。

构造这些派生类的对象也很简单#xff0c;transformers为这三个类都提供了自动类型#xff0c;即AutoConfig,

AutoTokenizer和AutoModel。

三个…transformers的三个核心抽象类是Config,

Tokenizer和Model这些类根据模型种类的不同派生出一系列的子类。

构造这些派生类的对象也很简单transformers为这三个类都提供了自动类型即AutoConfig,

AutoTokenizer和AutoModel。

三个AutoClass都提供了from_pretrained方法这个方法则一气完成了模型类别推理、模型文件列表映射、模型文件下载及缓存、类对象构建等一系列操作。

from_pretrained这个类方法最重要的一个参数叫做pretrained_model_name_or_path。

顾名思义我们可以给出一个模型的短名也可以给出一个路径。

如果给的是模型短名则它会想办法映射出要下载的文件的URL位置并将文件下载到本地一个固定的cache目录。

第二次再调用的时候它会检查cache中是否已经存在同样的文件如果有则直接从cache载入不再走网络下载。

如果给的是路径名那么它假设该路径之下已经存在自行训练/预下载/经过微调的模型文件直接载入。

from_pretrained方法实际上提供了丰富的下载辅助功能

cache_dir自定义的cache路径force_download强制重新下载resume_download断点续传proxies字典形式指定代理……

Config的初次构造相对简单主要是通过hf_bucket_url函数将函数短名映射成为网络URL形如https://s3.amazonaws.com/models.huggingface.co/bert/bert-base-chinese-config.json的一个json文件。

下载它到cache目录再读取构造对象即可。

首先它需要先构造Config对象然后查一张预定义好的表TOKENIZER_MAPPING。

这张映射表中描述了什么样的Config

Class都定义了一个类变量vocab_files_names指定了它所用到的词汇文件名有哪些。

另外Tokenizer

Class可能还会产生若干附加文件可能有也可能没有但这些附加文件名列表是有限的存在additional_files当中包括ADDED_TOKENS_FILE,

FULL_TOKENIZER_FILE等后续下载时需要逐一探测一下。

以上所有的文件名都需要用hf_bucket_url函数转成相应的URL。

和Tokenizer类似它也需要先得到Config对象然后查MODEL_MAPPING映射表得到实际的Model

Class定义了类方法from_pretrained。

这个方法会根据模型短名以及该模型是从TF还是PT训练的利用hf_bucket_url函数转成相应的URL。

TF2对应的模型文件名为tf_model.h5PT对应的模型文件名为pytorch_model.bin。

由于模型文件一般比较大转换时采用了CDN域名下载时采用了分块下载stream的方式。

vicuna-7b-v1.5为例

https://huggingface.co/lmsys/vicuna-7b-v1.5/tree/main

config.json

文档https://huggingface.co/transformers/v3.3.1/main_classes/configuration.html

config.json

https://huggingface.co/transformers/v3.3.1/model_sharing.html

【HugBert05】照猫画虎理解from_pretrained攒个模型下载器