transformers/pr_33913/ar/_app/immutable/nodes/5.cd4bb596.js

import{s as ie,o as ue,n as me}from"../chunks/scheduler.5eb9d175.js";import{S as fe,i as de,g as u,s as n,r as h,A as ge,h as f,f as s,c as p,j as pe,u as $,x as d,k as re,l as oe,y as be,a as l,v as y,d as M,t as j,w}from"../chunks/index.fcdcb606.js";import{T as he}from"../chunks/Tip.9272e506.js";import{C as H}from"../chunks/CodeBlock.a7036e06.js";import{F as $e,M as ce}from"../chunks/Markdown.927e6a50.js";import{H as it,E as ye}from"../chunks/EditOnGithub.98bf070f.js";function Me(U){let a,b='بالنسبة لنماذج PyTorch، تستخدم طريقة <code>from_pretrained()</code> <code>torch.load()</code> التي تستخدم داخليًا <code>pickle</code> والتي يُعرف أنها غير آمنة. بشكل عام، لا تقم مطلقًا بتحميل نموذج قد يكون مصدره مصدرًا غير موثوق به، أو قد يكون تم العبث به. يتم تخفيف هذا الخطر الأمني جزئيًا للنماذج العامة المستضافة على Hub Hugging Face، والتي يتم <a href="https://huggingface.co/docs/hub/security-malware" rel="nofollow">فحصها بحثًا عن البرامج الضارة</a> في كل ارتكاب. راجع <a href="https://huggingface.co/docs/hub/security" rel="nofollow">توثيق Hub</a> للحصول على أفضل الممارسات مثل <a href="https://huggingface.co/docs/hub/security-gpg#signing-commits-with-gpg" rel="nofollow">التحقق من التوقيع</a> باستخدام GPG.',o,m,g="لا تتأثر نقاط تفتيش TensorFlow و Flax، ويمكن تحميلها داخل بنيات PyTorch باستخدام <code>from_tf</code> و <code>from_flax</code> kwargs لطريقة <code>from_pretrained</code> للتحايل على هذه المشكلة.";return{c(){a=u("p"),a.innerHTML=b,o=n(),m=u("p"),m.innerHTML=g},l(i){a=f(i,"P",{"data-svelte-h":!0}),d(a)!=="svelte-115h0gp"&&(a.innerHTML=b),o=p(i),m=f(i,"P",{"data-svelte-h":!0}),d(m)!=="svelte-6nepyf"&&(m.innerHTML=g)},m(i,k){l(i,a,k),l(i,o,k),l(i,m,k)},p:me,d(i){i&&(s(a),s(o),s(m))}}}function je(U){let a,b='تسمح لك فئات <code>AutoModelFor</code> بتحميل نموذج مُدرب مسبقًا لمهمة معينة (راجع <a href="model_doc/auto">هنا</a> للحصول على قائمة كاملة بالمهام المتاحة). على سبيل المثال، قم بتحميل نموذج لتصنيف التسلسل باستخدام <code>AutoModelForSequenceClassification.from_pretrained()</code>:',o,m,g,i,k="أعد استخدام نفس نقطة التفتيش لتحميل بنية لمهمة مختلفة:",x,T,C,v,W,J,c="بشكل عام، نوصي باستخدام فئة <code>AutoTokenizer</code> وفئة <code>AutoModelFor</code> لتحميل مثيلات مُدربة مسبقًا من النماذج. سيساعدك هذا في تحميل البنية الصحيحة في كل مرة. في البرنامج التعليمي التالي، تعرف على كيفية استخدام المحلل اللغوي ومعالج الصور ومستخرج الميزات والمعالج الذي تم تحميله حديثًا لمعالجة مجموعة بيانات للضبط الدقيق.",Z;return m=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24lMEElMEFtb2RlbCUyMCUzRCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKCUyMmRpc3RpbGJlcnQlMkZkaXN0aWxiZXJ0LWJhc2UtdW5jYXNlZCUyMik=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModelForSequenceClassification

