transformers/pr_37396/ar/_app/immutable/nodes/52.3daade3e.js

import{s as as,o as ps}from"../chunks/scheduler.56730f09.js";import{S as rs,i as ms,g as p,s as n,r as m,A as is,h as r,f as s,c as a,j as Ue,u as i,x as d,k as ts,y as T,a as l,v as o,d as c,t as f,w as u,m as ls,n as ns}from"../chunks/index.61415d3e.js";import{T as es}from"../chunks/Tip.81680c40.js";import{Y as ss}from"../chunks/Youtube.4af31517.js";import{C as M}from"../chunks/CodeBlock.501e762d.js";import{H as U,E as os}from"../chunks/index.5b907165.js";function cs(yt){let $;return{c(){$=ls("راجع دليل [الأداء](performance) لمزيد من التفاصيل حول تقنيات توفير الذاكرة.")},l(g){$=ns(g,"راجع دليل [الأداء](performance) لمزيد من التفاصيل حول تقنيات توفير الذاكرة.")},m(g,j){l(g,$,j)},d(g){g&&s($)}}}function fs(yt){let $;return{c(){$=ls("بشكل افتراضي، ينشئ مجزىء النصوص `attention_mask` لك استنادًا إلى إعدادات المجزىء المحدد.")},l(g){$=ns(g,"بشكل افتراضي، ينشئ مجزىء النصوص `attention_mask` لك استنادًا إلى إعدادات المجزىء المحدد.")},m(g,j){l(g,$,j)},d(g){g&&s($)}}}function us(yt){let $,g,j,Jt,C,vt,J,_e="تحدث الأخطاء أحيانًا، لكننا هنا للمساعدة! يغطي هذا الدليل بعض المشكلات الأكثر شيوعًا التي واجهناها وكيفية حلها. مع ذلك، لا يُقصد بهذا الدليل أن يكون مجموعة شاملة لكل مشكلات 🤗 Transformers. لمزيد من المساعدة في استكشاف مشكلتك وإصلاحها، جرب ما يلي:",_t,v,kt,h,_,wt,ke='اطلب المساعدة على <a href="https://discuss.huggingface.co/" rel="nofollow">المنتديات</a>. هناك فئات محددة يمكنك نشر سؤالك فيها، مثل <a href="https://discuss.huggingface.co/c/beginners/5" rel="nofollow">المبتدئين</a> أو <a href="https://discuss.huggingface.co/c/transformers/9" rel="nofollow">🤗 Transformers</a>. تأكد من كتابة منشور جيد وواضح على المنتدى مع بعض التعليمات البرمجية القابلة للتكرار لزيادة احتمالية حل مشكلتك!',Ce,k,Je,Tt,Ve='<p>قم بإنشاء <a href="https://github.com/huggingface/transformers/issues/new/choose" rel="nofollow">مشكلة</a> في مستودع 🤗 Transformers إذا كانت هناك مشكلة متعلقة بالمكتبة. حاول تضمين أكبر قدر ممكن من المعلومات التي تصف المشكلة لمساعدتنا في معرفة ما هو الخطأ وكيفية إصلاحه.</p>',ve,Ut,Ze='<p>تحقق من دليل <a href="migration">الترحيل</a> إذا كنت تستخدم إصدارًا أقدم من مكتبة 🤗 Transformers حيث تم إدخال بعض التغييرات المهمة بين الإصدارات.</p>',Vt,V,xe='للحصول على مزيد من التفاصيل حول استكشاف الأخطاء وإصلاحها والحصول على المساعدة، راجع <a href="https://huggingface.co/course/chapter8/1?fw=pt" rel="nofollow">الفصل 8</a> من دورة Hugging Face.',Zt,Z,xt,x,Ge="بعض وحدات معالجة الرسومات (GPU) على السحابة وإعدادات الشبكة الداخلية محمية بجدار حماية من الاتصالات الخارجية، مما يؤدي إلى حدوث خطأ في الاتصال. عندما تحاول تعليمات البرنامج النصي تنزيل أوزان النموذج أو مجموعات البيانات، سيتوقف التنزيل ثم ينتهي بخطأ مثل:",Gt,G,Wt,W,We='في هذه الحالة، يجب محاولة تشغيل 🤗 Transformers في <a href="installation#offline-mode">وضع عدم الاتصال</a> لتجنب خطأ الاتصال.',It,I,Qt,Q,Ie="يمكن أن يكون تدريب النماذج الكبيرة التي تحتوي على ملايين المعلمات أمرًا صعبًا بدون الأجهزة المناسبة. أحد الأخطاء الشائعة التي قد تواجهها عند نفاد ذاكرة GPU هو:",Ht,H,Bt,B,Qe="فيما يلي بعض الحلول المحتملة التي يمكنك تجربتها لتقليل استخدام الذاكرة:",Et,E,He='<li><p>قلل من قيمة <a href="main_classes/trainer#transformers.TrainingArguments.per_device_train_batch_size"><code>per_device_train_batch_size</code></a> في <code>TrainingArguments</code>.</p></li> <li><p>حاول استخدام <a href="main_classes/trainer#transformers.TrainingArguments.gradient_accumulation_steps"><code>gradient_accumulation_steps</code></a> في <code>TrainingArguments</code> لزيادة حجم الدُفعة بشكل فعال.