# 공유

Hugging Face [Hub](https://hf.co/models)은 다양한 유형과 크기의 모델을 공유하고, 발견하며, 활용하기 위한 플랫폼입니다. 모든 사람을 위해 오픈소스 머신러닝을 발전시키기 위해, 모델을 Hub에 공유하는 것을 강력히 권장합니다!

이 가이드에서는 Transformers에서 모델을 Hub에 공유하는 방법을 보여 드립니다.

## 설정

Hub에 모델을 공유하려면 Hugging Face [계정](https://hf.co/join)이 필요합니다. [User Access Token](https://hf.co/docs/hub/security-tokens#user-access-tokens)을 생성하고(기본적으로 [cache](./installation#cache-directory)에 저장됨) 명령줄 또는 notebook에서 계정에 로그인하세요.

```bash
hf auth login
```

```py
from huggingface_hub import notebook_login

notebook_login()
```

## 리포지토리 기능

각 모델 저장소는 버전 관리, 커밋 히스토리, diff 시각화를 제공합니다.

    

버전 관리는 [Git](https://git-scm.com/)과 [Git Large File Storage (LFS)](https://git-lfs.github.com/)를 기반으로 하며, 리비전(revision)을 통해 커밋 해시, 태그 또는 브랜치로 모델 버전을 지정할 수 있습니다.

예를 들어, [from_pretrained()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.PreTrainedModel.from_pretrained)에서 `revision` 매개변수를 사용하여 커밋 해시에서 특정 모델 버전을 로드할 수 있습니다.

```py
model = AutoModel.from_pretrained(
    "julien-c/EsperBERTo-small", revision="4c77982"
)
```

브랜치 또는 태그에서 로드하면 해당 호출의 모든 파일이 하나의 커밋에 고정된 후, 그 커밋에서 모든 파일을 가져옵니다.

해당 pin은 해당 호출 동안에만 유지됩니다. 실행 간 재현성을 확보하려면, 고정된 것으로 취급하는 명시적인 commit hash 또는 tag를 전달하세요. 실행 간 `main`이나 다른 이동하는 branch가 고정된 상태를 유지한다고 의존하지 마세요.

모델 저장소도 [게이팅](https://hf.co/docs/hub/models-gated)을 지원하여 모델에 대한 액세스를 제어할 수 있습니다. 게이팅은 공개 전에 소수의 사용자 그룹이 연구용 모델을 미리 살펴볼 수 있도록 하는 데 일반적으로 사용됩니다.

    

모델 저장소에는 사용자가 Hub에서 모델과 직접 상호작용할 수 있는 추론 [위젯](https://hf.co/docs/hub/models-widgets)도 포함됩니다.

자세한 내용은 Hub [Models](https://hf.co/docs/hub/models) 문서를 참고하세요.

## 모델 업로드

워크플로우 선호도에 따라 모델을 Hub에 업로드하는 방법은 여러 가지가 있습니다. [Trainer](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer)를 사용하여 모델을 push하거나, 모델에 대해 [push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub)를 직접 호출하거나, Hub 웹 인터페이스를 사용할 수 있습니다.

### Trainer

[Trainer](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer)는 학습 후 모델을 Hub에 직접 업로드할 수 있습니다. [TrainingArguments](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.TrainingArguments)에서 `push_to_hub=True`를 설정하고 [Trainer](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer)에 전달하세요. 학습이 완료되면 [push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer.push_to_hub)를 호출하여 모델을 업로드합니다.

[push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer.push_to_hub)는 학습 하이퍼파라미터와 결과와 같은 유용한 정보를 모델 카드에 자동으로 추가합니다.

```py
from transformers import TrainingArguments, Trainer

training_args = TrainingArguments(output_dir="my-awesome-model", push_to_hub=True)
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=small_train_dataset,
    eval_dataset=small_eval_dataset,
    compute_metrics=compute_metrics,
)
trainer.push_to_hub()
```

모델을 비공개 저장소에 업로드하려면 [TrainingArguments](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.TrainingArguments)에서 `hub_private_repo=True`를 설정합니다. 저장소가 아직 생성되지 않은 경우(예: [TrainingArguments](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.TrainingArguments)에서 `push_to_hub=False`인 경우)에는 대신 [push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/trainer#transformers.Trainer.push_to_hub)에 `private=True`를 전달할 수도 있습니다. `private` 인수는 저장소가 생성될 때만 적용되므로 기존 저장소의 가시성을 변경하지 않습니다.

```py
trainer.push_to_hub(private=True)
```

### PushToHubMixin

[PushToHubMixin](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.utils.PushToHubMixin)은 모델이나 토크나이저를 Hub에 푸시하는 기능을 제공합니다.

Call [push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub) directly on a model to upload it to the Hub. It creates a repository under your namespace with the model name specified in [push_to_hub()](/docs/transformers/v5.23.0/ko/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub).

```py
model.push_to_hub("my-awesome-model")
```

토크나이저와 같은 다른 객체도 동일한 방식으로 Hub에 push됩니다.

```py
tokenizer.push_to_hub("my-awesome-model")
```

Hugging Face 프로필에 새로 생성된 모델 저장소가 표시되어야 합니다. 업로드된 모든 파일을 확인하려면 **Files** 탭으로 이동하세요.

Hub에 파일을 푸시하는 방법에 대한 자세한 내용은 [Hub에 파일 업로드](https://hf.co/docs/hub/how-to-upstream) 가이드를 참조하세요.

### Hub 웹 인터페이스

Hub 웹 인터페이스는 코딩 없이 모델을 업로드하는 방법입니다.

1. [**새 모델**](https://huggingface.co/new)을 선택하여 새 저장소를 생성합니다.

    

모델에 대한 정보를 추가하세요:

- 리포지토리의 **owner**를 선택합니다. 이는 사용자 자신 또는 사용자가 속한 조직 중 하나일 수 있습니다.
- 모델 이름을 선택하세요. 이 이름은 저장소 이름으로도 사용됩니다.
- 모델이 공개인지 비공개인지 선택합니다.
- 라이선스 사용법을 설정합니다.

2. 모델 저장소를 생성하려면 **Create model**을 클릭하세요.

3. **Files** 탭을 선택한 후 **Add file** 버튼을 클릭하여 파일을 리포지토리에 드래그 앤 드롭으로 추가합니다. 커밋 메시지를 입력하고 **Commit changes to main**을 클릭하여 파일을 커밋합니다.

    

## 모델 카드

[모델 카드](https://hf.co/docs/hub/model-cards#model-cards)는 모델의 성능, 한계, 잠재적 편향, 윤리적 고려 사항에 대해 사용자에게 정보를 제공합니다. 저장소에 모델 카드를 추가하는 것을 강력히 권장합니다!

모델 카드는 저장소의 `README.md` 파일입니다. 이 파일을 추가하려면:

- `README.md` 파일을 수동으로 생성하여 업로드
- 리포지토리의 **모델 카드 편집** 버튼을 클릭하는 것

모델 카드에 무엇을 포함해야 하는지 예시로 [Llama 3.1 모델 카드](https://huggingface.co/meta-llama/Meta-Llama-3.1-8B-Instruct)를 확인해 보세요.

[Model Cards](https://hf.co/docs/hub/model-cards#model-cards) 가이드에서 탄소 배출량, 라이선스, 논문 링크 등 다른 모델 카드 메타데이터에 대해 자세히 알아보세요.

