# Konfigurasi

Kelas dasar [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) mengimplementasikan metode umum untuk memuat/menyimpan konfigurasi, baik dari file atau direktori lokal, maupun dari konfigurasi model pretrained yang disediakan oleh pustaka (diunduh dari repositori AWS S3 HuggingFace).

Setiap kelas config turunan mengimplementasikan atribut spesifik model. Atribut umum yang ada di semua kelas config adalah: `hidden_size`, `num_attention_heads`, dan `num_hidden_layers`. Model teks lebih lanjut mengimplementasikan: `vocab_size`.

## PreTrainedConfig[[transformers.PreTrainedConfig]]

#### transformers.PreTrainedConfig[[transformers.PreTrainedConfig]]

```python
transformers.PreTrainedConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L299)

**Parameter:**

name_or_path (`str`, *opsional*, defaultnya `""`) : Simpan string yang diteruskan ke [PreTrainedModel.from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.PreTrainedModel.from_pretrained) sebagai `pretrained_model_name_or_path` jika konfigurasi dibuat dengan metode tersebut.

output_hidden_states (`bool`, *opsional*, default `False`) : Apakah model harus mengembalikan semua hidden-states.

output_attentions (`bool`, *opsional*, default `False`) : Apakah model harus mengembalikan semua perhatian (attentions) atau tidak.

return_dict (`bool`, *opsional*, default `True`) : Apakah model harus mengembalikan [ModelOutput](/docs/transformers/v5.23.0/id/main_classes/output#transformers.utils.ModelOutput) alih-alih tuple biasa.

is_encoder_decoder (`bool`, *opsional*, default `False`) : Apakah model digunakan sebagai encoder/decoder atau tidak.

chunk_size_feed_forward (`int`, *opsional*, default `0`) : Ukuran chunk untuk semua lapisan feed forward dalam blok residual attention. Ukuran chunk `0` berarti lapisan feed forward tidak di-chunk. Ukuran chunk n berarti lapisan feed forward memproses `n` < sequence_length embeddings sekaligus. Untuk informasi lebih lanjut tentang feed forward chunking, lihat [Bagaimana cara kerja Feed Forward Chunking?](../glossary.html#feed-forward-chunking).

per_layer_config (`dict[int | str, dict[str, Any]]`, *opsional*) : Pemetaan jarang (sparse mapping) dari indeks layer ke penimpaan atribut konfigurasi. Setiap kunci adalah indeks layer, dan setiap nilai berisi atribut yang berbeda dari konfigurasi global untuk layer tersebut.

tie_last_hidden_states (`bool`, *opsional*) : Apakah `hidden_states[-1]` harus berupa `last_hidden_state` setelah final-norm, bukan hidden state sebelum final-norm. Jika tidak diset, nilai bawaan model akan digunakan.

**Parameter untuk tugas fine-tuning:**

architectures (`list[str]`, *opsional*) : Arsitektur model yang dapat digunakan dengan bobot model terlatih sebelumnya.

id2label (`dict[int, str]`, *opsional*) : Pemetaan dari indeks (misalnya indeks prediksi, atau indeks target) ke label.

label2id (`dict[str, int]`, *opsional*) : Pemetaan dari label ke indeks untuk model.

num_labels (`int`, *opsional*) : Jumlah label yang digunakan pada lapisan terakhir yang ditambahkan ke model, biasanya untuk tugas klasifikasi.

