# UNet

Algunos métodos de entrenamiento, como LoRA y Custom Diffusion, suelen dirigirse a las capas de atención del UNet, pero estos métodos también pueden dirigirse a otras capas que no son de atención. En lugar de entrenar todos los parámetros de un modelo, solo se entrena un subconjunto de parámetros, lo cual es más rápido y eficiente. Esta clase es útil si *solo* estás cargando pesos en un UNet. Si necesitas cargar pesos en el codificador de texto o en un codificador de texto y un UNet, intenta usar la función [load_lora_weights()](/docs/diffusers/v0.43.0/es/api/loaders/lora#diffusers.loaders.StableDiffusionLoraLoaderMixin.load_lora_weights) en su lugar.

La clase `UNet2DConditionLoadersMixin` proporciona funciones para cargar y guardar pesos, fusionar y desfusionar LoRAs, desactivar y activar LoRAs, y establecer y eliminar adaptadores.

> [!TIP]
> Para obtener más información sobre cómo cargar los pesos de LoRA, consulte la guía de [LoRA](../../tutorials/using_peft_for_inference).

## UNet2DConditionLoadersMixin[[diffusers.loaders.UNet2DConditionLoadersMixin]]

#### diffusers.loaders.UNet2DConditionLoadersMixin[[diffusers.loaders.UNet2DConditionLoadersMixin]]

```python
diffusers.loaders.UNet2DConditionLoadersMixin()
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/loaders/unet.py#L53)

Carga las capas LoRA en un `UNet2DCondtionModel`.

#### load_attn_procs[[diffusers.loaders.UNet2DConditionLoadersMixin.load_attn_procs]]

```python
load_attn_procs(pretrained_model_name_or_path_or_dict: str | dict[str, torch.Tensor], **kwargs)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/loaders/unet.py#L61)

**Parámetros:**

pretrained_model_name_or_path_or_dict (`str` o `os.PathLike` o `dict`) : Puede ser:  - Una cadena, el id del modelo (por ejemplo `google/ddpm-celebahq-256`) de un modelo preentrenado alojado en el Hub. - Una ruta a un directorio (por ejemplo `./my_model_directory`) que contiene los pesos del modelo guardados con [ModelMixin.save_pretrained()](/docs/diffusers/v0.43.0/es/api/models/overview#diffusers.ModelMixin.save_pretrained). - Un [torch state dict](https://pytorch.org/tutorials/beginner/saving_loading_models.html#what-is-a-state-dict).

cache_dir (`str | os.PathLike`, *opcional*) : Ruta a un directorio donde se almacena en caché la configuración de un modelo preentrenado descargado si no se utiliza la caché estándar.

force_download (`bool`, *opcional*, valor predeterminado `False`) : Indica si se debe forzar la (re)descarga de los pesos del modelo y los archivos de configuración, reemplazando las versiones en caché si existen.

proxies (`dict[str, str]`, *opcional*) : Un diccionario de servidores proxy a utilizar por protocolo o punto de acceso, por ejemplo, `{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}`. Los proxies se utilizan en cada solicitud.

local_files_only (`bool`, *opcional*, valor predeterminado `False`) : Indica si se deben cargar únicamente los pesos y archivos de configuración del modelo localmente. Si se establece en `True`, el modelo no se descargará desde el Hub.

token (`str` o *bool*, *opcional*) : El token que se usará como autorización HTTP bearer para archivos remotos. Si es `True`, se utiliza el token generado por `diffusers-cli login` (almacenado en `~/.huggingface`).

revision (`str`, *opcional*, valor predeterminado `"main"`) : La versión específica del modelo que se va a utilizar. Puede ser el nombre de una rama, el nombre de una etiqueta, un id de commit o cualquier identificador permitido por Git.

subfolder (`str`, *opcional*, valor predeterminado `""`) : La ubicación de la subcarpeta de un archivo de modelo dentro de un repositorio de modelos más grande en el Hub o localmente.

weight_name (`str`, *opcional*, valor predeterminado None) : Nombre del archivo de state dict serializado.

Carga las capas de procesador de atención de Custom Diffusion preentrenadas en [UNet2DConditionModel](/docs/diffusers/v0.43.0/es/api/models/unet2d-cond#diffusers.UNet2DConditionModel). Las capas de procesador de atención deben definirse en [`attention_processor.py`](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) y ser una clase `torch.nn.Module`. Para cargar capas LoRA, usa [load_lora_adapter()](/docs/diffusers/v0.43.0/es/api/loaders/peft#diffusers.loaders.PeftAdapterMixin.load_lora_adapter) en su lugar.

Ejemplo:

```py
import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "CompVis/stable-diffusion-v1-4",
    torch_dtype=torch.float16,
).to("cuda")
pipeline.unet.load_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin")
```

#### save_attn_procs[[diffusers.loaders.UNet2DConditionLoadersMixin.save_attn_procs]]

```python
save_attn_procs(save_directory: str | os.PathLike, is_main_process: bool = True, weight_name: str = None, save_function: typing.Callable = None, safe_serialization: bool = True, **kwargs)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/loaders/unet.py#L252)

**Parámetros:**

save_directory (`str` o `os.PathLike`) : Directorio para guardar un procesador de atención (se creará si no existe).

is_main_process (`bool`, *opcional*, valor predeterminado `True`) : Indica si el proceso que realiza esta llamada es el proceso principal o no. Útil durante el entrenamiento distribuido cuando es necesario llamar a esta función en todos los procesos. En este caso, establezca `is_main_process=True` solo en el proceso principal para evitar condiciones de carrera.

save_function (`Callable`) : La función que se utilizará para guardar el diccionario de estado. Útil durante el entrenamiento distribuido cuando necesitas reemplazar `torch.save` con otro método. Se puede configurar con la variable de entorno `DIFFUSERS_SAVE_MODE`.

safe_serialization (`bool`, *opcional*, valor predeterminado `True`) : Si se guarda el modelo usando `safetensors` o con `pickle`.

Guarde las capas del procesador de atención de Custom Diffusion en un directorio para que pueda recargarlas con el método [load_attn_procs()](/docs/diffusers/v0.43.0/es/api/loaders/unet#diffusers.loaders.UNet2DConditionLoadersMixin.load_attn_procs). Para guardar las capas de LoRA, use [save_lora_adapter()](/docs/diffusers/v0.43.0/es/api/loaders/peft#diffusers.loaders.PeftAdapterMixin.save_lora_adapter) en su lugar.

Ejemplo:

```py
import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "CompVis/stable-diffusion-v1-4",
    torch_dtype=torch.float16,
).to("cuda")
pipeline.unet.load_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin")
pipeline.unet.save_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin")
```