتراضي `True`. لن يتم حفظ نقطة التفتيش إذا لم تكن على العملية الرئيسية، وهو أمر مهم لإعدادات الأجهزة المتعددة (مثل DDP).

path_initial_model_for_weight_conversion (`str`, *اختياري*) : المسار إلى المُكيّف المُهيّأ، والذي يُستخرج بعد تهيئة النموذج باستخدام PiSSA/CorDA/OLoRA وقبل إجراء أي تدريب. عندما لا يكون `path_initial_model_for_weight_conversion` قيمة None، يتم حساب الفرق في المُكيّف قبل وبعد الضبط الدقيق. يمكن تمثيل هذا الفرق على أنه معاملات مُكيّف LoRA قياسي. على عكس PiSSA وما شابه، لا يتطلب استخدام هذا المُكيّف المُحوّل إجراء أي تغييرات على النموذج الأساسي، مما يتيح بيسر استخدام عدة مُكيّفات PiSSA/CorDA/OLoRA مع مُكيّفات LoRA، وتفعيل أو تعطيل أي من المُكيّفات. يُرجى ملاحظة أن هذا التحويل غير مدعوم إذا تم استخدام `rslora` بالاقتران مع `rank_pattern` أو `alpha_pattern`. راجع [peft.tuners.lora.LoraModel.subtract_mutated_init()](/docs/peft/v0.22.0/ar/package_reference/lora#peft.LoraModel.subtract_mutated_init) لمزيد من المعلومات.

kwargs (حجج كلمات مفتاحية إضافية، *اختيارية*) : حجج كلمات مفتاحية إضافية تُمرَّر إلى طريقة `push_to_hub`.

تُحفظ هذه الدالة نموذج المُكيّف وملفات إعداداته في مجلد، بحيث يمكن إعادة تحميله باستخدام طريقة الفئة [PeftModel.from_pretrained()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.from_pretrained)، كما يمكن استخدامه بواسطة الطريقة `PeftModel.push_to_hub()`.

إذا كانت أوزان المُكيّف المحدد تحتوي على متجهات موزعة (مثل FSDP2/HSDP)، فيجب على جميع الرتب المشاركة استدعاء هذه الطريقة لأن جمع الأوزاء عملية جماعية. اضبط `is_main_process=True` فقط على الرتبة التي تكتب نقطة الفحص. استدعاء هذه الطريقة على رتبة واحدة فقط قد يتسبب في انتهاء مهلة مجموعة العمليات.

#### set_adapter[[peft.PeftModel.set_adapter]]

```python
set_adapter(adapter_name: str, inference_mode: bool = False)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1774)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُعيَّن كالمُكيّف النشط. يجب تحميل المُكيّف أولاً.

inference_mode (`bool`، اختياري) : ما إذا كان يجب تجميد المُكيّف المُفعّل (أي `requires_grad=False`). القيمة الافتراضية هي False.

يحدد المُكيّف النشط.

لا يمكن تفعيل مُكيّف واحد فقط في كل مرة، لأنّ جميع طرق PEFT لا تدعم وجود عدة مُكيّفات نشطة في آنٍ واحد. لتفعيل عدة مُكيّفات في الطرق المدعومة، استخدم `model.base_model.set_adapter(adapter_names)`.

بالإضافة إلى ذلك، ستقوم هذه الدالة بجعل المُكيّف المحدد قابلًا للتدريب (أي requires_grad=True) ما لم يكن inference_mode بقيمة True.

#### set_requires_grad[[peft.PeftModel.set_requires_grad]]

```python
set_requires_grad(adapter_names: str | Sequence[str], requires_grad: bool = True)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1820)

**المعاملات:**

adapter_names (`str` أو `Sequence[str]`) : اسم المُكيِّف (المُكيِّفات) التي يجب تمكين/تعطيل التدرجات الخاصة بها.

requires_grad (`bool`، *اختياري*) : ما إذا كان سيتم تفعيل (`True`، الافتراضي) أو تعطيل (`False`).

تفعيل أو تعطيل التدرجات على المُكيِّف (المُكيِّفات) المُحدَّد.

ملاحظة: غير مدعوم لطرق تعلم الموجهات مثل ضبط الموجهات.

#### supports_lora_conversion[[peft.PeftModel.supports_lora_conversion]]

```python
supports_lora_conversion(adapter_name: str = 'default')
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2083)

ما إذا كان من الممكن تحويل مُكيّف هذا النموذج إلى LoRA.

عادةً، يعمل هذا إذا كانت طريقة PEFT إضافية، أي W' = W_base + delta_weight.

#### unmerge_adapter[[peft.PeftModel.unmerge_adapter]]

```python
unmerge_adapter(force_reshard: bool = False, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L1944)

**المعاملات:**

force_reshard (`bool`, *اختياري*) : ما إذا كان يجب إعادة تقسيم وحدات FSDP2 حتى في حال عدم اكتشاف أي طبقة مُدمجة للمُكيّف. يمكن استخدام هذا الخيار لتجنب مسح النموذج بالكامل بحثًا عن الطبقات المدمجة عندما يكون المُستدعي قد أكّد بالفعل وجود طبقة واحدة على الأقل. القيمة الافتراضية هي `False`.

دمج المُكيّفات (adapters) في النموذج الأساسي.

تُدعَم عملية الدمج العكسي (Unmerging) في معظم طرق PEFT التي تضيف أوزانًا إلى النموذج الأساسي، مثل LoRA وIA³ وOFT. أما في حالة طرق تعلم البرومبت (مثل prompt tuning) وadaption prompt، فلا تُدعَم عملية الدمج العكسي، ويُستدعى `TypeError`.