problem_type (`str`, *opsional*) : Jenis masalah untuk model `XxxForSequenceClassification`. Bisa berupa salah satu dari `"regression"`, `"single_label_classification"`, atau `"multi_label_classification"`.

**Parameter khusus PyTorch:**

dtype (`str`, *opsional*) : `dtype` dari bobot. Atribut ini dapat digunakan untuk menginisialisasi model ke `dtype` non-default (yang biasanya `float32`) sehingga memungkinkan alokasi penyimpanan yang optimal. Misalnya, jika model yang disimpan adalah `float16`, idealnya kita ingin memuatnya kembali menggunakan jumlah memori minimal yang dibutuhkan untuk memuat bobot `float16`.

Kelas dasar untuk semua kelas konfigurasi. Menangani beberapa parameter yang umum untuk konfigurasi semua model, serta metode untuk memuat/mengunduh/menyimpan konfigurasi.

File konfigurasi dapat dimuat dan disimpan ke disk. Memuat file konfigurasi dan menggunakan file ini untuk menginisialisasi model **tidak** memuat bobot model. Hal ini hanya memengaruhi konfigurasi model.

Atribut kelas (ditimpa oleh kelas turunan):

- **model_type** (`str`) -- Pengidentifikasi untuk tipe model, yang diserialisasi ke file JSON dan digunakan untuk membuat ulang objek yang benar di [AutoConfig](/docs/transformers/v5.23.0/id/model_doc/auto#transformers.AutoConfig).
- **attribute_map** (`dict[str, str]`) -- Dict yang memetakan nama atribut spesifik model ke penamaan atribut yang distandarkan.
- **base_model_tp_plan** (`dict[str, Any]`) -- Sebuah dict yang memetakan FQN sub-modul dari model dasar ke rencana paralel tensor yang diterapkan pada sub-modul tersebut ketika `model.tensor_parallel` dipanggil.
- **base_model_fsdp_plan** (`dict[Any, str]`) -- Sebuah dict yang memetakan sub-modul dari model dasar ke strategi sharding FSDP2 (misalnya `"free_full_weight"` / `"keep_full_weight"`). Kunci dapat berupa jalur modul wildcard (misalnya `"layers.*"`) atau tuple dari jalur (digabungkan ke dalam satu panggilan `fully_shard`).
- **base_model_pp_plan** (`dict[str, tuple[list[str]]]`) -- Sebuah dict yang memetakan modul anak dari model dasar ke rencana paralel pipeline yang memungkinkan pengguna menempatkan modul anak pada perangkat yang sesuai.

Atribut umum (ada di semua subkelas):

- **vocab_size** (`int`) -- Jumlah token dalam kosakata, yang juga merupakan dimensi pertama dari matriks embeddings (atribut ini mungkin tidak ada untuk model yang tidak memiliki modalitas teks seperti ViT).
- **hidden_size** (`int`) -- Ukuran tersembunyi (hidden size) dari model.
- **num_attention_heads** (`int`) -- Jumlah attention head yang digunakan pada lapisan multi-head attention dalam model.
- **num_hidden_layers** (`int`) -- Jumlah blok dalam model.

Pengaturan parameter untuk generasi sekuens dalam konfigurasi model sudah tidak didukung lagi. Demi kompatibilitas mundur, memuat beberapa parameter tersebut masih dimungkinkan, tetapi upaya untuk menimpanya akan melempar pengecualian -- Anda harus mengaturnya di [~transformers.GenerationConfig]. Periksa dokumentasi [~transformers.GenerationConfig] untuk informasi lebih lanjut tentang parameter individual.

#### push_to_hub[[transformers.PreTrainedConfig.push_to_hub]]