</p></li>',Rt,y,Ft,R,At,F,Be='تقوم طريقة TensorFlow <a href="https://www.tensorflow.org/tutorials/keras/save_and_load#save_the_entire_model" rel="nofollow">model.save</a> بحفظ النموذج بالكامل - الهندسة المعمارية، الأوزان، تكوين التدريب - في ملف واحد. ومع ذلك، عند تحميل ملف النموذج مرة أخرى، قد تواجه خطأ لأن مكتبة 🤗 Transformers قد لا تقوم بتحميل جميع الكائنات المتعلقة بـ TensorFlow في ملف النموذج. لتجنب المشكلات  المتعلقة بحفظ وتحميل نماذج TensorFlow، نوصي بما يلي:',Lt,A,Ee='<li>احفظ أوزان النموذج كملف <code>h5</code> باستخدام <a href="https://www.tensorflow.org/tutorials/keras/save_and_load#save_the_entire_model" rel="nofollow"><code>model.save_weights</code></a> ثم أعد تحميل النموذج باستخدام <code>from_pretrained()</code>:</li>',Nt,L,Pt,N,Re="<li>احفظ النموذج باستخدام <code>~TFPretrainedModel.save_pretrained</code> وقم بتحميله مرة أخرى باستخدام <code>from_pretrained()</code>:</li>",Xt,P,St,X,zt,S,Fe="خطأ شائع آخر قد تواجهه، خاصة إذا كان نموذجًا تم إصداره حديثًا، هو <code>ImportError</code>:",Yt,z,Dt,Y,Ae="بالنسبة لأنواع الأخطاء هذه، تحقق من أن لديك أحدث إصدار من مكتبة Hugging Face Transformers مثبتًا للوصول إلى أحدث النماذج:",qt,D,Kt,q,Ot,K,Le="في بعض الأحيان، قد تواجه خطأ CUDA عامًا حول خطأ في كود الجهاز.",te,O,ee,tt,Ne="يجب عليك محاولة تشغيل الكود على وحدة المعالجة المركزية (CPU) أولاً للحصول على رسالة خطأ أكثر دقة. أضف متغير البيئة التالي في بداية كودك للتبديل إلى وحدة المعالجة المركزية:",se,et,le,st,Pe="الخيار الآخر هو الحصول على تتبع مكدس أفضل من GPU. أضف متغير البيئة التالي في بداية كودك للحصول على تتبع المكدس للإشارة إلى مصدر الخطأ:",ne,lt,ae,nt,pe,at,Xe="في بعض الحالات، قد يكون <code>hidden_state</code> غير صحيحة إذا تضمنت <code>input_ids</code> رموز حشو. ولإثبات ذلك، قم بتحميل نموذج ومجزىء لغوى. يمكنك الوصول إلى <code>pad_token_id</code> للنموذج لمعرفة قيمته. قد تكون <code>pad_token_id</code> <code>None</code> لبعض النماذج، ولكن يمكنك دائمًا تعيينها يدويًا.",re,pt,me,rt,Se="يوضح المثال التالي المُخرجات بدون إخفاء رموز الحشو:",ie,mt,oe,it,ze="هنا المُخرجات الفعلية للتسلسل الثاني:",ce,ot,fe,ct,Ye="يجب عليك في معظم الوقت توفير <code>attention_mask</code> للنموذج لتجاهل رموز الحشو لتجنب هذا الخطأ الصامت. الآن يتطابق مُخرجات التسلسل الثاني مع مُخرجاته الفعلية:",ue,w,de,ft,$e,ut,De="لا ينشئ 🤗 Transformers تلقائيًا <code>attention_mask</code> لإخفاء رمز الحشو إذا تم توفيره لأن:",ge,dt,qe="<li><p>بعض النماذج ليس لها رمز حشو.</p></li> <li><p>بالنسبة لبعض الاستخدامات، يريد المستخدمون أن ينتبه النموذج إلى رمز الحشو.</p></li>",Me,$t,he,gt,Ke="بشكل عام، نوصي باستخدام فئة <code>AutoModel</code> لتحميل النسخ المدربة مسبقًا من النماذج. يمكن لهذه الفئة أن تستنتج وتُحمل تلقائيًا البنية الصحيحة من نسخ معينة بناءً على التكوين. إذا رأيت هذا الخطأ <code>ValueError</code> عند تحميل نموذج من نسخة، فهذا يعني أن الفئة التلقائية (Auto) لم تتمكن من العثور على خريطة من التكوين في نقطة التفتيش المعطاة إلى نوع النموذج الذي تُحاول تحميله. وغالبًا ما يحدث هذا عندما لا تدعم نقطة التفتيش مهمة معينة.",je,Mt,Oe="على سبيل المثال، سترى هذا الخطأ في المثال التالي لأنه لا يوجد GPT2 للإجابة على الأسئلة:",be,ht,ye,jt,we,Ct,Te;return C=new U({props:{title:"استكشاف الأخطاء وإصلاحها",local:"استكشاف-الأخطاء-وإصلاحها",headingTag:"h1"}}),v=new ss({props:{id:"S2EEG3JIt2A"}}),k=new ss({props:{id:"_PAli-V4wj0"}}),Z=new U({props:{title:"بيئات جدار الحماية",local:"بيئات-جدار-الحماية",headingTag:"h2"}}),G=new M({props:{code:"VmFsdWVFcnJvciUzQSUyMENvbm5lY3Rpb24lMjBlcnJvciUyQyUyMGFuZCUyMHdlJTIwY2Fubm90JTIwZmluZCUyMHRoZSUyMHJlcXVlc3RlZCUyMGZpbGVzJTIwaW4lMjB0aGUlMjBjYWNoZWQlMjBwYXRoLiUwQVBsZWFzZSUyMHRyeSUyMGFnYWluJTIwb3IlMjBtYWtlJTIwc3VyZSUyMHlvdXIlMjBJbnRlcm5ldCUyMGNvbm5lY3Rpb24lMjBpcyUyMG9uLg==",highlighted:`ValueError: Connection error, <span class="hljs-built_in">and</span> we cannot <span class="hljs-keyword">find</span> the requested <span class="hljs-keyword">files</span> in the cached path.