ملاحظة: حتى طرق PEFT التي تدعم بشكل عام إلغاء الدمج قد تثير خطأً لأنواع معينة من الطبقات، على سبيل المثال `AttributeError` لـ LoRA على طبقات Eetq أو `NotImplementedError` لإلغاء دمج LoRA من طبقات INC.

## PeftModelForSequenceClassification[[peft.PeftModelForSequenceClassification]]

نموذج `PeftModel` لمهام تصنيف التسلسلات.

#### peft.PeftModelForSequenceClassification[[peft.PeftModelForSequenceClassification]]

```python
peft.PeftModelForSequenceClassification(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2099)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft لمهام تصنيف التسلسلات.

**الخصائص**:
- **config** (`PretrainedConfig`) -- كائن التهيئة للنموذج الأساسي.
- **cls_layer_name** (`str`) -- اسم طبقة التصنيف.

مثال:

```py
>>> from transformers import AutoModelForSequenceClassification
>>> from peft import PeftModelForSequenceClassification, get_peft_config

>>> config = {
...     "peft_type": "PREFIX_TUNING",
...     "task_type": "SEQ_CLS",
...     "inference_mode": False,
...     "num_virtual_tokens": 20,
...     "token_dim": 768,
...     "num_transformer_submodules": 1,
...     "num_attention_heads": 12,
...     "num_layers": 12,
...     "encoder_hidden_size": 768,
...     "prefix_projection": False,
... }

>>> peft_config = get_peft_config(config)
>>> model = AutoModelForSequenceClassification.from_pretrained("bert-base-cased")
>>> peft_model = PeftModelForSequenceClassification(model, peft_config)
>>> peft_model.print_trainable_parameters()
trainable params: 370178 || all params: 108680450 || trainable%: 0.3406113979101117
```

## PeftModelForTokenClassification[[peft.PeftModelForTokenClassification]]

نموذج `PeftModel` لمهام تصنيف الرموز.

#### peft.PeftModelForTokenClassification[[peft.PeftModelForTokenClassification]]

```python
peft.PeftModelForTokenClassification(model: torch.nn.Module, peft_config: PeftConfig = None, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2953)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft لمهام تصنيف الرموز.

**الخصائص**:
- **config** (`PretrainedConfig`) -- كائن التهيئة للنموذج الأساسي.
- **cls_layer_name** (`str`) -- اسم طبقة التصنيف.

مثال:

```py
>>> from transformers import AutoModelForTokenClassification
>>> from peft import PeftModelForTokenClassification, get_peft_config

>>> config = {
...     "peft_type": "PREFIX_TUNING",
...     "task_type": "TOKEN_CLS",
...     "inference_mode": False,
...     "num_virtual_tokens": 20,
...     "token_dim": 768,
...     "num_transformer_submodules": 1,
...     "num_attention_heads": 12,
...     "num_layers": 12,
...     "encoder_hidden_size": 768,
...     "prefix_projection": False,
... }

>>> peft_config = get_peft_config(config)
>>> model = AutoModelForTokenClassification.from_pretrained("bert-base-cased")
>>> peft_model = PeftModelForTokenClassification(model, peft_config)
>>> peft_model.print_trainable_parameters()
trainable params: 370178 || all params: 108680450 || trainable%: 0.3406113979101117
```

#### add_adapter[[peft.PeftModelForTokenClassification.add_adapter]]

```python
add_adapter(adapter_name: str, peft_config: PeftConfig, low_cpu_mem_usage: bool = False, autocast_adapter_dtype: bool = True)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3018)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات المُكيّف الذي سيُضاف.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta. مفيد لتسريع العملية عند تحميل المُكيّفات المحفوظة. لا تستخدم هذا الخيار عند إنشاء مُكيّف PEFT جديد للتدريب.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

أضِف مُكيِّفًا إلى النموذج بناءً على الإعداد المُمرَّر.

هذا المُكيّف غير مُدرَّب. لتحميل مُكيّف مُدرَّب، راجع [PeftModel.load_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.load_adapter).

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

## PeftModelForCausalLM[[peft.PeftModelForCausalLM]]

نموذج `PeftModel` لنمذجة اللغة السببية.

#### peft.PeftModelForCausalLM[[peft.PeftModelForCausalLM]]

```python
peft.PeftModelForCausalLM(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2344)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft لنمذجة اللغة السببية.

مثال:

```py
>>> from transformers import AutoModelForCausalLM
>>> from peft import PeftModelForCausalLM, get_peft_config

>>> config = {
...     "peft_type": "PREFIX_TUNING",
...     "task_type": "CAUSAL_LM",
...     "inference_mode": False,
...     "num_virtual_tokens": 20,
...     "token_dim": 1280,
...     "num_transformer_submodules": 1,
...     "num_attention_heads": 20,
...     "num_layers": 36,
...     "encoder_hidden_size": 1280,
...     "prefix_projection": False,
... }

>>> peft_config = get_peft_config(config)
>>> model = AutoModelForCausalLM.from_pretrained("gpt2-large")
>>> peft_model = PeftModelForCausalLM(model, peft_config)
>>> peft_model.print_trainable_parameters()
trainable params: 1843200 || all params: 775873280 || trainable%: 0.23756456724479544
```

## PeftModelForSeq2SeqLM[[peft.PeftModelForSeq2SeqLM]]

نموذج `PeftModel` لنمذجة اللغة من تسلسل إلى تسلسل.

