关于你的功能请求是否与问题相关？请描述。

LudwigModel接受yaml字符串或原始字典作为模型配置，在许多示例中，你可以看到相当数量的硬编码的yaml字符串，但这样的yaml结构没有引导，也没有预先知道，这使得在程序接口中采用声明式方法更具挑战性。

描述使用场景

查看LLM微调：
https://colab.research.google.com/drive/1c3AO8l_H6V_x37RwQ8V7M6A-RmcBf2tG?usp=sharing#scrollTo=JfZq1-qbulcg
看起来我可以指定预处理采样率，好奇我在预处理中还能做什么，我是否可以为预期的多核利用设置固定并行度呢？🤔

描述你希望得到的解决方案

理想情况下，有pydentic类定义每个yaml结构，这样你就有类型安全、输入和输出验证以及IDE自动补全以便更快地查找可能的字段和值以及带有代码中的文档。然而，代码库中现有的数据类对于配置也足够好了，因为它们提供了自动补全和参数文档的可能性。
类似于：

config = LLMConfig(
    base_model="meta-llama/Llama-2-7b-hf", 
    quantization=BitsAndBites(bits=4), 
    adapter=Lora(alpha=16), 
    prompt=Prompt(template="Say hello to {username}"),
    input_features=TextFeature(name="prompt", preprocessing=Preprocessing(max_sequence_length=256)),
    output_feature=TextFeature(name="output", preprocessing=Preprocessing(max_sequence_length=256)),
    preprocessing=Preprocessing(sample_ratio=0.1, parallelism=4)
)
model = LudwigModel(config=config, logging_level=logging.INFO)

描述你考虑过的替代方案

我看到已经存在这样的领域模型：
ludwig/ludwig/features/text_feature.py
第211行 in e46a989
| | classTextInputFeature(TextFeatureMixin, SequenceInputFeature): |
它们包含模式实现细节，这些细节对于更容易和更快地自动补全可能的属性搜索是必要的，如果它们的API不打算改变，那么重用它们可能会更快，我假设配置的yaml已经被反序列化为这样的类。

附加上下文

这不仅有助于适应声明式方法，还可以节省反序列化过程。