```python
push_to_hub(repo_id: str, commit_message: str | None = None, commit_description: str | None = None, private: bool | None = None, token: bool | str | None = None, revision: str | None = None, create_pr: bool = False, max_shard_size: int | str | None = '50GB', tags: list[str] | None = None)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/utils/hub.py#L822)

**Parameter:**

repo_id (`str`) : Nama repositori tempat Anda ingin mendorong konfigurasi Anda. Nama ini harus mencakup nama organisasi Anda saat mendorong ke organisasi tertentu.

commit_message (`str`, *opsional*) : Pesan untuk commit saat push. Secara default akan menjadi `"Upload config"`.

commit_description (`str`, *opsional*) : Deskripsi dari commit yang akan dibuat

private (`bool`, *opsional*) : Apakah akan membuat repo menjadi privat. Jika `None` (default), repo akan bersifat publik kecuali default organisasi adalah privat. Nilai ini diabaikan jika repo sudah ada.

token (`bool` atau `str`, *opsional*) : Token yang akan digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True` (default), akan menggunakan token yang dihasilkan saat menjalankan `hf auth login` (disimpan di `~/.huggingface`).

revision (`str`, *opsional*) : Cabang untuk mendorong file yang diunggah.

create_pr (`bool`, *opsional*, default `False`) : Apakah akan membuat PR dengan file yang diunggah atau langsung melakukan commit.

max_shard_size (`int` atau `str`, *opsional*, default `"50GB"`) : Hanya berlaku untuk model. Ukuran maksimum untuk checkpoint sebelum dipecah menjadi shard. Setiap shard checkpoint akan memiliki ukuran lebih kecil dari nilai ini. Jika dinyatakan sebagai string, harus berupa angka diikuti satuan (seperti `"5MB"`).

tags (`list[str]`, *opsional*) : Daftar tag untuk didorong ke Hub.

Unggah file konfigurasi ke 🤗 Model Hub.

Contoh:

```python
from transformers import AutoConfig

config = AutoConfig.from_pretrained("google-bert/bert-base-cased")

# Push the config to your namespace with the name "my-finetuned-bert".
config.push_to_hub("my-finetuned-bert")

# Push the config to an organization with the name "my-finetuned-bert".
config.push_to_hub("huggingface/my-finetuned-bert")
```

#### default_config_fields[[transformers.PreTrainedConfig.default_config_fields]]

```python
default_config_fields()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1474)

Mengambil nilai default untuk setiap field yang di-annotate dalam dataclass, yang digunakan untuk menyimpan diff-dict. Untuk konfigurasi yang dibuat di v4 dengan `__init__` kustom, fungsi ini akan mengembalikan dict kosong, sehingga semua kunci di `self.__dict__` akan disimpan. Untuk konfigurasi yang lebih baru, fungsi ini akan mengembalikan kunci yang memiliki default yang dideklarasikan sebagai field, alih-alih di `__post_init__`, yang memfilter hanya field-field spesifik tersebut dari file json yang diserialisasi.

#### dict_dtype_to_str[[transformers.PreTrainedConfig.dict_dtype_to_str]]

```python
dict_dtype_to_str(d: dict[str, Any])
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1395)

Memeriksa apakah kamus yang diberikan dan kamus bersarangnya memiliki kunci *dtype* dan, jika nilainya bukan None, mengonversi torch.dtype menjadi string yang hanya berisi tipe. Misalnya, `torch.float32` dikonversi menjadi string *"float32"*, yang kemudian dapat disimpan dalam format json.

#### from_dict[[transformers.PreTrainedConfig.from_dict]]

```python
from_dict(config_dict: dict[str, Any], **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1054)

**Parameter:**

config_dict (`dict[str, Any]`) : Kamus yang akan digunakan untuk menginstansiasi objek konfigurasi. Kamus seperti ini dapat diambil dari checkpoint terlatih sebelumnya dengan memanfaatkan metode [get_config_dict()](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig.get_config_dict).

kwargs (`dict[str, Any]`) : Parameter tambahan untuk menginisialisasi objek konfigurasi.

**Mengembalikan:** [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig)

Objek konfigurasi yang diinstansiasi dari parameter tersebut.

Membuat instans [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) dari kamus Python berisi parameter.

#### from_json_file[[transformers.PreTrainedConfig.from_json_file]]

```python
from_json_file(json_file: str | os.PathLike)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1115)

**Parameter:**

json_file (`str` atau `os.PathLike`) : Path ke file JSON yang berisi parameter.

**Mengembalikan:** [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig)

Objek konfigurasi yang diinstansiasi dari file JSON tersebut.

Membuat instans [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) dari path ke file JSON berisi parameter.