ملاحظة: سيؤدي هذا إلى توليد رموز مدخلات المُفكِّك تلقائيًا عن طريق إزاحة رموز المدخلات خطوة إلى اليمين باستخدام `shift_tokens_right()` إذا قمت بتوفير رموز المدخلات دون توفير رموز مدخلات المُفكِّك صراحةً.

#### peft.PeftModelForSeq2SeqLM[[peft.PeftModelForSeq2SeqLM]]

```python
peft.PeftModelForSeq2SeqLM(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L2701)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft لنمذجة اللغة من تسلسل إلى تسلسل.

مثال:

```py
>>> from transformers import AutoModelForSeq2SeqLM
>>> from peft import PeftModelForSeq2SeqLM, get_peft_config

>>> config = {
...     "peft_type": "LORA",
...     "task_type": "SEQ_2_SEQ_LM",
...     "inference_mode": False,
...     "r": 8,
...     "target_modules": ["q", "v"],
...     "lora_alpha": 32,
...     "lora_dropout": 0.1,
...     "fan_in_fan_out": False,
...     "bias": "none",
... }

>>> peft_config = get_peft_config(config)
>>> model = AutoModelForSeq2SeqLM.from_pretrained("t5-base")
>>> peft_model = PeftModelForSeq2SeqLM(model, peft_config)
>>> peft_model.print_trainable_parameters()
trainable params: 884736 || all params: 223843584 || trainable%: 0.3952474242013566
```

## PeftModelForQuestionAnswering[[peft.PeftModelForQuestionAnswering]]

نموذج `PeftModel` للإجابة على الأسئلة.

#### peft.PeftModelForQuestionAnswering[[peft.PeftModelForQuestionAnswering]]

```python
peft.PeftModelForQuestionAnswering(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3179)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft للإجابة الاستخراجية على الأسئلة.

**الخصائص**:
- **config** (`PretrainedConfig`) -- كائن التهيئة للنموذج الأساسي.
- **cls_layer_name** (`str`) -- اسم طبقة التصنيف.

مثال:

```py
>>> from transformers import AutoModelForQuestionAnswering
>>> from peft import PeftModelForQuestionAnswering, get_peft_config

>>> config = {
...     "peft_type": "LORA",
...     "task_type": "QUESTION_ANS",
...     "inference_mode": False,
...     "r": 16,
...     "target_modules": ["query", "value"],
...     "lora_alpha": 32,
...     "lora_dropout": 0.05,
...     "fan_in_fan_out": False,
...     "bias": "none",
... }

>>> peft_config = get_peft_config(config)
>>> model = AutoModelForQuestionAnswering.from_pretrained("bert-base-cased")
>>> peft_model = PeftModelForQuestionAnswering(model, peft_config)
>>> peft_model.print_trainable_parameters()
trainable params: 592900 || all params: 108312580 || trainable%: 0.5473971721475013
```

#### add_adapter[[peft.PeftModelForQuestionAnswering.add_adapter]]

```python
add_adapter(adapter_name: str, peft_config: PeftConfig, low_cpu_mem_usage: bool = False, autocast_adapter_dtype: bool = True)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3244)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات المُكيّف الذي سيُضاف.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta. مفيد لتسريع العملية عند تحميل المُكيّفات المحفوظة. لا تستخدم هذا الخيار عند إنشاء مُكيّف PEFT جديد للتدريب.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

أضِف مُكيِّفًا إلى النموذج بناءً على الإعداد المُمرَّر.

هذا المُكيّف غير مُدرَّب. لتحميل مُكيّف مُدرَّب، راجع [PeftModel.load_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.load_adapter).

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

## PeftModelForFeatureExtraction[[peft.PeftModelForFeatureExtraction]]

نموذج `PeftModel` لاستخراج الميزات/التضمينات من نماذج التحويل.

#### peft.PeftModelForFeatureExtraction[[peft.PeftModelForFeatureExtraction]]

```python
peft.PeftModelForFeatureExtraction(model: torch.nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', **kwargs)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3429)

**المعاملات:**

model ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.23.0/en/main_classes/model#transformers.PreTrainedModel)) : نموذج الترانسفورمر الأساسي.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات Peft.

adapter_name (`str`،  *اختياري*) : اسم المُكيّف، القيمة الافتراضية هي `"default"`.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

نموذج Peft لاستخراج الميزات/التضمينات من نماذج التحويل

**الخصائص**:
- **config** (`PretrainedConfig`) -- كائن التهيئة للنموذج الأساسي.

مثال:

```py
>>> from transformers import AutoModel
>>> from peft import PeftModelForFeatureExtraction, get_peft_config

>>> config = {
...     "peft_type": "LORA",
...     "task_type": "FEATURE_EXTRACTION",
...     "inference_mode": False,
...     "r": 16,
...     "target_modules": ["query", "value"],
...     "lora_alpha": 32,
...     "lora_dropout": 0.05,
...     "fan_in_fan_out": False,
...     "bias": "none",
... }
>>> peft_config = get_peft_config(config)
>>> model = AutoModel.from_pretrained("bert-base-cased")
>>> peft_model = PeftModelForFeatureExtraction(model, peft_config)
>>> peft_model.print_trainable_parameters()
```

## PeftMixedModel[[peft.PeftMixedModel]]

نموذج `PeftModel` لخلط أنواع مختلفة من المكيّفات (مثل LoRA وLoHa).