Please <span class="hljs-keyword">try</span> again <span class="hljs-built_in">or</span> <span class="hljs-keyword">make</span> sure your Internet connection <span class="hljs-keyword">is</span> <span class="hljs-keyword">on</span>.`,wrap:!1}}),I=new U({props:{title:"CUDA نفاد الذاكرة",local:"cuda-نفاد-الذاكرة",headingTag:"h2"}}),H=new M({props:{code:"Q1VEQSUyMG91dCUyMG9mJTIwbWVtb3J5LiUyMFRyaWVkJTIwdG8lMjBhbGxvY2F0ZSUyMDI1Ni4wMCUyME1pQiUyMChHUFUlMjAwJTNCJTIwMTEuMTclMjBHaUIlMjB0b3RhbCUyMGNhcGFjaXR5JTNCJTIwOS43MCUyMEdpQiUyMGFscmVhZHklMjBhbGxvY2F0ZWQlM0IlMjAxNzkuODElMjBNaUIlMjBmcmVlJTNCJTIwOS44NSUyMEdpQiUyMHJlc2VydmVkJTIwaW4lMjB0b3RhbCUyMGJ5JTIwUHlUb3JjaCk=",highlighted:'<span class="hljs-attribute">CUDA</span> out of memory. Tried to allocate <span class="hljs-number">256</span>.<span class="hljs-number">00</span> MiB (GPU <span class="hljs-number">0</span>; <span class="hljs-number">11</span>.<span class="hljs-number">17</span> GiB total capacity; <span class="hljs-number">9</span>.<span class="hljs-number">70</span> GiB already allocated; <span class="hljs-number">179</span>.<span class="hljs-number">81</span> MiB free; <span class="hljs-number">9</span>.<span class="hljs-number">85</span> GiB reserved in total by PyTorch)',wrap:!1}}),y=new es({props:{$$slots:{default:[cs]},$$scope:{ctx:yt}}}),R=new U({props:{title:"عدم القدرة على تحميل نموذج TensorFlow محفوظ",local:"عدم-القدرة-على-تحميل-نموذج-tensorflow-محفوظ",headingTag:"h2"}}),L=new M({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGUHJlVHJhaW5lZE1vZGVsJTBBZnJvbSUyMHRlbnNvcmZsb3clMjBpbXBvcnQlMjBrZXJhcyUwQSUwQW1vZGVsLnNhdmVfd2VpZ2h0cyglMjJzb21lX2ZvbGRlciUyRnRmX21vZGVsLmg1JTIyKSUwQW1vZGVsJTIwJTNEJTIwVEZQcmVUcmFpbmVkTW9kZWwuZnJvbV9wcmV0cmFpbmVkKCUyMnNvbWVfZm9sZGVyJTIyKQ==",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFPreTrainedModel
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> tensorflow <span class="hljs-keyword">import</span> keras

<span class="hljs-meta">&gt;&gt;&gt; </span>model.save_weights(<span class="hljs-string">&quot;some_folder/tf_model.h5&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>model = TFPreTrainedModel.from_pretrained(<span class="hljs-string">&quot;some_folder&quot;</span>)`,wrap:!1}}),P=new M({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGUHJlVHJhaW5lZE1vZGVsJTBBJTBBbW9kZWwuc2F2ZV9wcmV0cmFpbmVkKCUyMnBhdGhfdG8lMkZtb2RlbCUyMiklMEFtb2RlbCUyMCUzRCUyMFRGUHJlVHJhaW5lZE1vZGVsLmZyb21fcHJldHJhaW5lZCglMjJwYXRoX3RvJTJGbW9kZWwlMjIp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFPreTrainedModel

<span class="hljs-meta">&gt;&gt;&gt; </span>model.save_pretrained(<span class="hljs-string">&quot;path_to/model&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>model = TFPreTrainedModel.from_pretrained(<span class="hljs-string">&quot;path_to/model&quot;</span>)`,wrap:!1}}),X=new U({props:{title:"ImportError",local:"importerror",headingTag:"h2"}}),z=new M({props:{code:"SW1wb3J0RXJyb3IlM0ElMjBjYW5ub3QlMjBpbXBvcnQlMjBuYW1lJTIwJ0ltYWdlR1BUSW1hZ2VQcm9jZXNzb3InJTIwZnJvbSUyMCd0cmFuc2Zvcm1lcnMnJTIwKHVua25vd24lMjBsb2NhdGlvbik=",highlighted:'ImportError: cannot <span class="hljs-keyword">import</span> <span class="hljs-type">name</span> <span