<span class="hljs-meta">&gt;&gt;&gt; </span>model = AutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">&quot;distilbert/distilbert-base-uncased&quot;</span>)`,wrap:!1}}),T=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbEZvclRva2VuQ2xhc3NpZmljYXRpb24lMEElMEFtb2RlbCUyMCUzRCUyMEF1dG9Nb2RlbEZvclRva2VuQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKCUyMmRpc3RpbGJlcnQlMkZkaXN0aWxiZXJ0LWJhc2UtdW5jYXNlZCUyMik=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModelForTokenClassification

<span class="hljs-meta">&gt;&gt;&gt; </span>model = AutoModelForTokenClassification.from_pretrained(<span class="hljs-string">&quot;distilbert/distilbert-base-uncased&quot;</span>)`,wrap:!1}}),v=new he({props:{warning:!0,$$slots:{default:[Me]},$$scope:{ctx:U}}}),{c(){a=u("p"),a.innerHTML=b,o=n(),h(m.$$.fragment),g=n(),i=u("p"),i.textContent=k,x=n(),h(T.$$.fragment),C=n(),h(v.$$.fragment),W=n(),J=u("p"),J.innerHTML=c},l(r){a=f(r,"P",{"data-svelte-h":!0}),d(a)!=="svelte-crwpkw"&&(a.innerHTML=b),o=p(r),$(m.$$.fragment,r),g=p(r),i=f(r,"P",{"data-svelte-h":!0}),d(i)!=="svelte-1rf303y"&&(i.textContent=k),x=p(r),$(T.$$.fragment,r),C=p(r),$(v.$$.fragment,r),W=p(r),J=f(r,"P",{"data-svelte-h":!0}),d(J)!=="svelte-1bcokp2"&&(J.innerHTML=c)},m(r,_){l(r,a,_),l(r,o,_),y(m,r,_),l(r,g,_),l(r,i,_),l(r,x,_),y(T,r,_),l(r,C,_),y(v,r,_),l(r,W,_),l(r,J,_),Z=!0},p(r,_){const X={};_&2&&(X.$$scope={dirty:_,ctx:r}),v.$set(X)},i(r){Z||(M(m.$$.fragment,r),M(T.$$.fragment,r),M(v.$$.fragment,r),Z=!0)},o(r){j(m.$$.fragment,r),j(T.$$.fragment,r),j(v.$$.fragment,r),Z=!1},d(r){r&&(s(a),s(o),s(g),s(i),s(x),s(C),s(W),s(J)),w(m,r),w(T,r),w(v,r)}}}function we(U){let a,b;return a=new ce({props:{$$slots:{default:[je]},$$scope:{ctx:U}}}),{c(){h(a.$$.fragment)},l(o){$(a.$$.fragment,o)},m(o,m){y(a,o,m),b=!0},p(o,m){const g={};m&2&&(g.$$scope={dirty:m,ctx:o}),a.$set(g)},i(o){b||(M(a.$$.fragment,o),b=!0)},o(o){j(a.$$.fragment,o),b=!1},d(o){w(a,o)}}}function Te(U){let a,b='أخيرًا، تسمح لك فئات <code>TFAutoModelFor</code> بتحميل نموذج مُدرب مسبقًا لمهمة معينة (راجع <a href="model_doc/auto">هنا</a> للحصول على قائمة كاملة بالمهام المتاحة). على سبيل المثال، قم بتحميل نموذج لتصنيف التسلسل باستخدام <code>TFAutoModelForSequenceClassification.from_pretrained()</code>:',o,m,g,i,k="أعد استخدام نفس نقطة التفتيش لتحميل بنية لمهمة مختلفة:",x,T,C,v,W="بشكل عام، نوصي باستخدام فئة <code>AutoTokenizer</code> وفئة <code>TFAutoModelFor</code> لتحميل نسخ لنماذج مُدربة مسبقًا. سيساعدك هذا في تحميل البنية الصحيحة في كل مرة. في البرنامج التعليمي التالي، ستتعرف على كيفية استخدام المُجزّئ اللغوي ومعالج الصور ومستخرج الميزات والمعالج الذي تم تحميله حديثًا لمعالجة مجموعة بيانات للضبط الدقيق.",J;return m=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbiUwQSUwQW1vZGVsJTIwJTNEJTIwVEZBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModelForSequenceClassification

<span class="hljs-meta">&gt;&gt;&gt; </span>model = TFAutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">&quot;distilbert/distilbert-base-uncased&quot;</span>)`,wrap:!1}}),T=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsRm9yVG9rZW5DbGFzc2lmaWNhdGlvbiUwQSUwQW1vZGVsJTIwJTNEJTIwVEZBdXRvTW9kZWxGb3JUb2tlbkNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModelForTokenClassification

<span class="hljs-meta">&gt;&gt;&gt; </span>model = TFAutoModelForTokenClassification.from_pretrained(<span class="hljs-string">&quot;distilbert/distilbert-base-uncased&quot;</span>)`,wrap:!1}}),{c(){a=u("p"),a.innerHTML=b,o=n(),h(m.$$.fragment),g=n(),i=u("p"),i.textContent=k,x=n(),h(T.$$.fragment),C=n(),v=u("p"),v.innerHTML=W},l(c){a=f(c,"P",{"data-svelte-h":!0}),d(a)!=="svelte-tm3r5a"&&(a.innerHTML=b),o=p(c),$(m.$$.fragment,c),g=p(c),i=f(c,"P",{"data-svelte-h":!0}),d(i)!=="svelte-1rf303y"&&(i.textContent=k),x=p(c),$(T.$$.fragment,c),C=p(c),v=f(c,"P",{"data-svelte-h":!0}),d(v)!=="svelte-1fgu6ay"&&(v.innerHTML=W)},m(c,Z){l(c,a,Z),l(c,o,Z),y(m,c,Z),l(c,g,Z),l(c,i,Z),l(c,x,Z),y(T,c,Z),l(c,C,Z),l(c,v,Z),J=!0},p:me,i(c){J||(M(m.$$.fragment,c),M(T.$$.fragment,c),J=!0)},o(c){j(m.$$.fragment,c),j(T.$$.fragment,c),J=!1},d(c){c&&(s(a),s(o),s(g),s(i),s(x),s(C),s(v)),w(m,c),w(T,c)}}}function Je(U){let a,b;return a=new ce({props:{$$slots:{default:[Te]},$$scope:{ctx:U}}}),{c(){h(a.$$.fragment)},l(o){$(a.$$.fragment,o)},m(o,m){y(a,o,m),b=!0},p(o,m){const g={};m&2&&(g.$$scope={dirty:m,ctx:o}),a.$set(g)},i(o){b||(M(a.$$.fragment,o),b=!0)},o(o){j(a.$$.fragment,o),b=!1},d(o){w(a,o)}}}function ve(U){let a,b,o,m,g,i,k,x="لم ترغب في إنشاء محول معماري لمؤشر الترابط الخاص بك، فهناك العديد من محولات المعمارية المختلفة التي يمكنك الاختيار من بينها. كجزء من الفلسفة الأساسية لـ 🤗 Transformers لجعل المكتبة سهلة وبسيطة ومرنة، فإن فئة <code>AutoClass</code> تستدل تلقائيًا وتحمّل البنية الصحيحة من نسخة نموذج (Model Checkpoint) معينة. تسمح لك طريقة <code>from_pretrained()</code> بتحميل نموذج مُدرب مسبقًا لأي بنية بسرعة حتى لا تضطر إلى تكريس الوقت والموارد لتدريب نموذج من الصفر. إن إنتاج هذا النوع من التعليمات البرمجية غير المعتمدة على نسخ يعني أنه إذا نجح رمزك مع ننسخة واحدة، فسيتم تشغيله مع أخرى - طالما تم تدريبه لمهمة مماثلة - حتى إذا كانت البنية المعمارية مختلفة.",T,C,v='تذكر أن البنية تشير إلى هيكل النموذج، والنسخ هي الأوزان لبنية معمارية معينة. على سبيل المثال، <a href="https://huggingface.co/google-bert/bert-base-uncased" rel="nofollow">BERT</a> هي بنية معمارية، في حين أن <code>google-bert/bert-base-uncased</code> هي نسخة. “النموذج” هو مصطلح عام يمكن أن يعني إما البنية أو نالنسخة.',W,J,c="في هذا البرنامج التعليمي، ستتعلم كيفية:",Z,r,_="<li>تحميل مُجزّئ الرموز مُدرب مسبقًا</li> <li>تحميل معالج صور مُدرب مسبقًا</li> <li>تحميل مستخرج ميزات مُدرب مسبقًا</li> <li>تحميل معالج مُدرب مسبقًا</li> <li>تحميل نموذج مُدرب مسبقًا</li> <li>تحميل نموذج كعمود فقري</li>",X,L,ft,R,Et="تبدأ كل مهمة NLP تقريبًا بمُجزّئ للرموز. يقوم المُجزّئ بتحويل النص إلى شكل يمكن للنموذج معالجته.",dt,N,Bt="قم بتحميل المُجزّئ باستخدام <code>AutoTokenizer.from_pretrained()</code>:",gt,Y,bt,A,zt="ثم قم بتحليل إدخالك على النحو الموضح أدناه:",ht,I,$t,E,yt,B,Pt="بالنسبة لمهمات الرؤية، يقوم معالج الصور بمعالجة الصورة إلى تنسيق الإدخال الصحيح.",Mt,z,jt,P,wt,V,Qt='<img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/Swin%20Stages.png"/> <figcaption class="mt-2 text-center text-sm text-gray-500">الصورة توضح مخطط مراحل نموذج Swin.