#### peft.PeftMixedModel[[peft.PeftMixedModel]]

```python
peft.PeftMixedModel(model: nn.Module, peft_config: PeftConfig, adapter_name: str = 'default')
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L72)

**المعاملات:**

model (`torch.nn.Module`) : النموذج الذي سيتم ضبطه.

config (`PeftConfig`) : إعدادات النموذج المراد ضبطه. يجب أن يكون نوع المُكيّف متوافقًا.

adapter_name (`str`, `optional`, defaults to `"default"`) : The name of the first adapter.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مكيّف فارغة على جهاز meta. مفيد لتسريع عملية التحميل.

PeftMixedModel لتحميل مزيج من أنواع مختلفة من المحوِّلات للاستدلال.

لا تدعم هذه الفئة التحميل/الحفظ، ولا ينبغي عادةً تهيئتها مباشرة. بدلاً من ذلك، استخدم `get_peft_model` مع الحجة `mixed=True`.

> [!TIP] > اقرأ دليل [أنواع المحوِّلات المختلطة](https://huggingface.co/docs/peft/en/developer_guides/mixed_models)
للتعرّف على المزيد حول استخدام أنواع مختلفة من المحوِّلات.

مثال:

```py
>>> base_model = ...  # load the base model, e.g. from transformers
>>> peft_model = PeftMixedModel.from_pretrained(base_model, path_to_adapter1, "adapter1").eval()
>>> peft_model.load_adapter(path_to_adapter2, "adapter2")
>>> peft_model.set_adapter(["adapter1", "adapter2"])  # activate both adapters
>>> peft_model(data)  # forward pass using both adapters
```

#### add_adapter[[peft.PeftMixedModel.add_adapter]]

```python
add_adapter(adapter_name: str, peft_config: PeftConfig, low_cpu_mem_usage: bool = False, autocast_adapter_dtype: bool = True)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L220)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات المُكيّف الذي سيُضاف.

low_cpu_mem_usage (`bool`, `optional`, defaults to `False`) : Create empty adapter weights on meta device. Useful to speed up the process when loading saved adapters.  > [!TIP] > Don't use `low_cpu_mem_usage=True` when creating a new PEFT adapter for training (training is untested > and discouraged for PeftMixedModel in general).

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة. إذا تم ضبطه على `False`، فستبقى أنواع البيانات كما هي، مطابقةً لتلك الخاصة بالطبقة المقابلة.

أضِف مُكيِّفًا إلى النموذج بناءً على الإعداد المُمرَّر.

هذا المُكيّف غير مُدرَّب. لتحميل مُكيّف مُدرَّب، راجع [PeftModel.load_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.load_adapter).

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

#### disable_adapter[[peft.PeftMixedModel.disable_adapter]]

```python
disable_adapter()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L197)

يعطّل وحدة المحوّل.

#### forward[[peft.PeftMixedModel.forward]]

```python
forward(*args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L185)

المرور الأمامي للنموذج.

#### from_pretrained[[peft.PeftMixedModel.from_pretrained]]

```python
from_pretrained(model: nn.Module, model_id: str | os.PathLike, adapter_name: str = 'default', is_trainable: bool = False, config: Optional[PeftConfig] = None, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L422)

**المعاملات:**

model (`nn.Module`) : النموذج الذي سيتم تكييفه.

model_id (`str` أو `os.PathLike`) : اسم إعداد PEFT الذي سيتم استخدامه. يمكن أن يكون: - نصًا، وهو `model id` لإعداد PEFT مستضاف داخل مستودع نموذج على Hugging Face Hub. - مسارًا إلى مجلد يحتوي على ملف إعداد PEFT تم حفظه باستخدام طريقة `save_pretrained` (`./my_peft_config_directory/`).

adapter_name (`str`، *اختياري*، القيمة الافتراضية `"default"`) : اسم المُكيّف (adapter) الذي سيتم تحميله. هذا مفيد عند تحميل عدة مُكيّفات.

is_trainable (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان يجب أن يكون المُكيّف قابلًا للتدريب أم لا. إذا كانت القيمة `False`، فسيتم تجميد المُكيّف واستخدامه للاستدلال

config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)، *اختياري*) : كائن التكوين الذي يُستخدم بدلاً من التكوين المحمّل تلقائياً. هذا الكائن متنافٍ مع `model_id` و`kwargs`. يكون هذا مفيداً عندما يكون التكوين قد حُمّل مسبقاً قبل استدعاء `from_pretrained`.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta قبل تحميل الأوزان المحفوظة. مفيد لتسريع العملية.

kwargs : (`optional`): حُجج إضافية تُمَرَّر إلى فئة إعداد PEFT المحددة.

أنشئ نموذج PEFT مختلطًا من نموذج مُدرَّب مسبقًا وأوزان PEFT محمّلة.

لاحظ أن `model` المُمرَّر قد يتم تعديله في مكانه.

#### generate[[peft.PeftMixedModel.generate]]

```python
generate(*args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L191)

توليد المخرجات.

#### get_nb_trainable_parameters[[peft.PeftMixedModel.get_nb_trainable_parameters]]

```python
get_nb_trainable_parameters()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L131)

يعيد عدد المعاملات القابلة للتدريب وعدد جميع المعاملات في النموذج.

#### load_adapter[[peft.PeftMixedModel.load_adapter]]

```python
load_adapter(model_id: str, adapter_name: str, *args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L365)

**المعاملات:**

adapter_name (`str`) : اسم المُكيّف الذي سيُضاف.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : إعدادات المُكيّف الذي سيُضاف.

is_trainable (`bool`، *اختياري*، القيمة الافتراضية `False`) : ما إذا كان يجب أن يكون المُكيّف قابلًا للتدريب أم لا. إذا كانت القيمة `False`، فسيتم تجميد المُكيّف ولن يمكن استخدامه إلا للاستدلال.

torch_device (`str`، *اختياري*، القيمة الافتراضية هي None) : الجهاز الذي سيتم تحميل المُكيّف عليه. إذا كانت `None`، فسيتم استنتاج الجهاز.

autocast_adapter_dtype (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 و bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، ولن يؤثر إلا على مُكيّفات PEFT المحددة.

ephemeral_gpu_offload (`bool`، *اختياري*، الافتراضي `False`) : ما إذا كان سيتم استخدام إزاحة GPU المؤقتة للوحدات المحمّلة جزئيًا. الافتراضي هو `False`.