class="hljs-string">&#x27;ImageGPTImageProcessor&#x27;</span> <span class="hljs-keyword">from</span> <span class="hljs-string">&#x27;transformers&#x27;</span> (<span class="hljs-type">unknown</span> <span class="hljs-keyword">location</span>)',wrap:!1}}),D=new M({props:{code:"cGlwJTIwaW5zdGFsbCUyMHRyYW5zZm9ybWVycyUyMC0tdXBncmFkZQ==",highlighted:"pip install transformers --upgrade",wrap:!1}}),q=new U({props:{title:"خطأ CUDA: تم تشغيل التأكيد على جانب الجهاز",local:"خطأ-cuda-تم-تشغيل-التأكيد-على-جانب-الجهاز",headingTag:"h2"}}),O=new M({props:{code:"UnVudGltZUVycm9yJTNBJTIwQ1VEQSUyMGVycm9yJTNBJTIwZGV2aWNlLXNpZGUlMjBhc3NlcnQlMjB0cmlnZ2VyZWQ=",highlighted:'RuntimeError: CUDA <span class="hljs-literal">error</span>: device-<span class="hljs-literal">side</span> <span class="hljs-keyword">assert</span> triggered',wrap:!1}}),et=new M({props:{code:"aW1wb3J0JTIwb3MlMEElMEFvcy5lbnZpcm9uJTVCJTIyQ1VEQV9WSVNJQkxFX0RFVklDRVMlMjIlNUQlMjAlM0QlMjAlMjIlMjI=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">import</span> os

<span class="hljs-meta">&gt;&gt;&gt; </span>os.environ[<span class="hljs-string">&quot;CUDA_VISIBLE_DEVICES&quot;</span>] = <span class="hljs-string">&quot;&quot;</span>`,wrap:!1}}),lt=new M({props:{code:"aW1wb3J0JTIwb3MlMEElMEFvcy5lbnZpcm9uJTVCJTIyQ1VEQV9MQVVOQ0hfQkxPQ0tJTkclMjIlNUQlMjAlM0QlMjAlMjIxJTIy",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">import</span> os

<span class="hljs-meta">&gt;&gt;&gt; </span>os.environ[<span class="hljs-string">&quot;CUDA_LAUNCH_BLOCKING&quot;</span>] = <span class="hljs-string">&quot;1&quot;</span>`,wrap:!1}}),nt=new U({props:{title:"إخراج غير صحيح عند عدم إخفاء رموز الحشو",local:"إخراج-غير-صحيح-عند-عدم-إخفاء-رموز-الحشو",headingTag:"h2"}}),pt=new M({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24lMEFpbXBvcnQlMjB0b3JjaCUwQSUwQW1vZGVsJTIwJTNEJTIwQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbi5mcm9tX3ByZXRyYWluZWQoJTIyZ29vZ2xlLWJlcnQlMkZiZXJ0LWJhc2UtdW5jYXNlZCUyMiklMEFtb2RlbC5jb25maWcucGFkX3Rva2VuX2lk",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><span class="hljs-keyword">import</span> torch

<span class="hljs-meta">&gt;&gt;&gt; </span>model = AutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">&quot;google-bert/bert-base-uncased&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>model.config.pad_token_id
<span class="hljs-number">0</span>`,wrap:!1}}),mt=new M({props:{code:"aW5wdXRfaWRzJTIwJTNEJTIwdG9yY2gudGVuc29yKCU1QiU1Qjc1OTIlMkMlMjAyMDU3JTJDJTIwMjA5NyUyQyUyMDIzOTMlMkMlMjA5NjExJTJDJTIwMjExNSU1RCUyQyUyMCU1Qjc1OTIlMkMlMjAwJTJDJTIwMCUyQyUyMDAlMkMlMjAwJTJDJTIwMCU1RCU1RCklMEFvdXRwdXQlMjAlM0QlMjBtb2RlbChpbnB1dF9pZHMpJTBBcHJpbnQob3V0cHV0LmxvZ2l0cyk=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span>input_ids = torch.tensor([[<span class="hljs-number">7592</span>, <span class="hljs-number">2057</span>, <span class="hljs-number">2097</span>, <span class="hljs-number">2393</span>, <span class="hljs-number">9611</span>, <span class="hljs-number">2115</span>], [<span class="hljs-number">7592</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-meta">&gt;&gt;&gt; </span>output = model(input_ids)
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-built_in">print</span>(output.logits)