</figcaption>',Tt,Q,qt="يسمح لك <code>AutoBackbone</code> باستخدام النماذج المُدربة مسبقًا كعمود فقري للحصول على خرائط ميزات من مراحل مختلفة من العمود الفقري. يجب عليك تحديد أحد المعلمات التالية في <code>from_pretrained()</code>:",Jt,q,St="<li><code>out_indices</code> هو فهرس الطبقة التي تريد الحصول على خريطة الميزات منها</li> <li><code>out_features</code> هو اسم الطبقة التي تريد الحصول على خريطة الميزات منها</li>",vt,S,Kt="يمكن استخدام هذه المعلمات بشكل متبادل، ولكن إذا كنت تستخدم كلاً منها، فتأكد من أنها متوائمة مع بعضها البعض! إذا لم تمرر أيًا من هذه المعلمات، فسيقوم العمود الفقري بإرجاع خريطة الميزات من الطبقة الأخيرة.",Zt,G,Dt='<img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/Swin%20Stage%201.png"/> <figcaption class="mt-2 text-center text-sm text-gray-500">صورة توضح خريطة ميزات من المرحلة الأولى للعمود الفقري.</figcaption>',kt,K,Ot="على سبيل المثال، في الرسم التخطيطي أعلاه، لإرجاع خريطة الميزات من المرحلة الأولى من العمود الفقري Swin، يمكنك تعيين <code>out_indices=(1,)</code>:",Ct,D,_t,O,te="الآن يمكنك الوصول إلى كائن <code>feature_maps</code> من المرحلة الأولى من العمود الفقري:",xt,tt,Wt,et,Ut,st,ee="بالنسبة للمهام الصوتية، يقوم مستخرج الميزات بمعالجة إشارة الصوت إلى تنسيق الإدخال الصحيح.",Ht,lt,se="قم بتحميل مستخرج ميزات باستخدام <code>AutoFeatureExtractor.from_pretrained()</code>:",Vt,at,Gt,nt,Ft,pt,le='تتطلب المهام متعددة الوسائط معالجًا يجمع بين نوعين من أدوات المعالجة المسبقة. على سبيل المثال، يتطلب نموذج <a href="model_doc/layoutlmv2">LayoutLMV2</a> معالج صور لمعالجة الصور ومُجزّئ لمعالجة النص؛ يجمع المعالج كليهما.',Xt,rt,ae="قم بتحميل معالج باستخدام <code>AutoProcessor.from_pretrained()</code>:",Lt,ot,Rt,mt,Nt,F,Yt,ct,At,ut,It;return g=new it({props:{title:"تحميل نماذج مدربة مسبقًا باستخدام AutoClass",local:"تحميل-نماذج-مدربة-مسبقا-باستخدام-autoclass",headingTag:"h1"}}),L=new it({props:{title:"AutoTokenizer",local:"autotokenizer",headingTag:"h2"}}),Y=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMEElMEF0b2tlbml6ZXIlMjAlM0QlMjBBdXRvVG9rZW5pemVyLmZyb21fcHJldHJhaW5lZCglMjJnb29nbGUtYmVydCUyRmJlcnQtYmFzZS11bmNhc2VkJTIyKQ==",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer

<span class="hljs-meta">&gt;&gt;&gt; </span>tokenizer = AutoTokenizer.from_pretrained(<span class="hljs-string">&quot;google-bert/bert-base-uncased&quot;</span>)`,wrap:!1}}),I=new H({props:{code:"c2VxdWVuY2UlMjAlM0QlMjAlMjJJbiUyMGElMjBob2xlJTIwaW4lMjB0aGUlMjBncm91bmQlMjB0aGVyZSUyMGxpdmVkJTIwYSUyMGhvYmJpdC4lMjIlMEFwcmludCh0b2tlbml6ZXIoc2VxdWVuY2UpKQ==",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span>sequence = <span class="hljs-string">&quot;In a hole in the ground there lived a hobbit.&quot;</span>