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta قبل تحميل الأوزان المحفوظة. مفيد لتسريع العملية.

kwargs : (`optional`): حُجج إضافية لتعديل طريقة تحميل المُكيّف، مثل الرمز الخاص بـ Hugging Face Hub.

حمّل مُكيّفًا مُدرَّبًا في النموذج.

يجب أن يكون اسم المُكيّف الجديد فريدًا.

لا يتم تعيين المُكيّف الجديد كمُكيّف نشط تلقائيًا. استخدم [PeftModel.set_adapter()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel.set_adapter) لتعيين المُكيّف النشط.

#### merge_and_unload[[peft.PeftMixedModel.merge_and_unload]]

```python
merge_and_unload(*args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L328)

**المعاملات:**

progressbar (`bool`) : ما إذا كان يجب عرض شريط تقدم يُظهر عملية التحميل والدمج

safe_merge (`bool`) : ما إذا كان سيتم تفعيل فحص الدمج الآمن للتحقق من وجود أي قيم Nan محتملة في أوزان المحوّل

adapter_names (`List[str]`، *اختياري*) : قائمة أسماء المحوِّلات (adapters) التي يجب دمجها. إذا كانت القيمة None، فسيتم دمج جميع المحوِّلات النشطة. القيمة الافتراضية هي `None`.

تدمج هذه الطريقة طبقات المُكيِّف (adapter) في النموذج الأساسي. وهذا ضروري إذا أراد أحد ما استخدام النموذج الأساسي كنموذج مستقل.

#### print_trainable_parameters[[peft.PeftMixedModel.print_trainable_parameters]]

```python
print_trainable_parameters()
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L156)

يطبع عدد المعاملات القابلة للتدريب في النموذج.

ملاحظة: يستخدم print_trainable_parameters() الدالة get_nb_trainable_parameters()، وهي مختلفة عن num_parameters(only_trainable=True) من huggingface/transformers. تُرجع get_nb_trainable_parameters() (المعاملات القابلة للتدريب، جميع المعاملات) لنموذج Peft، والذي يتضمن نموذج transformer الأساسي (backbone) بعد تعديله. ففي التقنيات مثل LoRA، يتم تعديل نموذج transformer الأساسي في مكانه بإضافة وحدات LoRA. ومع ذلك، في حالة الضبط باستخدام الموجهات (prompt tuning)، يبقى نموذج transformer الأساسي دون تعديل. تُرجع num_parameters(only_trainable=True) عدد المعاملات القابلة للتدريب في نموذج transformer الأساسي، وقد يكون هذا الرقم مختلفاً.

#### set_adapter[[peft.PeftMixedModel.set_adapter]]

```python
set_adapter(adapter_name: Union[str, list[str]], inference_mode: bool = False)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L286)

**المعاملات:**

adapter_name (str, list[str]) : اسم(أسماء) المُكيّف(المُكيّفات) الذي سيتم تعيينه نشطًا

inference_mode (bool, اختياري) : ما إذا كان يجب تجميد المُكيّف المُفعّل (أي `requires_grad=False`). القيمة الافتراضية هي False.

يحدد المُكيِّف (المُكيِّفات) النشط (النشطة) للنموذج.

لاحظ أن الترتيب الذي تُطبَّق به المُكيِّفات (adapters) أثناء المرور الأمامي قد لا يكون هو نفسه الترتيب الذي تُمرَّر به إلى هذه الدالة. بدلاً من ذلك، يُحدَّد الترتيب أثناء المرور الأمامي بناءً على الترتيب الذي حُمِّلت به المُكيِّفات في النموذج. فالمُكيِّفات النشطة تحدد فقط أيّ المُكيِّفات تكون نشطة أثناء المرور الأمامي، لكنها لا تحدد الترتيب الذي تُطبَّق به.

بالإضافة إلى ذلك، ستقوم هذه الدالة بجعل المُكيّف المحدد قابلًا للتدريب (أي requires_grad=True) ما لم يكن inference_mode بقيمة True.

#### إلغاء التحميل[[peft.PeftMixedModel.unload]]

```python
unload(*args: Any, **kwargs: Any)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mixed_model.py#L345)

يحصل على النموذج الأساسي عن طريق إزالة جميع وحدات المحوّل دون دمجها. يعيد هذا النموذج الأساسي الأصلي.