tensor([[ <span class="hljs-number">0.0082</span>, -<span class="hljs-number">0.2307</span>],
[ <span class="hljs-number">0.1317</span>, -<span class="hljs-number">0.1683</span>]], grad_fn=&lt;AddmmBackward0&gt;)`,wrap:!1}}),ot=new M({props:{code:"aW5wdXRfaWRzJTIwJTNEJTIwdG9yY2gudGVuc29yKCU1QiU1Qjc1OTIlNUQlNUQpJTBBb3V0cHV0JTIwJTNEJTIwbW9kZWwoaW5wdXRfaWRzKSUwQXByaW50KG91dHB1dC5sb2dpdHMp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span>input_ids = torch.tensor([[<span class="hljs-number">7592</span>]])
<span class="hljs-meta">&gt;&gt;&gt; </span>output = model(input_ids)
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-built_in">print</span>(output.logits)
tensor([[-<span class="hljs-number">0.1008</span>, -<span class="hljs-number">0.4061</span>]], grad_fn=&lt;AddmmBackward0&gt;)`,wrap:!1}}),w=new es({props:{$$slots:{default:[fs]},$$scope:{ctx:yt}}}),ft=new M({props:{code:"YXR0ZW50aW9uX21hc2slMjAlM0QlMjB0b3JjaC50ZW5zb3IoJTVCJTVCMSUyQyUyMDElMkMlMjAxJTJDJTIwMSUyQyUyMDElMkMlMjAxJTVEJTJDJTIwJTVCMSUyQyUyMDAlMkMlMjAwJTJDJTIwMCUyQyUyMDAlMkMlMjAwJTVEJTVEKSUwQW91dHB1dCUyMCUzRCUyMG1vZGVsKGlucHV0X2lkcyUyQyUyMGF0dGVudGlvbl9tYXNrJTNEYXR0ZW50aW9uX21hc2spJTBBcHJpbnQob3V0cHV0LmxvZ2l0cyk=",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span>attention_mask = torch.tensor([[<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">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-meta">&gt;&gt;&gt; </span>output = model(input_ids, attention_mask=attention_mask)
<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-built_in">print</span>(output.logits)
tensor([[ <span class="hljs-number">0.0082</span>, -<span class="hljs-number">0.2307</span>],
[-<span class="hljs-number">0.1008</span>, -<span class="hljs-number">0.4061</span>]], grad_fn=&lt;AddmmBackward0&gt;)`,wrap:!1}}),$t=new U({props:{title:"ValueError: فئة التكوين غير المعترف بها XYZ لهذا النوع من AutoModel",local:"valueerror-فئة-التكوين-غير-المعترف-بها-xyz-لهذا-النوع-من-automodel",headingTag:"h2"}}),ht=new M({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Qcm9jZXNzb3IlMkMlMjBBdXRvTW9kZWxGb3JRdWVzdGlvbkFuc3dlcmluZyUwQSUwQXByb2Nlc3NvciUyMCUzRCUyMEF1dG9Qcm9jZXNzb3IuZnJvbV9wcmV0cmFpbmVkKCUyMm9wZW5haS1jb21tdW5pdHklMkZncHQyLW1lZGl1bSUyMiklMEFtb2RlbCUyMCUzRCUyMEF1dG9Nb2RlbEZvclF1ZXN0aW9uQW5zd2VyaW5nLmZyb21fcHJldHJhaW5lZCglMjJvcGVuYWktY29tbXVuaXR5JTJGZ3B0Mi1tZWRpdW0lMjIp",highlighted:`<span class="hljs-meta">&gt;&gt;&gt; </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoProcessor, AutoModelForQuestionAnswering

<span class="hljs-meta">&gt;&gt;&gt; </span>processor = AutoProcessor.from_pretrained(<span class="hljs-string">&quot;openai-community/gpt2-medium&quot;</span>)
<span class="hljs-meta">&gt;&gt;&gt; </span>model = AutoModelForQuestionAnswering.from_pretrained(<span class="hljs-string">&quot;openai-community/gpt2-medium&quot;</span>)
ValueError: Unrecognized configuration <span class="hljs-keyword">class</span> &lt;<span class="hljs-keyword">class</span> <span class="hljs-string">&#x27;transformers.models.gpt2.configuration_gpt2.GPT2Config&#x27;</span>&gt; <span class="hljs-keyword">for</span> this kind of AutoModel: AutoModelForQuestionAnswering.
