本例我们在Linux上进行下载，下载的模型是bert-base-uncased。
下载网址为：https://www.huggingface.co/bert-base-uncased
huggingface的transformers框架，囊括了BERT、GPT、GPT2、ToBERTa、T5等众多模型，同时支持pytorch和tensorflow 2，代码非常规范，使用也非常简单，但是模型使用的时候，要从他们的服务器上去下载模型，那么有没有办法，把这些预训练模型下载好，在使用时指定使用这些模型呢？答案是肯定的。
总览
总体是，将所需要的预训练模型、词典等文件下载至本地文件夹中 ，然后加载的时候model_name_or_path参数指向文件的路径即可。
下载方法
说明：我这三种下载方法都亲自尝试过，若你不成功请重复尝试，如果卡住，把下载一半的文件删掉，在重启一下重新尝试。
方法一：代码直接下载
我们在第一次执行BertTokenizer和 BertModel中的某个模型的from_pretrained函数的时候，将会自动下载预训练模型的相关文件。Linux中默认下载到~/.cache/huggingface/transformers中。
代码如下：
from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
model = BertModel.from_pretrained("bert-base-uncased")
# ...一系列操作
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)
print(output)
方法二：网址下载
首先打开网址：https://huggingface.co/models 这个网址是huggingface/transformers支持的所有模型，目前一直在增长。搜索bert-base-uncased（其他的模型类似，比如gpt2等），并点击进去。
点击页面中的Files and versions，可以看到模型的所有文件。
通常我们需要保存的是三个文件及一些额外的文件，第一个是配置文件；config.json。第二个是词典文件，vocab.json。第三个是预训练模型文件，如果你使用pytorch则保存pytorch_model.bin文件，如果你使用tensorflow 2，则保存tf_model.h5。
额外的文件，指的是tokenizer.json、tokenizer_config.json等，这几类是tokenizer需要使用的文件，如果出现的话，也需要保存下来。没有的话，就不必在意。如果不确定哪些需要下，哪些不需要的话，可以把上图中类似的文件或全部文件全都下载下来。
下载到本地文件夹bert-base-uncased，同时这些名称务必注意保证与图中的名称完全一致。然后从本地上传至自己的服务器想要存储的位置。
文件结构：
|- bertLearning 项目目录
|---->bert-base-uncased 下载好的bert-base-uncased预训练模型的文件，放在名为bert-base-uncased文件夹下
|---->run.py 加载执行预训练模型的文件
run.py代码如下：
from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained("./bert-base-uncased")
model = BertModel.from_pretrained("./bert-base-uncased")
# ...一系列操作
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)
print(output)
我们可以看出from_pretrained函数的参数是一个字符串类型的路径，例子中使用的路径是相对路径。意思是运行的这个py文件的文件夹中的bert-base-uncased文件。然后，就会自动在这个文件夹下去寻找相应的文件去加载tokenizer和model。
方法三：添加cache_dir参数
我们在第一次执行BertTokenizer和 BertModel中的某个模型的from_pretrained函数的时候，将会自动下载预训练模型的相关文件。但是我们还在函数中增加了cache_dir参数，这个参数的作用是你要下载到自己想要指定的一个文件夹下。
代码如下：
from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased",cache_dir="/home/user/path/to/bertLearning/cache/")
model = BertModel.from_pretrained("bert-base-uncased",cache_dir="/home/user/path/to/bertLearning/cache/")
# ...一系列操作
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)
print(output)
下载完，我们创建的cache文件夹中的预训练模型的文件如下：
总结：
- 千万不要把三个方法混着用，可能你最后都不知道到底哪个文件夹加载起了作用。（在全都下载的情况下，可能存在优先级查找）
- 上面的三种方法亲身实验，如果不成功，删除和重启从新下载文件。