#### from_pretrained[[transformers.PreTrainedConfig.from_pretrained]]

```python
from_pretrained(pretrained_model_name_or_path: str | os.PathLike, cache_dir: str | os.PathLike | None = None, force_download: bool = False, local_files_only: bool = False, token: str | bool | None = None, revision: str = 'main', **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L797)

**Parameter:**

pretrained_model_name_or_path (`str` atau `os.PathLike`) : Ini bisa berupa:  - sebuah string, yaitu *model id* dari konfigurasi model pretrained yang dihosting di dalam model repo di huggingface.co. - path ke *directory* yang berisi file konfigurasi yang disimpan menggunakan metode [save_pretrained()](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig.save_pretrained), misalnya `./my_model_directory/`. - path ke *file* JSON konfigurasi yang disimpan, misalnya `./my_model_directory/configuration.json`.

cache_dir (`str` atau `os.PathLike`, *opsional*) : Path ke direktori tempat konfigurasi model pretrained yang diunduh harus di-cache jika cache standar tidak digunakan.

force_download (`bool`, *opsional*, default `False`) : Apakah akan memaksa (mengunduh ulang) file konfigurasi dan menimpa versi yang di-cache jika sudah ada.

proxies (`dict[str, str]`, *opsional*) : Kamus server proxy yang digunakan berdasarkan protokol atau endpoint, misalnya `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}.` Proxy digunakan pada setiap permintaan.

token (`str` atau `bool`, *opsional*) : Token yang digunakan sebagai otorisasi bearer HTTP untuk file jarak jauh. Jika `True`, atau tidak ditentukan, akan menggunakan token yang dihasilkan saat menjalankan `hf auth login` (disimpan di `~/.huggingface`).

revision (`str`, *opsional*, defaultnya `"main"`) : Versi model spesifik yang akan digunakan. Ini bisa berupa nama branch, nama tag, atau id commit, karena kami menggunakan sistem berbasis git untuk menyimpan model dan artefak lainnya di huggingface.co, sehingga `revision` dapat berupa identifikasi apa pun yang diizinkan oleh git.    Untuk menguji pull request yang Anda buat di Hub, Anda dapat meneruskan `revision="refs/pr/<pr_number>"`.

return_unused_kwargs (`bool`, *opsional*, defaultnya `False`) : Jika `False`, fungsi ini hanya mengembalikan objek konfigurasi akhir. Jika `True`, fungsi ini mengembalikan `Tuple(config, unused_kwargs)` di mana *unused_kwargs* adalah kamus yang terdiri dari pasangan kunci/nilai yang kuncinya bukan merupakan atribut konfigurasi: yaitu, bagian dari `kwargs` yang tidak digunakan untuk memperbarui `config` dan diabaikan.

subfolder (`str`, *opsional*, default `""`) : Jika file yang relevan berada di dalam subfolder dari repo model di huggingface.co, Anda dapat menentukan nama folder di sini.

kwargs (`dict[str, Any]`, *opsional*) : Nilai dalam kwargs untuk kunci mana pun yang merupakan atribut konfigurasi akan digunakan untuk menimpa nilai yang dimuat. Perilaku terkait pasangan kunci/nilai yang kuncinya *bukan* atribut konfigurasi dikendalikan oleh parameter kata kunci `return_unused_kwargs`.

**Mengembalikan:** [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig)

Objek konfigurasi yang diinstansiasi dari model pretrained ini.

Instansiasi [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) (atau kelas turunan) dari konfigurasi model pretrained.

Contoh:

```python
# We can't instantiate directly the base class *PreTrainedConfig* so let's show the examples on a
# derived class: BertConfig
config = BertConfig.from_pretrained(
    "google-bert/bert-base-uncased"
)  # Download configuration from huggingface.co and cache.
config = BertConfig.from_pretrained(
    "./test/saved_model/"
)  # E.g. config (or model) was saved using *save_pretrained('./test/saved_model/')*
config = BertConfig.from_pretrained("./test/saved_model/my_configuration.json")
config = BertConfig.from_pretrained("google-bert/bert-base-uncased", output_attentions=True, foo=False)
assert config.output_attentions == True
config, unused_kwargs = BertConfig.from_pretrained(
    "google-bert/bert-base-uncased", output_attentions=True, foo=False, return_unused_kwargs=True
)
assert config.output_attentions == True
assert unused_kwargs == {"foo": False}
```

#### get_config_dict[[transformers.PreTrainedConfig.get_config_dict]]

```python
get_config_dict(pretrained_model_name_or_path: str | os.PathLike, **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L909)

**Parameter:**

pretrained_model_name_or_path (`str` atau `os.PathLike`) : Pengidentifikasi checkpoint terlatih sebelumnya yang darinya kita ingin mengambil kamus parameter.