Model <span class="hljs-built_in">type</span> should be one of AlbertConfig, BartConfig, BertConfig, BigBirdConfig, BigBirdPegasusConfig, BloomConfig, ...`,wrap:!1}}),jt=new os({props:{source:"https://github.com/huggingface/transformers/blob/main/docs/source/ar/troubleshooting.md"}}),{c(){$=p("meta"),g=n(),j=p("p"),Jt=n(),m(C.$$.fragment),vt=n(),J=p("p"),J.textContent=_e,_t=n(),m(v.$$.fragment),kt=n(),h=p("ol"),_=p("li"),wt=p("p"),wt.innerHTML=ke,Ce=n(),m(k.$$.fragment),Je=n(),Tt=p("li"),Tt.innerHTML=Ve,ve=n(),Ut=p("li"),Ut.innerHTML=Ze,Vt=n(),V=p("p"),V.innerHTML=xe,Zt=n(),m(Z.$$.fragment),xt=n(),x=p("p"),x.textContent=Ge,Gt=n(),m(G.$$.fragment),Wt=n(),W=p("p"),W.innerHTML=We,It=n(),m(I.$$.fragment),Qt=n(),Q=p("p"),Q.textContent=Ie,Ht=n(),m(H.$$.fragment),Bt=n(),B=p("p"),B.textContent=Qe,Et=n(),E=p("ul"),E.innerHTML=He,Rt=n(),m(y.$$.fragment),Ft=n(),m(R.$$.fragment),At=n(),F=p("p"),F.innerHTML=Be,Lt=n(),A=p("ul"),A.innerHTML=Ee,Nt=n(),m(L.$$.fragment),Pt=n(),N=p("ul"),N.innerHTML=Re,Xt=n(),m(P.$$.fragment),St=n(),m(X.$$.fragment),zt=n(),S=p("p"),S.innerHTML=Fe,Yt=n(),m(z.$$.fragment),Dt=n(),Y=p("p"),Y.textContent=Ae,qt=n(),m(D.$$.fragment),Kt=n(),m(q.$$.fragment),Ot=n(),K=p("p"),K.textContent=Le,te=n(),m(O.$$.fragment),ee=n(),tt=p("p"),tt.textContent=Ne,se=n(),m(et.$$.fragment),le=n(),st=p("p"),st.textContent=Pe,ne=n(),m(lt.$$.fragment),ae=n(),m(nt.$$.fragment),pe=n(),at=p("p"),at.innerHTML=Xe,re=n(),m(pt.$$.fragment),me=n(),rt=p("p"),rt.textContent=Se,ie=n(),m(mt.$$.fragment),oe=n(),it=p("p"),it.textContent=ze,ce=n(),m(ot.$$.fragment),fe=n(),ct=p("p"),ct.innerHTML=Ye,ue=n(),m(w.$$.fragment),de=n(),m(ft.$$.fragment),$e=n(),ut=p("p"),ut.innerHTML=De,ge=n(),dt=p("ul"),dt.innerHTML=qe,Me=n(),m($t.$$.fragment),he=n(),gt=p("p"),gt.innerHTML=Ke,je=n(),Mt=p("p"),Mt.textContent=Oe,be=n(),m(ht.$$.fragment),ye=n(),m(jt.$$.fragment),we=n(),Ct=p("p"),this.h()},l(t){const e=is("svelte-u9bgzb",document.head);$=r(e,"META",{name:!0,content:!0}),e.forEach(s),g=a(t),j=r(t,"P",{}),Ue(j).forEach(s),Jt=a(t),i(C.$$.fragment,t),vt=a(t),J=r(t,"P",{"data-svelte-h":!0}),d(J)!=="svelte-1cl2bbx"&&(J.textContent=_e),_t=a(t),i(v.$$.fragment,t),kt=a(t),h=r(t,"OL",{});var b=Ue(h);_=r(b,"LI",{});var bt=Ue(_);wt=r(bt,"P",{"data-svelte-h":!0}),d(wt)!=="svelte-1hr3xe3"&&(wt.innerHTML=ke),Ce=a(bt),i(k.$$.fragment,bt),bt.forEach(s),Je=a(b),Tt=r(b,"LI",{"data-svelte-h":!0}),d(Tt)!=="svelte-11dc2pv"&&(Tt.innerHTML=Ve),ve=a(b),Ut=r(b,"LI",{"data-svelte-h":!0}),d(Ut)!=="svelte-1fmyxal"&&(Ut.innerHTML=Ze),b.forEach(s),Vt=a(t),V=r(t,"P",{"data-svelte-h":!0}),d(V)!=="svelte-nafx41"&&(V.innerHTML=xe),Zt=a(t),i(Z.$$.fragment,t),xt=a(t),x=r(t,"P",{"data-svelte-h":!0}),d(x)!=="svelte-cbs7bs"&&(x.textContent=Ge),Gt=a(t),i(G.$$.fragment,t),Wt=a(t),W=r(t,"P",{"data-svelte-h":!0}),d(W)!=="svelte-19p6rx4"&&(W.innerHTML=We),It=a(t),i(I.$$.fragment,t),Qt=a(t),Q=r(t,"P",{"data-svelte-h":!0}),d(Q)!=="svelte-1ajwuln"&&(Q.textContent=Ie),Ht=a(t),i(H.$$.fragment,t),Bt=a(t),B=r(t,"P",{"data-svelte-h":!0}),d(B)!=="svelte-1bxbddi"&&(B.textContent=Qe),Et=a(t),E=r(t,"UL",{"data-svelte-h":!0}),d(E)!