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-built_in">print</span>(tokenizer(sequence))
{<span class="hljs-string">&#x27;input_ids&#x27;</span>: [<span class="hljs-number">101</span>, <span class="hljs-number">1999</span>, <span class="hljs-number">1037</span>, <span class="hljs-number">4920</span>, <span class="hljs-number">1999</span>, <span class="hljs-number">1996</span>, <span class="hljs-number">2598</span>, <span class="hljs-number">2045</span>, <span class="hljs-number">2973</span>, <span class="hljs-number">1037</span>, <span class="hljs-number">7570</span>, <span class="hljs-number">10322</span>, <span class="hljs-number">4183</span>, <span class="hljs-number">1012</span>, <span class="hljs-number">102</span>], 
 <span class="hljs-string">&#x27;token_type_ids&#x27;</span>: [<span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>], 
 <span class="hljs-string">&#x27;attention_mask&#x27;</span>: [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>]}`,wrap:!1}}),E=new it({props:{title:"معالج الصور التلقائي (AutoImageProcessor)",local:"معالج-الصور-التلقائي-autoimageprocessor",headingTag:"h2"}}),z=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9JbWFnZVByb2Nlc3NvciUwQSUwQWltYWdlX3Byb2Nlc3NvciUyMCUzRCUyMEF1dG9JbWFnZVByb2Nlc3Nvci5mcm9tX3ByZXRyYWluZWQoJTIyZ29vZ2xlJTJGdml0LWJhc2UtcGF0Y2gxNi0yMjQlMjIp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoImageProcessor

<span class="hljs-meta">&gt;&gt;&gt; </span>image_processor = AutoImageProcessor.from_pretrained(<span class="hljs-string">&quot;google/vit-base-patch16-224&quot;</span>)`,wrap:!1}}),P=new it({props:{title:"AutoBackbone",local:"autobackbone",headingTag:"h2"}}),D=new H({props:{code:"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",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoImageProcessor, AutoBackbone
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">import</span> torch
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> PIL <span class="hljs-keyword">import</span> Image
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">import</span> requests
<span class="hljs-meta">&gt;&gt;&gt; </span>url = <span class="hljs-string">&quot;http://images.cocodataset.org/val2017/000000039769.jpg&quot;</span>
<span class="hljs-meta">&gt;&gt;&gt; </span>image = Image.<span class="hljs-built_in">open</span>(requests.get(url, stream=<span class="hljs-literal">True</span>).raw)
<span class="hljs-meta">&gt;&gt;&gt; </span>processor = AutoImageProcessor.from_pretrained(<span class="hljs-string">&quot;microsoft/swin-tiny-patch4-window7-224&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>model = AutoBackbone.from_pretrained(<span class="hljs-string">&quot;microsoft/swin-tiny-patch4-window7-224&quot;</span>, out_indices=(<span class="hljs-number">1</span>,))