## أدوات[[peft.cast_mixed_precision_params]]

#### peft.cast_mixed_precision_params[[peft.cast_mixed_precision_params]]

```python
peft.cast_mixed_precision_params(model: torch.nn.Module, dtype: torch.dtype)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/utils/other.py#L1562)

**المعاملات:**

model (`torch.nn.Module`) : النموذج الذي سيتم تحويل المعلمات غير القابلة للتدريب فيه.

dtype (`torch.dtype`) : نوع البيانات (dtype) الذي سيتم تحويل المعاملات غير القابلة للتدريب إليه. يمكن أن يكون `dtype` إما `torch.float16` أو

قم بتحويل جميع معاملات النموذج غير القابلة للتدريب إلى `dtype` المحدد. يمكن أن يكون `dtype` إما `torch.float16` أو `torch.bfloat16` وفقاً لتدريب الدقة المختلطة الذي تقوم به. يتم تحويل المعاملات القابلة للتدريب إلى الدقة الكاملة. يهدف هذا إلى تقليل استخدام ذاكرة وحدة معالجة الرسوميات (GPU) عند استخدام طرق PEFT من خلال استخدام dtype بدقة نصفية للمعاملات غير القابلة للتدريب. الحفاظ على المعاملات القابلة للتدريب بدقة كاملة يحافظ على استقرار التدريب عند استخدام تدريب الدقة المختلطة التلقائي.

`torch.bfloat16` وفقًا لتدريب الدقة المختلطة الذي تقوم به.

#### peft.get_peft_model[[peft.get_peft_model]]

```python
peft.get_peft_model(model: nn.Module, peft_config: PeftConfig, adapter_name: str = 'default', mixed: bool = False, autocast_adapter_dtype: bool = True, revision: Optional[str] = None, low_cpu_mem_usage: bool = False)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mapping_func.py#L105)

**المعاملات:**

model (`torch.nn.Module`) : النموذج الذي سيتم تغليفه. عادةً ما يكون هذا نموذجًا من Transformers، لكن أي `nn.Module` يمكن أن يعمل، مع ملاحظة أن الميزات الخاصة بالمهام (`peft_config.task_type`) تتطلب أن يتبع النموذج معايير Transformers.

peft_config ([PeftConfig](/docs/peft/v0.22.0/ar/package_reference/config#peft.PeftConfig)) : كائن التهيئة الذي يحتوي على معاملات نموذج Peft.

adapter_name (`str`، `optional`، القيمة الافتراضية `"default"`) : اسم المُكيّف (adapter) الذي سيتم حقنه، وإذا لم يُقدَّم، يُستخدم اسم المُكيّف الافتراضي ("default").

mixed (`bool`, `optional`, الافتراضي `False`) : ما إذا كان سيتم السماح بخلط أنواع مختلفة (متوافقة) من المُكيِّفات.

autocast_adapter_dtype (`bool`, *اختياري*) : ما إذا كان سيتم تحويل نوع بيانات المُكيّف تلقائيًا. القيمة الافتراضية هي `True`. حاليًا، لن يؤدي هذا إلا إلى تحويل أوزان المُكيّف باستخدام float16 أو bfloat16 إلى float32، حيث يُعد هذا مطلوبًا عادةً للتدريب المستقر، وسيؤثر فقط على مُكيّفات PEFT المحددة.

revision (`str`، `optional`، القيمة الافتراضية `main`) : نسخة النموذج الأساسي. إذا لم يتم تعيين هذا، فسيحمّل نموذج peft المحفوظ نسخة `main` للنموذج الأساسي

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مُكيّف فارغة على جهاز meta. مفيد لتسريع عملية التحميل. اترك هذا الإعداد على False إذا كنت تنوي تدريب النموذج، ما لم يتم استبدال أوزان المُكيّف بأوزان مختلفة قبل بدء التدريب.

يعيد كائن نموذج Peft من نموذج وإعدادات، حيث يتم تعديل النموذج في مكانه.

#### peft.inject_adapter_in_model[[peft.inject_adapter_in_model]]

```python
peft.inject_adapter_in_model(peft_config: PeftConfig, model: torch.nn.Module, adapter_name: str = 'default', low_cpu_mem_usage: bool = False, state_dict: Optional[dict[str, torch.Tensor]] = None)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/mapping.py#L47)

**المعاملات:**

peft_config (`PeftConfig`) : كائن التهيئة الذي يحتوي على معاملات نموذج PEFT.

model (`torch.nn.Module`) : النموذج المُدخل الذي سيتم حقن المُكيّف فيه.

adapter_name (`str`، `optional`، القيمة الافتراضية `"default"`) : اسم المُكيّف (adapter) الذي سيتم حقنه، وإذا لم يُقدَّم، يُستخدم اسم المُكيّف الافتراضي ("default").

low_cpu_mem_usage (`bool`، `optional`، القيمة الافتراضية `False`) : إنشاء أوزان مكيّف فارغة على جهاز meta. مفيد لتسريع عملية التحميل.

state_dict (`dict`، *اختياري*، القيمة الافتراضية `None`) : إذا تم تمرير `state_dict` هنا، فسيتم حقن المُكيّفات (adapters) بناءً على إدخالات الـ state_dict. قد يكون هذا مفيدًا عندما تكون `target_modules` الدقيقة لطريقة PEFT غير معروفة، على سبيل المثال لأن نقطة التفتيش (checkpoint) أُنشئت دون بيانات وصفية. لاحظ أن القيم من `state_dict` لا تُستخدم، بل تُستخدم المفاتيح فقط لتحديد الطبقات الصحيحة التي يجب تكييفها.

أنشئ طبقات PEFT وأدرجها في النموذج في مكانها.

حاليًا، لا تدعم واجهة برمجة التطبيقات (API) طرق تعلم الموجهات (prompt learning) أو الموجهات التكيفية (adaption prompt) أو المُعدِّلات (tuners) التي تحتفظ بحالة المُعدِّل (adapter state) مشتركة بين طبقات الهدف المتعددة. استخدم [get_peft_model()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.get_peft_model) لهذا الأخير.

تتشابه هذه الدالة مع [get_peft_model()](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.get_peft_model) لكنها لا تُرجع كائنًا من [PeftModel](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel). وبدلاً من ذلك، تُرجع الكائن الأصلي المُعدَّل للنموذج المُمرَّر.

#### peft.get_peft_model_state_dict[[peft.get_peft_model_state_dict]]