=="svelte-1o01vtv"&&(E.innerHTML=He),Rt=a(t),i(y.$$.fragment,t),Ft=a(t),i(R.$$.fragment,t),At=a(t),F=r(t,"P",{"data-svelte-h":!0}),d(F)!=="svelte-1nse54y"&&(F.innerHTML=Be),Lt=a(t),A=r(t,"UL",{"data-svelte-h":!0}),d(A)!=="svelte-h43uzk"&&(A.innerHTML=Ee),Nt=a(t),i(L.$$.fragment,t),Pt=a(t),N=r(t,"UL",{"data-svelte-h":!0}),d(N)!=="svelte-ahbwx5"&&(N.innerHTML=Re),Xt=a(t),i(P.$$.fragment,t),St=a(t),i(X.$$.fragment,t),zt=a(t),S=r(t,"P",{"data-svelte-h":!0}),d(S)!=="svelte-c171a0"&&(S.innerHTML=Fe),Yt=a(t),i(z.$$.fragment,t),Dt=a(t),Y=r(t,"P",{"data-svelte-h":!0}),d(Y)!=="svelte-1a9q5t1"&&(Y.textContent=Ae),qt=a(t),i(D.$$.fragment,t),Kt=a(t),i(q.$$.fragment,t),Ot=a(t),K=r(t,"P",{"data-svelte-h":!0}),d(K)!=="svelte-1f6pwj0"&&(K.textContent=Le),te=a(t),i(O.$$.fragment,t),ee=a(t),tt=r(t,"P",{"data-svelte-h":!0}),d(tt)!=="svelte-1ss1h4x"&&(tt.textContent=Ne),se=a(t),i(et.$$.fragment,t),le=a(t),st=r(t,"P",{"data-svelte-h":!0}),d(st)!=="svelte-14nj4hn"&&(st.textContent=Pe),ne=a(t),i(lt.$$.fragment,t),ae=a(t),i(nt.$$.fragment,t),pe=a(t),at=r(t,"P",{"data-svelte-h":!0}),d(at)!=="svelte-1srajcb"&&(at.innerHTML=Xe),re=a(t),i(pt.$$.fragment,t),me=a(t),rt=r(t,"P",{"data-svelte-h":!0}),d(rt)!=="svelte-1n4y8nj"&&(rt.textContent=Se),ie=a(t),i(mt.$$.fragment,t),oe=a(t),it=r(t,"P",{"data-svelte-h":!0}),d(it)!=="svelte-8gztus"&&(it.textContent=ze),ce=a(t),i(ot.$$.fragment,t),fe=a(t),ct=r(t,"P",{"data-svelte-h":!0}),d(ct)!=="svelte-hai1el"&&(ct.innerHTML=Ye),ue=a(t),i(w.$$.fragment,t),de=a(t),i(ft.$$.fragment,t),$e=a(t),ut=r(t,"P",{"data-svelte-h":!0}),d(ut)!=="svelte-emwhe6"&&(ut.innerHTML=De),ge=a(t),dt=r(t,"UL",{"data-svelte-h":!0}),d(dt)!=="svelte-vehl94"&&(dt.innerHTML=qe),Me=a(t),i($t.$$.fragment,t),he=a(t),gt=r(t,"P",{"data-svelte-h":!0}),d(gt)!=="svelte-cpcdk8"&&(gt.innerHTML=Ke),je=a(t),Mt=r(t,"P",{"data-svelte-h":!0}),d(Mt)!=="svelte-srypsc"&&(Mt.textContent=Oe),be=a(t),i(ht.$$.fragment,t),ye=a(t),i(jt.$$.fragment,t),we=a(t),Ct=r(t,"P",{}),Ue(Ct).forEach(s),this.h()},h(){ts($,"name","hf:doc:metadata"),ts($,"content",ds)},m(t,e){T(document.head,$),l(t,g,e),l(t,j,e),l(t,Jt,e),o(C,t,e),l(t,vt,e),l(t,J,e),l(t,_t,e),o(v,t,e),l(t,kt,e),l(t,h,e),T(h,_),T(_,wt),T(_,Ce),o(k,_,null),T(h,Je),T(h,Tt),T(h,ve),T(h,Ut),l(t,Vt,e),l(t,V,e),l(t,Zt,e),o(Z,t,e),l(t,xt,e),l(t,x,e),l(t,Gt,e),o(G,t,e),l(t,Wt,e),l(t,W,e),l(t,It,e),o(I,t,e),l(t,Qt,e),l(t,Q,e),l(t,Ht,e),o(H,t,e),l(t,Bt,e),l(t,B,e),l(t,Et,e),l(t,E,e),l(t,Rt,e),o(y,t,e),l(t,Ft,e),o(R,t,e),l(t,At,e),l(t,F,e),l(t,Lt,e),l(t,A,e),l(t,Nt,e),o(L,t,e),l(t,Pt,e),l(t,N,e),l(t,Xt,e),o(P,t,e),l(t,St,e),o(X,t,e),l(t,zt,e),l(t,S,e),l(t,Yt,e),o(z,t,e),l(t,Dt,e),l(t,Y,e),l(t,qt,e),o(D,t,e),l(t,Kt,e),o(q,t,e),l(t,Ot,e),l(t,K,e),l(t,te,e),o(O,t,e),l(t,ee,e),l(t,tt,e),l(t,se,e),o(et,t,e),l(t,le,e),l(t,st,e),l(t,ne,e),o(lt,t,e),l(t,ae,e),o(nt,t,e),l(t,pe,e),l(t,at,e),l(t,re,e),o(pt,t,e),l(t,me,e),l(t,rt,e),l(t,ie,e),o(mt,t,e),l(t,oe,e),l(t,it,e),l(t,ce,e),o(ot,t,e),l(t,fe,e),l(t,ct,e),l(t,ue,e),o(w,t,e),l(t,de,e),o(ft,t,e),l(t,$e,e),l(t,ut,e),l(t,ge,e),l(t,dt,e),l(t,Me,e),o($t,t,e),l(t,he,e),l(t,gt,e),l(t,je,e),l(t,Mt,e),l(t,be,e),o(ht,t,e),l(t,ye,e),o(jt,t,e),l(t,we,e),l(t,Ct,e),Te=!0},p(t,[e]){const b={};e&2&&(b.