<span class="hljs-meta">&gt;&gt;&gt; </span>inputs = processor(image, return_tensors=<span class="hljs-string">&quot;pt&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>outputs = model(**inputs)
<span class="hljs-meta">&gt;&gt;&gt; </span>feature_maps = outputs.feature_maps`,wrap:!1}}),tt=new H({props:{code:"bGlzdChmZWF0dXJlX21hcHMlNUIwJTVELnNoYXBlKQ==",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-built_in">list</span>(feature_maps[<span class="hljs-number">0</span>].shape)
[<span class="hljs-number">1</span>, <span class="hljs-number">96</span>, <span class="hljs-number">56</span>, <span class="hljs-number">56</span>]`,wrap:!1}}),et=new it({props:{title:"مستخرج الميزات التلقائي (AutoFeatureExtractor)",local:"مستخرج-الميزات-التلقائي-autofeatureextractor",headingTag:"h2"}}),at=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9GZWF0dXJlRXh0cmFjdG9yJTBBJTBBZmVhdHVyZV9leHRyYWN0b3IlMjAlM0QlMjBBdXRvRmVhdHVyZUV4dHJhY3Rvci5mcm9tX3ByZXRyYWluZWQoJTBBJTIwJTIwJTIwJTIwJTIyZWhjYWxhYnJlcyUyRndhdjJ2ZWMyLWxnLXhsc3ItZW4tc3BlZWNoLWVtb3Rpb24tcmVjb2duaXRpb24lMjIlMEEp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoFeatureExtractor

<span class="hljs-meta">&gt;&gt;&gt; </span>feature_extractor = AutoFeatureExtractor.from_pretrained(
<span class="hljs-meta">... </span>    <span class="hljs-string">&quot;ehcalabres/wav2vec2-lg-xlsr-en-speech-emotion-recognition&quot;</span>
<span class="hljs-meta">... </span>)`,wrap:!1}}),nt=new it({props:{title:"المعالج التلقائي (AutoProcessor)",local:"المعالج-التلقائي-autoprocessor",headingTag:"h2"}}),ot=new H({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Qcm9jZXNzb3IlMEElMEFwcm9jZXNzb3IlMjAlM0QlMjBBdXRvUHJvY2Vzc29yLmZyb21fcHJldHJhaW5lZCglMjJtaWNyb3NvZnQlMkZsYXlvdXRsbXYyLWJhc2UtdW5jYXNlZCUyMik=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoProcessor

<span class="hljs-meta">&gt;&gt;&gt; </span>processor = AutoProcessor.from_pretrained(<span class="hljs-string">&quot;microsoft/layoutlmv2-base-uncased&quot;</span>)`,wrap:!1}}),mt=new it({props:{title:"النموذج التلقائي (AutoModel)",local:"النموذج-التلقائي-automodel",headingTag:"h2"}}),F=new $e({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[Je],pytorch:[we]},$$scope:{ctx:U}}}),ct=new ye({props:{source:"https://github.com/huggingface/transformers/blob/main/docs/source/ar/autoclass_tutorial.md"}}),{c(){a=u("meta"),b=n(),o=u("p"),m=n(),h(g.$$.fragment),i=n(),k=u("p"),k.innerHTML=x,T=n(),C=u("p"),C.innerHTML=v,W=n(),J=u("p"),J.textContent=c,Z=n(),r=u("ul"),r.innerHTML=_,X=n(),h(L.$$.fragment),ft=n(),R=u("p"),R.textContent=Et,dt=n(),N=u("p"),N.innerHTML=Bt,gt=n(),h(Y.$$.fragment),bt=n(),A=u("p"),A.textContent=zt,ht=n(),h(I.$$.fragment),$t=n(),h(E.$$.fragment),yt=n(),B=u("p"),B.textContent=Pt,Mt=n(),h(z.$$.fragment),jt=n(),h(P.