# Философия

Transformers — это библиотека, в которой PyTorch является основным фреймворком. Она предоставляет модели, которые точно соответствуют их научным статьям, просты в использовании и легко модифицируются.

Более подробная статья с примерами, визуализациями и таймлайнами доступна [здесь](https://huggingface.co/spaces/transformers-community/Transformers-tenets) и служит нашим основным справочным материалом.

> [!NOTE]
> Наша философия развивается через практику. Ниже приведены наши актуальные, устойчивые принципы.

## Для кого предназначена эта библиотека

- Исследователи и преподаватели, изучающие или расширяющие архитектуры моделей.
- Практики, которые выполняют дообучение, оценку или развёртывание моделей.
- Инженерам, которым нужна предобученная модель, которая «просто работает» с предсказуемым API.

## Чего можно ожидать

- Для каждой модели требуются три основных класса: [конфигурация](./main_classes/configuration), [модели](./main_classes/model) и класс предобработки. [Токенайзеры](./main_classes/tokenizer) обрабатывают NLP, [процессоры изображений](./main_classes/image_processor) — изображения, [процессоры видео](./main_classes/video_processor) — видео, [экстракторы признаков](./main_classes/feature_extractor) — аудио, а [процессоры](./main_classes/processors) — мультимодальные входные данные.

- Все эти классы можно инициализировать простым и унифицированным образом из предобученных экземпляров с помощью общего метода `from_pretrained()`, который при необходимости скачивает, кэширует и загружает соответствующий экземпляр класса и связанные данные (гиперпараметры конфигураций, словарь токенизаторов, параметры процессоров и веса моделей) из предобученной контрольной точки, предоставленной на [Hugging Face Hub](https://huggingface.co/models) или из вашей собственной сохранённой контрольной точки.
- Помимо этих трёх базовых классов, библиотека предоставляет два API: [pipeline()](/docs/transformers/v5.23.0/ru/main_classes/pipelines#transformers.pipeline) для быстрого использования модели для вывода по конкретной задаче и [Trainer](/docs/transformers/v5.23.0/ru/main_classes/trainer#transformers.Trainer) для быстрой тренировки или дообучения модели PyTorch.

## Основные принципы

Следующие принципы сформировались со временем и подробно описаны в нашей новой статье о философии [в блоге](https://huggingface.co/spaces/transformers-community/Transformers-tenets). Они направляют решения сопровождающих при рассмотрении PR и вклада.

> - **Источник истины.** Реализации должны точно соответствовать официальным результатам и предполагаемому поведению. - **Одна модель — один файл.** Основная логика инференса/обучения видна сверху донизу в файле модели, который читают пользователи. - **Код — это продукт.** Оптимизируйте для чтения и сравнения (diff). Предпочитайте явные имена хитрой индирекции. - **Стандартизируйте, а не абстрагируйте.** Специфичное для модели поведение оставляйте в модели. Общие интерфейсы используйте только для общей инфраструктуры. - **DRY\*** (Повторяйте, когда это помогает пользователям). Файлы модели для конечных пользователей остаются самодостаточными. Инфраструктура выносится отдельно. - **Минимальный пользовательский API.** Мало путей выполнения, предсказуемые kwargs, стабильные методы. - **Обратная совместимость.** Публичные поверхности не должны ломаться. Старые артефакты на Hub должны продолжать работать.. - **Согласованная публичная поверхность.** Именование, выходные данные и необязательная диагностика согласованы и протестированы.

## Основные классы

- [**Классы конфигурации**](./main_classes/configuration) хранят гиперпараметры, необходимые для построения модели. К ним относятся количество слоёв и размер скрытого слоя. Вам не всегда нужно создавать их вручную. При использовании предобученной модели без изменений создание модели автоматически инициализирует конфигурацию.
- **Классы моделей** — это модели PyTorch ([torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)), обёрнутые как минимум в [PreTrainedModel](/docs/transformers/v5.23.0/ru/main_classes/model#transformers.PreTrainedModel).

- **Модульные трансформеры.** Вкладчики пишут небольшой фрагмент `modular_*.py`, в котором объявляется переиспользование существующих компонентов. Библиотека автоматически раскрывает его в видимый пользователю файл `modeling_*.py`, который пользователи читают и отлаживают. Поддерживающие команды проверяют фрагмент, а пользователи дорабатывают раскрытый файл. Это сохраняет принцип «одна модель — один файл» без расхождения шаблонов. Подробности — в [документации по внесению вкладов](./modular_transformers).

- Классы **предобработки** преобразуют исходные данные в формат, который принимает модель. [Токенизатор](./main_classes/tokenizer) хранит словарь для каждой модели и предоставляет методы для кодирования и декодирования строк в список индексов эмбеддингов токенов. [Процессоры изображений](./main_classes/image_processor) предобрабатывают входные данные для зрительных моделей, [видео-процессоры](./main_classes/video_processor) — входные данные для видео, [извлекатели признаков](./main_classes/feature_extractor) — входные данные для аудио, а [процессоры](./main_classes/processors) — мультимодальные входные данные.

Все эти классы можно создать из предобученных экземпляров, сохранить локально и опубликовать на Hub с помощью трех методов:

- `from_pretrained()` позволяет создать экземпляр модели, конфигурации и класса предобработки на основе предобученной версии, предоставленной самой библиотекой (список поддерживаемых моделей доступен в [Model Hub](https://huggingface.co/models)) или сохранённой пользователем локально (или на сервере).
- `save_pretrained()` позволяет сохранить модель, конфигурацию и класс предобработки локально, чтобы их можно было загрузить с помощью `from_pretrained()`.
- `push_to_hub()` позволяет опубликовать модель, конфигурацию и класс предобработки в Hub, чтобы они были легко доступны всем.

