大模型训练成功之后可以间接经常使用吗 该怎样经常使用训练好的大模型

学习机器学习的人大局部都知道怎样设计并训练一个模型，但开发模型的目标是为了处置业务疑问，所以怎样经常使用大模型也是重中之重。

刚训练好的大模型理想上只管可以用，但因为没有用户接口，所以只能自己用，不可对外提供服务；所以，刚训练好的大模型须要经过一些处置才可以经常使用，包含数据预处置，接口开发等。

huggingface官方地址：需迷信上网

01、大模型加载与保留

训练一个大模型，在训练成功之后最关键的就是要把模型给保留下，而后在经常使用的时刻加载。

在什么状况下须要保留模型？

保留模型关键有两种状况，第一种是从新设计了一个新的模型，第二种是微调过的模型。

当然不论是何种要素，保留模型也有两种方式，一种是间接把模型启动保留，不论是模型自身还是模型参数。第二种是经常使用字典方式保留模型参数。

代码如下所示，这里经常使用的是pytorch自定义模型，假设是从网络中加载的其它模型，可以依据其详细的成功启动保留。

import torchfrom torch import nn# 神经网络结构 当作例子没有详细成功class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创立一个模型对象model = MyModel()# 第一种保留模型的方式torch.save(model, "my_model.pth")# 第二种保留模型的方式 经常使用dict字段保留参数torch.save(model.state_dict(), "dict_my_model.pth")

或者会有人有不懂，没有训练过的模型也可以保留吗？

只管很多人都会经常使用他人训练好的模型，但有时咱们只有要经常使用其模型结构，不须要其训练的参数，所以就会有人把没有训练过的模型启动保留。而后让他人可以用没用被数据“污染”过的新模型。

比如，pytorch从官方加载模型时就有一个参数，pretrained=false来加载未训练过的模型。当然，用户也可以选用训练过的模型启动微调。

模型的加载

模型既然可以被保留，那么就可以被加载。保留模型有两种方式，加载模型也有两种方式。

第一种方式保留就间接加载，而第二种方式保留就须要先创立一个模型，而后再加载。

须要留意的说，这里加载的是自定义模型，所以必定要把神经网络的结构给引入出去，上方代码的神经网络结构就是MyModel。否则会报错找不到模型，而假设是从网络中加载模型则不会产生这个疑问。

import torchfrom torch import nn# 神经网络结构 当作例子没有详细成功class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创立一个模型对象model = MyModel()# 第一种保留模型的方式torch.save(model, "my_model.pth")# 第二种保留模型的方式 经常使用dict字段保留参数torch.save(model.state_dict(), "dict_my_model.pth")# 第一种加载模型的方式 有了这个之后就不须要经常使用 model = MyModule()创立模型了load_model = torch.load("my_model.pth")print(load_model)# 第二种加载方式 这里只会加载模型的参数dict_load = torch.load("dict_my_model.pth")print(dict_load)#因此，须要先创立模型，再从字典中加载参数dict_model = MyModel()dict_model.load_state_dict(torch.load("dict_my_model.pth"))print("------------------")print(dict_model)

02、经常使用模型的三种方式

经常使用模型大略有以下三种方式：

第一种方式是间接调用第三方模型服务公司的API接口，比如chatGPT的接口，通义千问接口和百度文心一言等接口。

这种方式最繁难，也不须要懂得大模型的技术，只有要有编程基础会调用接口即可。

而前面两种其实是两种状况，就是自己部署大模型。

自己部署大模型分为两种状况，第一种是经常使用他人训练或微调好的模型，比如huggingface上的模型，pytorch官方提供的模型等；第二种是自己设计并训练模型。

两者的区别就是，第一种经常使用他人的模型，就须要依照他人的要求和规定去经常使用或训练模型。比如，它们或者会对模型启动繁难的输入处置和API封装，咱们自己也可以在其基础之上对模型启动愈加完善的设计。

如下所示，是经常使用huggingface上的大模型。from_pretrained(model_id)就是从huggingface仓库中加载大模型。

from transformers import AutoTokenizer, AutoModelForCausalLM# 大模型名词model_id = "shenzhi-wang/Llama3-8B-Chinese-Chat"# 加载分词器 在人造言语处置中，须要对文字启动分词 并转换为神经网络能够识别的向量格局tokenizer = AutoTokenizer.from_pretrained(model_id)# 加载大模型model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")""" 用户经常使用，依照大模型提供的输入案例来操作"""messages = [{"role": "system", "content": "You are Llama3-8B-Chinese-Chat, which is finetuned on Llama3-8B-Instruct with Chinese-English mixed).to(model.device)# 大模型只能识别向量格局的数据，所以在开局之前须要对数据启动预处置outputs = model.generate(input_ids,max_new_tokens=1024,do_sample=True,temperature=0.6,top_p=0.9,)# 失掉结果response = outputs[0][input_ids.shape[-1]:]print(tokenizer.decode(response, skip_special_tokens=True))

第二种自定义模型，咱们就须要自己对大模型启动预处置和接口封装。

import torchfrom torch import nn# 神经网络结构 当作例子没有详细成功class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创立一个模型对象model = MyModel()# 第一种保留模型的方式torch.save(model, "my_model.pth")# 第二种保留模型的方式 经常使用dict字段保留参数torch.save(model.state_dict(), "dict_my_model.pth")# 第一种加载模型的方式 有了这个之后就不须要经常使用 model = MyModule()创立模型了load_model = torch.load("my_model.pth")print(load_model)# 第二种加载方式 这里只会加载模型的参数dict_load = torch.load("dict_my_model.pth")print(dict_load)#因此，须要先创立模型，再从字典中加载参数dict_model = MyModel()dict_model.load_state_dict(torch.load("dict_my_model.pth"))print("------------------")print(dict_model)""" 数据预处置 """def process_prefix(param):# params是输入参数，人造言语处置中就是字符串，计算机视觉处置中就是图片或视频# 把参数转换为张量/向量inputs = torch.Tensor(param)"""当然，这里只是繁难举个例子，实践的预处置要比这复杂的多，岂但要成功配置，还有保障接口的可裁减性，以及下层配置的调用"""return inputs# 把用户输入转化为向量后 输入到模型中resp = dict_model(process_prefix(""))def process_post(resp):"""这里关键对模型的输入启动处置，不同的模型输入数据格局不一，所认为了经常使用的繁难，须要对模型输入启动处置"""

总的来说，模型的经常使用就相似于模型设计中的输入层和输入层，因为每个模型的输入和输入都不一样，所以每个模型的输入和输入都须要启动不凡处置。

开发者对模型启动包装之后，就可以经过API接口或SDK的方式提供应业务人员调用。

原文链接：​ ​​ ​