**Mengembalikan:** `tuple[Dict, Dict]`

Kamus yang akan digunakan untuk menginstansiasi objek konfigurasi.

Dari `pretrained_model_name_or_path`, selesaikan menjadi kamus parameter, untuk digunakan dalam menginstansiasi [PreTrainedConfig](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig) menggunakan `from_dict`.

#### get_mtp_config[[transformers.PreTrainedConfig.get_mtp_config]]

```python
get_mtp_config()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1596)

Mengembalikan konfigurasi teks mtp yang akan digunakan untuk membuat model MTP. Karena lapisan MTP dibuat dengan menginstansiasi kelas yang sama seperti model utama, kita perlu menimpa properti yang spesifik terhadap indeks pada konfigurasi, seperti `layer_types` atau `mtp_layer_types`, untuk membuat lapisan mtp yang benar dan menghindari masalah indeksasi pada lapisan (karena lapisan MTP memulai ulang indeksasi lapisan dari 0).

#### get_text_config[[transformers.PreTrainedConfig.get_text_config]]

```python
get_text_config(decoder = None, encoder = None)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1519)

**Parameter:**

decoder (`Optional[bool]`, *opsional*) : Jika diatur ke `True`, maka hanya cari nama konfigurasi decoder.

encoder (`Optional[bool]`, *opsional*) : Jika diset ke `True`, maka hanya cari nama konfigurasi encoder.

Mengembalikan konfigurasi teks yang terkait dengan input teks (encoder) atau output teks (decoder) dari model. Argumen input `decoder` dan `encoder` dapat digunakan untuk menentukan sisi model mana yang menjadi perhatian, yang berguna pada model yang memiliki modalitas input dan output teks.

Ada tiga kemungkinan hasil dari penggunaan metode ini:
1. Pada sebagian besar model, fungsi ini mengembalikan instance config aslinya.
2. Pada model komposit yang lebih baru (2024+), ia mengembalikan bagian teks dari config, yang bersarang di bawah serangkaian nama yang valid.
3. Pada model komposit yang lebih lama (2023-), parameter decoder-only dibuang saat `encoder=True` dan sebaliknya.

#### is_custom_code[[transformers.PreTrainedConfig.is_custom_code]]

```python
is_custom_code()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1468)

Mengembalikan apakah konfigurasi saat ini adalah kode kustom, yaitu kode yang dimuat dari hub atau didefinisikan di modul/sesi khusus pengguna mana pun.

#### is_remote_code[[transformers.PreTrainedConfig.is_remote_code]]

```python
is_remote_code()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1462)

Mengembalikan apakah konfigurasi saat ini adalah kode kustom, yaitu kode yang dimuat dari hub, atau kelas yang baru saja didaftarkan melalui `register_for_auto_class`.

#### register_for_auto_class[[transformers.PreTrainedConfig.register_for_auto_class]]

```python
register_for_auto_class(auto_class = 'AutoConfig')
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1440)

**Parameter:**

auto_class (`str` atau `type`, *opsional*, defaultnya `"AutoConfig"`) : Kelas auto yang akan mendaftarkan konfigurasi baru ini.

Daftarkan kelas ini dengan auto class tertentu. Ini hanya harus digunakan untuk konfigurasi kustom, karena yang ada di pustaka sudah dipetakan dengan `AutoConfig`.

#### save_pretrained[[transformers.PreTrainedConfig.save_pretrained]]

```python
save_pretrained(save_directory: str | os.PathLike, push_to_hub: bool = False, **kwargs)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L735)

**Parameter:**

save_directory (`str` atau `os.PathLike`) : Direktori tempat file konfigurasi JSON akan disimpan (akan dibuat jika belum ada).

push_to_hub (`bool`, *opsional*, default `False`) : Apakah model akan didorong ke Hugging Face model hub setelah disimpan. Anda dapat menentukan repositori tujuan dengan `repo_id` (defaultnya adalah nama `save_directory` di namespace Anda).

kwargs (`dict[str, Any]`, *opsional*) : Argumen kata kunci tambahan yang diteruskan ke metode [push_to_hub()](/docs/transformers/v5.23.0/id/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub).