$$scope={dirty:e,ctx:t}),y.$set(b);const bt={};e&2&&(bt.$$scope={dirty:e,ctx:t}),w.$set(bt)},i(t){Te||(c(C.$$.fragment,t),c(v.$$.fragment,t),c(k.$$.fragment,t),c(Z.$$.fragment,t),c(G.$$.fragment,t),c(I.$$.fragment,t),c(H.$$.fragment,t),c(y.$$.fragment,t),c(R.$$.fragment,t),c(L.$$.fragment,t),c(P.$$.fragment,t),c(X.$$.fragment,t),c(z.$$.fragment,t),c(D.$$.fragment,t),c(q.$$.fragment,t),c(O.$$.fragment,t),c(et.$$.fragment,t),c(lt.$$.fragment,t),c(nt.$$.fragment,t),c(pt.$$.fragment,t),c(mt.$$.fragment,t),c(ot.$$.fragment,t),c(w.$$.fragment,t),c(ft.$$.fragment,t),c($t.$$.fragment,t),c(ht.$$.fragment,t),c(jt.$$.fragment,t),Te=!0)},o(t){f(C.$$.fragment,t),f(v.$$.fragment,t),f(k.$$.fragment,t),f(Z.$$.fragment,t),f(G.$$.fragment,t),f(I.$$.fragment,t),f(H.$$.fragment,t),f(y.$$.fragment,t),f(R.$$.fragment,t),f(L.$$.fragment,t),f(P.$$.fragment,t),f(X.$$.fragment,t),f(z.$$.fragment,t),f(D.$$.fragment,t),f(q.$$.fragment,t),f(O.$$.fragment,t),f(et.$$.fragment,t),f(lt.$$.fragment,t),f(nt.$$.fragment,t),f(pt.$$.fragment,t),f(mt.$$.fragment,t),f(ot.$$.fragment,t),f(w.$$.fragment,t),f(ft.$$.fragment,t),f($t.$$.fragment,t),f(ht.$$.fragment,t),f(jt.$$.fragment,t),Te=!1},d(t){t&&(s(g),s(j),s(Jt),s(vt),s(J),s(_t),s(kt),s(h),s(Vt),s(V),s(Zt),s(xt),s(x),s(Gt),s(Wt),s(W),s(It),s(Qt),s(Q),s(Ht),s(Bt),s(B),s(Et),s(E),s(Rt),s(Ft),s(At),s(F),s(Lt),s(A),s(Nt),s(Pt),s(N),s(Xt),s(St),s(zt),s(S),s(Yt),s(Dt),s(Y),s(qt),s(Kt),s(Ot),s(K),s(te),s(ee),s(tt),s(se),s(le),s(st),s(ne),s(ae),s(pe),s(at),s(re),s(me),s(rt),s(ie),s(oe),s(it),s(ce),s(fe),s(ct),s(ue),s(de),s($e),s(ut),s(ge),s(dt),s(Me),s(he),s(gt),s(je),s(Mt),s(be),s(ye),s(we),s(Ct)),s($),u(C,t),u(v,t),u(k),u(Z,t),u(G,t),u(I,t),u(H,t),u(y,t),u(R,t),u(L,t),u(P,t),u(X,t),u(z,t),u(D,t),u(q,t),u(O,t),u(et,t),u(lt,t),u(nt,t),u(pt,t),u(mt,t),u(ot,t),u(w,t),u(ft,t),u($t,t),u(ht,t),u(jt,t)}}}const ds='{"title":"استكشاف الأخطاء وإصلاحها","local":"استكشاف-الأخطاء-وإصلاحها","sections":[{"title":"بيئات جدار الحماية","local":"بيئات-جدار-الحماية","sections":[],"depth":2},{"title":"CUDA نفاد الذاكرة","local":"cuda-نفاد-الذاكرة","sections":[],"depth":2},{"title":"عدم القدرة على تحميل نموذج TensorFlow محفوظ","local":"عدم-القدرة-على-تحميل-نموذج-tensorflow-محفوظ","sections":[],"depth":2},{"title":"ImportError","local":"importerror","sections":[],"depth":2},{"title":"خطأ CUDA: تم تشغيل التأكيد على جانب الجهاز","local":"خطأ-cuda-تم-تشغيل-التأكيد-على-جانب-الجهاز","sections":[],"depth":2},{"title":"إخراج غير صحيح عند عدم إخفاء رموز الحشو","local":"إخراج-غير-صحيح-عند-عدم-إخفاء-رموز-الحشو","sections":[],"depth":2},{"title":"ValueError: فئة التكوين غير المعترف بها XYZ لهذا النوع من AutoModel","local":"valueerror-فئة-التكوين-غير-المعترف-بها-xyz-لهذا-النوع-من-automodel","sections":[],"depth":2}],"depth":1}';function $s(yt){return ps(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ws extends rs{constructor($){super(),ms(this,$,$s,us,as,{})}}export{ws as component};