$$.fragment),wt=n(),V=u("div"),V.innerHTML=Qt,Tt=n(),Q=u("p"),Q.innerHTML=qt,Jt=n(),q=u("ul"),q.innerHTML=St,vt=n(),S=u("p"),S.textContent=Kt,Zt=n(),G=u("div"),G.innerHTML=Dt,kt=n(),K=u("p"),K.innerHTML=Ot,Ct=n(),h(D.$$.fragment),_t=n(),O=u("p"),O.innerHTML=te,xt=n(),h(tt.$$.fragment),Wt=n(),h(et.$$.fragment),Ut=n(),st=u("p"),st.textContent=ee,Ht=n(),lt=u("p"),lt.innerHTML=se,Vt=n(),h(at.$$.fragment),Gt=n(),h(nt.$$.fragment),Ft=n(),pt=u("p"),pt.innerHTML=le,Xt=n(),rt=u("p"),rt.innerHTML=ae,Lt=n(),h(ot.$$.fragment),Rt=n(),h(mt.$$.fragment),Nt=n(),h(F.$$.fragment),Yt=n(),h(ct.$$.fragment),At=n(),ut=u("p"),this.h()},l(t){const e=ge("svelte-u9bgzb",document.head);a=f(e,"META",{name:!0,content:!0}),e.forEach(s),b=p(t),o=f(t,"P",{}),pe(o).forEach(s),m=p(t),$(g.$$.fragment,t),i=p(t),k=f(t,"P",{"data-svelte-h":!0}),d(k)!=="svelte-1kdnxye"&&(k.innerHTML=x),T=p(t),C=f(t,"P",{"data-svelte-h":!0}),d(C)!=="svelte-1df9lak"&&(C.innerHTML=v),W=p(t),J=f(t,"P",{"data-svelte-h":!0}),d(J)!=="svelte-1rm5nwa"&&(J.textContent=c),Z=p(t),r=f(t,"UL",{"data-svelte-h":!0}),d(r)!=="svelte-1okqv25"&&(r.innerHTML=_),X=p(t),$(L.$$.fragment,t),ft=p(t),R=f(t,"P",{"data-svelte-h":!0}),d(R)!=="svelte-joa0k1"&&(R.textContent=Et),dt=p(t),N=f(t,"P",{"data-svelte-h":!0}),d(N)!=="svelte-1igiepf"&&(N.innerHTML=Bt),gt=p(t),$(Y.$$.fragment,t),bt=p(t),A=f(t,"P",{"data-svelte-h":!0}),d(A)!=="svelte-wxdp9f"&&(A.textContent=zt),ht=p(t),$(I.$$.fragment,t),$t=p(t),$(E.$$.fragment,t),yt=p(t),B=f(t,"P",{"data-svelte-h":!0}),d(B)!=="svelte-9pxrn8"&&(B.textContent=Pt),Mt=p(t),$(z.$$.fragment,t),jt=p(t),$(P.$$.fragment,t),wt=p(t),V=f(t,"DIV",{style:!0,"data-svelte-h":!0}),d(V)!=="svelte-hp41wf"&&(V.innerHTML=Qt),Tt=p(t),Q=f(t,"P",{"data-svelte-h":!0}),d(Q)!=="svelte-xuh11i"&&(Q.innerHTML=qt),Jt=p(t),q=f(t,"UL",{"data-svelte-h":!0}),d(q)!=="svelte-a5aot"&&(q.innerHTML=St),vt=p(t),S=f(t,"P",{"data-svelte-h":!0}),d(S)!=="svelte-mubvly"&&(S.textContent=Kt),Zt=p(t),G=f(t,"DIV",{style:!0,"data-svelte-h":!0}),d(G)!=="svelte-zgs7fi"&&(G.innerHTML=Dt),kt=p(t),K=f(t,"P",{"data-svelte-h":!0}),d(K)!=="svelte-18vpa93"&&(K.innerHTML=Ot),Ct=p(t),$(D.$$.fragment,t),_t=p(t),O=f(t,"P",{"data-svelte-h":!0}),d(O)!=="svelte-1obtkss"&&(O.innerHTML=te),xt=p(t),$(tt.$$.fragment,t),Wt=p(t),$(et.$$.fragment,t),Ut=p(t),st=f(t,"P",{"data-svelte-h":!0}),d(st)!=="svelte-1uy2tse"&&(st.textContent=ee),Ht=p(t),lt=f(t,"P",{"data-svelte-h":!0}),d(lt)!=="svelte-d7j6gj"&&(lt.innerHTML=se),Vt=p(t),$(at.$$.fragment,t),Gt=p(t),$(nt.$$.fragment,t),Ft=p(t),pt=f(t,"P",{"data-svelte-h":!0}),d(pt)!=="svelte-ut37m3"&&(pt.innerHTML=le),Xt=p(t),rt=f(t,"P",{"data-svelte-h":!0}),d(rt)!=="svelte-6hhy7t"&&(rt.innerHTML=ae),Lt=p(t),$(ot.$$.fragment,t),Rt=p(t),$(mt.$$.fragment,t),Nt=p(t),$(F.$$.fragment,t),Yt=p(t),$(ct.