Simpan objek konfigurasi ke direktori `save_directory` agar dapat dimuat ulang menggunakan metode kelas [from_pretrained()](/docs/transformers/v5.23.0/id/main_classes/configuration#transformers.PreTrainedConfig.from_pretrained).

#### to_dict[[transformers.PreTrainedConfig.to_dict]]

```python
to_dict()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1261)

**Mengembalikan:** `dict[str, Any]`

Kamus dari semua atribut yang membentuk instance konfigurasi ini.

Menserialisasi instance ini ke dalam kamus Python.

#### to_diff_dict[[transformers.PreTrainedConfig.to_diff_dict]]

```python
to_diff_dict()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1199)

**Mengembalikan:** dict[str, Any]

Kamus dari semua atribut yang membentuk instance konfigurasi ini.

Menghapus semua atribut dari konfigurasi yang sesuai dengan atribut konfigurasi bawaan untuk keterbacaan yang lebih baik, sambil selalu mempertahankan atribut `config` dari kelas. Diserialisasi menjadi kamus Python.

#### to_json_file[[transformers.PreTrainedConfig.to_json_file]]

```python
to_json_file(json_file_path: str | os.PathLike, use_diff: bool = True)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1333)

**Parameter:**

json_file_path (`str` atau `os.PathLike`) : Path ke file JSON tempat parameter dari instance konfigurasi ini akan disimpan.

use_diff (`bool`, *opsional*, default `True`) : Jika diatur ke `True`, hanya perbedaan antara instance config dan default `PreTrainedConfig()` yang diserialisasi ke file JSON.

Simpan instance ini ke file JSON.

#### to_json_string[[transformers.PreTrainedConfig.to_json_string]]

```python
to_json_string(use_diff: bool = True)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1311)

**Parameter:**

use_diff (`bool`, *opsional*, default `True`) : Jika diset ke `True`, hanya perbedaan antara instance config dan default `PreTrainedConfig()` yang diserialisasi ke string JSON.

**Mengembalikan:** `str`

String yang berisi semua atribut yang membentuk instance konfigurasi ini dalam format JSON.

Menserialisasi instance ini ke string JSON.

#### update[[transformers.PreTrainedConfig.update]]

```python
update(config_dict: dict[str, Any])
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1347)

**Parameter:**

config_dict (`dict[str, Any]`) : Kamus atribut yang harus diperbarui untuk kelas ini.

Memperbarui atribut kelas ini dengan atribut dari `config_dict`.

#### update_from_string[[transformers.PreTrainedConfig.update_from_string]]

```python
update_from_string(update_str: str)
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L1357)

**Parameter:**

update_str (`str`) : String dengan atribut yang harus diperbarui untuk kelas ini.

Memperbarui atribut kelas ini dengan atribut dari `update_str`.

Format yang diharapkan adalah ints, floats, dan strings apa adanya, dan untuk booleans gunakan `true` atau `false`. Sebagai contoh: "n_embd=10,resid_pdrop=0.2,scale_attn_weights=false,summary_type=cls_index"

Kunci yang akan diubah harus sudah ada di dalam objek config.

#### validate[[transformers.PreTrainedConfig.validate]]

```python
validate()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/huggingface_hub/dataclasses.py#L247)

Jalankan validator kelas pada instance.

#### validate_architecture[[transformers.PreTrainedConfig.validate_architecture]]

```python
validate_architecture()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L670)

Bagian dari validasi yang didukung oleh `@strict`. Memvalidasi arsitektur dari config.

#### validate_layer_type[[transformers.PreTrainedConfig.validate_layer_type]]

```python
validate_layer_type()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L703)

Periksa bahwa `mlp_layer_types` dan `layer_types` didefinisikan dengan benar.

#### validate_token_ids[[transformers.PreTrainedConfig.validate_token_ids]]

```python
validate_token_ids()
```

[Sumber](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/configuration_utils.py#L687)

Bagian dari validasi yang didukung oleh `@strict`. Memvalidasi isi dari token khusus.