```python
peft.get_peft_model_state_dict(model, state_dict = None, adapter_name: str = 'default', unwrap_compiled: bool = False, save_embedding_layers: bool | Literal['auto'] = 'auto')
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/utils/save_and_load.py#L202)

**المعاملات:**

model ([PeftModel](/docs/peft/v0.22.0/ar/package_reference/peft_model#peft.PeftModel)) : نموذج Peft. عند استخدام torch.nn.DistributedDataParallel أو DeepSpeed أو FSDP، يجب أن يكون النموذج هو النموذج الأساسي/النموذج غير المغلف (أي model.module).

state_dict (`dict`، *اختياري*، القيمة الافتراضية `None`) : قاموس الحالة للنموذج. إذا لم يُقدَّم، فسيتم استخدام قاموس الحالة للنموذج المُمرَّر.

adapter_name (`str`، *اختياري*، القيمة الافتراضية `"default"`) : اسم المُكيّف الذي يجب إرجاع حالة القاموس الخاص به.

unwrap_compiled (`bool`، *اختياري*، الافتراضي `False`) : ما إذا كان يجب فك تغليف النموذج إذا تم استخدام torch.compile.

save_embedding_layers (`Union[bool, str]`، ، *اختياري*، القيمة الافتراضية `auto`) : إذا كانت `True`، احفظ طبقات التضمين بالإضافة إلى أوزان المحوّل. إذا كانت `auto`، تحقق من طبقات التضمين الشائعة `peft.utils.other.EMBEDDING_LAYER_NAMES` في `target_modules` الخاص بالإعدادات عند توفرها. بناءً على ذلك، اضبط العلم المنطقي. هذا يعمل فقط مع نماذج 🤗 transformers.

احصل على state dict للمُكيّف (adapter) المحدد في نموذج PEFT.

يشمل هذا معاملات PEFT فقط، وليس معاملات النموذج الأساسي. وبالتالي، يكون `state_dict` المُعاد أصغر حجمًا بشكل عام مقارنة بحجم النموذج الكامل. لاسترجاع `state_dict` الكامل، ما عليك سوى استدعاء `model.state_dict()`.

إذا كانت العناصر المحددة تحتوي على متجهات موزعة (مثل FSDP2 أو DTensor TP)، فيجب على جميع الرتب المشاركة استدعاء هذه الدالة: فجمع تلك العناصر في متجهات كاملة هو عملية جماعية. تبقى أوزان النموذج الأساسي غير المحددة مجزأة.

لاحظ أن اسم المُكيّف يُحذف من `state_dict`، إذ إنّه مجرد اسم تعسفي يمكن تغييره عند تحميل المُكيّف. لذا، على سبيل المثال، إذا كان اسم المُكيّف `'default'` والمفتاح الأصلي هو `'model.q_proj.lora_A.default.weight'`، فإن المفتاح المُعاد سيكون `'model.q_proj.lora_A.weight'`. استخدم هذه الدالة بالتزامن مع [set_peft_model_state_dict()](/docs/peft/v0.22.0/ar/package_reference/functional#peft.set_peft_model_state_dict) للتعامل مع اسم المُكيّف عند تحميل الأوزان.

#### peft.prepare_model_for_kbit_training[[peft.prepare_model_for_kbit_training]]

```python
peft.prepare_model_for_kbit_training(model, use_gradient_checkpointing = True, activation_checkpointing_kwargs = None, auto_clear_cache = True, gradient_checkpointing_kwargs = None)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/utils/other.py#L165)

**المعاملات:**

model (`transformers.PreTrainedModel`) : النموذج المحمّل من `transformers`

use_gradient_checkpointing (`bool`، *اختياري*، الافتراضي `True`) : إذا كانت القيمة True، فسيتم استخدام نقطة التفتيش للتدرج (gradient checkpointing) لتوفير الذاكرة على حساب إبطاء عملية الرجوع (backward pass).

activation_checkpointing_kwargs (`dict`، *اختياري*، القيمة الافتراضية `None`) : حُجج الكلمات المفتاحية التي سيتم تمريرها إلى دالة نقطة التفتيش للتفعيل، يُرجى الرجوع إلى توثيق `torch.utils.checkpoint.checkpoint` لمزيد من التفاصيل حول الحُجج التي يمكن تمريرها إلى تلك الطريقة. لاحظ أن هذا متاح فقط في إصدارات transformers (> 4.34.1).

auto_clear_cache (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان سيتم تفريغ ذاكرة التخزين المؤقت للمسرّع بعد ترقية المعاملات إلى fp32. يؤدي هذا إلى تحرير الذاكرة التي يحتفظ بها مُخصِّص التخزين المؤقت، وهو مفيد بشكل خاص على الأجهزة التي تشارك الذاكرة بين المضيف والمسرّع. اضبط القيمة على `False` لتخطي هذه الخطوة.

gradient_checkpointing_kwargs (`dict`، *اختياري*، القيمة الافتراضية `None`) : حُجج الكلمات المفتاحية التي سيتم تمريرها إلى دالة نقطة التفعيل. يوجد هذا الحُجج فقط من أجل التوافق مع الإصدارات السابقة وهو غير مستحسن، يُرجى استخدام `activation_checkpointing_kwargs` بدلاً منه. سيتم إزالته في PEFT v1.2.

لاحظ أن هذه الطريقة تعمل فقط مع نماذج `transformers`.

تغلّف هذه الطريقة بروتوكول التحضير الكامل للنموذج قبل بدء التدريب. ويشمل ذلك: 1- تحويل طبقة layernorm إلى fp32 2- جعل طبقة التضمين الإخراجي تتطلب التدرجات 3- إضافة رفع رأس lm إلى fp32 4- تجميد طبقات النموذج الأساسي للتأكد من عدم تحديثها أثناء التدريب

#### peft.get_layer_status[[peft.get_layer_status]]

```python
peft.get_layer_status(model: torch.nn.Module)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3544)

**المعاملات:**

model ([Union[`~PeftModel`, `~transformers.PreTrainedModel`, `nn.Module`]]) : النموذج الذي سيتم الحصول على حالة طبقة المحوّل (adapter) منه.