$$.fragment,t),At=p(t),ut=f(t,"P",{}),pe(ut).forEach(s),this.h()},h(){re(a,"name","hf:doc:metadata"),re(a,"content",Ze),oe(V,"text-align","center"),oe(G,"text-align","center")},m(t,e){be(document.head,a),l(t,b,e),l(t,o,e),l(t,m,e),y(g,t,e),l(t,i,e),l(t,k,e),l(t,T,e),l(t,C,e),l(t,W,e),l(t,J,e),l(t,Z,e),l(t,r,e),l(t,X,e),y(L,t,e),l(t,ft,e),l(t,R,e),l(t,dt,e),l(t,N,e),l(t,gt,e),y(Y,t,e),l(t,bt,e),l(t,A,e),l(t,ht,e),y(I,t,e),l(t,$t,e),y(E,t,e),l(t,yt,e),l(t,B,e),l(t,Mt,e),y(z,t,e),l(t,jt,e),y(P,t,e),l(t,wt,e),l(t,V,e),l(t,Tt,e),l(t,Q,e),l(t,Jt,e),l(t,q,e),l(t,vt,e),l(t,S,e),l(t,Zt,e),l(t,G,e),l(t,kt,e),l(t,K,e),l(t,Ct,e),y(D,t,e),l(t,_t,e),l(t,O,e),l(t,xt,e),y(tt,t,e),l(t,Wt,e),y(et,t,e),l(t,Ut,e),l(t,st,e),l(t,Ht,e),l(t,lt,e),l(t,Vt,e),y(at,t,e),l(t,Gt,e),y(nt,t,e),l(t,Ft,e),l(t,pt,e),l(t,Xt,e),l(t,rt,e),l(t,Lt,e),y(ot,t,e),l(t,Rt,e),y(mt,t,e),l(t,Nt,e),y(F,t,e),l(t,Yt,e),y(ct,t,e),l(t,At,e),l(t,ut,e),It=!0},p(t,[e]){const ne={};e&2&&(ne.$$scope={dirty:e,ctx:t}),F.$set(ne)},i(t){It||(M(g.$$.fragment,t),M(L.$$.fragment,t),M(Y.$$.fragment,t),M(I.$$.fragment,t),M(E.$$.fragment,t),M(z.$$.fragment,t),M(P.$$.fragment,t),M(D.$$.fragment,t),M(tt.$$.fragment,t),M(et.$$.fragment,t),M(at.$$.fragment,t),M(nt.$$.fragment,t),M(ot.$$.fragment,t),M(mt.$$.fragment,t),M(F.$$.fragment,t),M(ct.$$.fragment,t),It=!0)},o(t){j(g.$$.fragment,t),j(L.$$.fragment,t),j(Y.$$.fragment,t),j(I.$$.fragment,t),j(E.$$.fragment,t),j(z.$$.fragment,t),j(P.$$.fragment,t),j(D.$$.fragment,t),j(tt.$$.fragment,t),j(et.$$.fragment,t),j(at.$$.fragment,t),j(nt.$$.fragment,t),j(ot.$$.fragment,t),j(mt.$$.fragment,t),j(F.$$.fragment,t),j(ct.$$.fragment,t),It=!1},d(t){t&&(s(b),s(o),s(m),s(i),s(k),s(T),s(C),s(W),s(J),s(Z),s(r),s(X),s(ft),s(R),s(dt),s(N),s(gt),s(bt),s(A),s(ht),s($t),s(yt),s(B),s(Mt),s(jt),s(wt),s(V),s(Tt),s(Q),s(Jt),s(q),s(vt),s(S),s(Zt),s(G),s(kt),s(K),s(Ct),s(_t),s(O),s(xt),s(Wt),s(Ut),s(st),s(Ht),s(lt),s(Vt),s(Gt),s(Ft),s(pt),s(Xt),s(rt),s(Lt),s(Rt),s(Nt),s(Yt),s(At),s(ut)),s(a),w(g,t),w(L,t),w(Y,t),w(I,t),w(E,t),w(z,t),w(P,t),w(D,t),w(tt,t),w(et,t),w(at,t),w(nt,t),w(ot,t),w(mt,t),w(F,t),w(ct,t)}}}const Ze='{"title":"تحميل نماذج مدربة مسبقًا باستخدام AutoClass","local":"تحميل-نماذج-مدربة-مسبقا-باستخدام-autoclass","sections":[{"title":"AutoTokenizer","local":"autotokenizer","sections":[],"depth":2},{"title":"معالج الصور التلقائي (AutoImageProcessor)","local":"معالج-الصور-التلقائي-autoimageprocessor","sections":[],"depth":2},{"title":"AutoBackbone","local":"autobackbone","sections":[],"depth":2},{"title":"مستخرج الميزات التلقائي (AutoFeatureExtractor)","local":"مستخرج-الميزات-التلقائي-autofeatureextractor","sections":[],"depth":2},{"title":"المعالج التلقائي (AutoProcessor)","local":"المعالج-التلقائي-autoprocessor","sections":[],"depth":2},{"title":"النموذج التلقائي (AutoModel)","local":"النموذج-التلقائي-automodel","sections":[],"depth":2}],"depth":1}';function ke(U){return ue(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Ve extends fe{constructor(a){super(),de(this,a,ke,ve,ie,{})}}export{Ve as component};