**يعيد:** قائمة`peft.peft_model.TunerLayerStatus`

قائمة من كائنات dataclass، يحتوي كل منها على حالة طبقة المحوّل (adapter) المقابلة.

احصل على حالة كل طبقة مُكيّف في النموذج.

تعيد هذه الدالة قائمة من كائنات فئة البيانات `TunerLayerStatus`، يحتوي كل منها على السمات التالية:

- `name` (`str`): اسم طبقة المُكيّف، مثل `model.encoder.block.0.layer.0.SelfAttention.q`.
- `module_type` (`str`): نوع طبقة المُكيّف، مثل `lora.Linear`.
- `enabled` (`bool`): ما إذا كان طبقة المُكيّف مفعّلة.
- `active_adapters` (`list[str]`): أسماء المُكيِّفات النشطة، إن وُجدت، مثل `["default"]`.
- `merged_adapters` (`list[str]`): أسماء المُدمِجات المُدمَجة، إن وُجدت، مثل `["default"]`.
- requires_grad : dict[str, bool | Literal["irregular"]] حالة requires_grad للمعاملات الخاصة بكل وحدة مُكيّف. من الأفضل أن تكون `True` أو `False`. إذا لم تكن حالة requires_grad متسقة عبر جميع المعاملات، فسيتم تعيين القيمة إلى `"irregular"`.
- `available_adapters` (`list[str]`): أسماء المُكيِّفات المتاحة، مثل `["default"]`.
- `devices` (`dict[str, list[str]]`): الأجهزة التي تُخزَّن فيها معاملات المُكيّف المحدد، مثل `["cuda","xpu"]`.
- `quantization_backend` (`str` أو `None`): اسم واجهة التكميم، مثل `"bnb 4bit"`، أو `None` إذا لم يتم التكميم.

#### peft.get_model_status[[peft.get_model_status]]

```python
peft.get_model_status(model: torch.nn.Module)
```

[المصدر](https://github.com/huggingface/peft/blob/v0.22.0/src/peft/peft_model.py#L3678)

**المعاملات:**

model ([Union[`~PeftModel`, `~transformers.PreTrainedModel`, `nn.Module`]]) : النموذج الذي سيتم الحصول على حالة طبقة المحوّل (adapter) منه.

**يعيد:** `peft.peft_model.TunerModelStatus`

فئة بيانات تحتوي على حالة النموذج.

احصل على حالة مُعدِّلات النموذج.

تعيد هذه الدالة كائنًا من فئة البيانات `TunerModelStatus`، والذي يحتوي على السمات التالية:

- `base_model_type` (`str`): نوع النموذج الأساسي، مثل `T5Model`.
- `adapter_model_type` (`str`): نوع نموذج المُكيّف، مثل `LoraModel`.
- `peft_types` (`dict[str, str]`): إسناد اسم المُكيّف إلى نوع المُكيّف، على سبيل المثال `{"default": "LORA"}`.
- `trainable_params` (`int`): عدد المعاملات القابلة للتدريب في النموذج.
- `total_params` (`int`): إجمالي عدد المعاملات في النموذج.
- `num_adapter_layers` (`int`): عدد طبقات المحوّل في النموذج.
- `enabled` (`bool`, `Literal["irregular"]`): ما إذا كانت جميع طبقات المُكيِّف مفعّلة. إذا كانت بعض الطبقات مفعّلة وبعضها الآخر غير مفعّل، فسيكون هذا `"irregular"`. وهذا يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `active_adapters` (`list[str]`, `Literal["irregular"]`): أسماء المُكيِّفات النشطة. إذا لم تكن المُكيِّفات النشطة متسقة عبر جميع الطبقات، فسيكون هذا `"irregular"`، مما يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `merged_adapters` (`list[str]`, `Literal["irregular"]`): أسماء المُدمِجات المُدمَجة. إذا لم تكن المُدمِجات المُدمَجة متسقة عبر جميع الطبقات، فسيكون هذا `"irregular"`، مما يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `requires_grad` (`dict[str, bool | Literal["irregular"]]`): ما إذا كانت جميع طبقات المُكيّف المحدد لها خاصية `requires_grad` مضبوطة على `True` أو `False`. إذا كان هناك خلط، فسيتم ضبطها على `"irregular"`، مما يعني أن نموذجك في حالة غير متسقة وقد لا يعمل كما هو متوقع.
- `available_adapters` (`list[str]`): أسماء المُكيِّفات المتاحة، مثل `["default"]`.
- `devices` (`dict[str, list[str]]`): الأجهزة التي تُخزَّن فيها معاملات المُكيّف المحدد، مثل `["cuda","xpu"]`.
- `quantization_backend` (`str`، `None`، `Literal["irregular"]`): اسم واجهة الكمية، مثل `"bnb 4bit"`، أو `None` إذا لم يتم التكميم. إذا لم تكن الواجهة متسقة عبر جميع الطبقات، فسيكون `"irregular"`.

