前言
“ 训练大模型的目的,就是为了解决业务问题”
学习机器学习的人大部分都知道怎么设计并训练一个模型,但开发模型的目的是为了解决业务问题,所以怎么使用大模型也是重中之重。
刚训练好的大模型事实上虽然可以用,但由于没有用户接口,所以只能自己用,无法对外提供服务;所以,刚训练好的大模型需要经过一些处理才可以使用,包括数据预处理,接口开发等。
huggingface官网地址:https://huggingface.co/models 需科学上网
01、大模型加载与保存
训练一个大模型,在训练完成之后最重要的就是要把模型给保存下,然后在使用的时候加载。
在什么情况下需要保存模型?
保存模型主要有两种情况,第一种是重新设计了一个新的模型,第二种是微调过的模型。
当然不论是何种原因,保存模型也有两种方式,一种是直接把模型进行保存,不论是模型本身还是模型参数。第二种是使用字典方式保存模型参数。
代码如下所示,这里使用的是pytorch自定义模型,如果是从网络中加载的其它模型,可以根据其具体的实现进行保存。
可能会有人有疑问,没有训练过的模型也可以保存吗?
虽然很多人都会使用别人训练好的模型,但有时我们只需要使用其模型结构,不需要其训练的参数,所以就会有人把没有训练过的模型进行保存。然后让别人可以用没用被数据“污染”过的新模型。
比如,pytorch从官网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,用户也可以选择训练过的模型进行微调。
模型的加载
模型既然可以被保存,那么就可以被加载。保存模型有两种方式,加载模型也有两种方式。
第一种方式保存就直接加载,而第二种方式保存就需要先创建一个模型,然后再加载。
需要注意的说,这里加载的是自定义模型,所以一定要把神经网络的结构给引入进来,下面代码的神经网络结构就是MyModel。否则会报错找不到模型,而如果是从网络中加载模型则不会出现这个问题。
02、使用模型的三种方式
使用模型大概有以下三种方式:
第一种方式是直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。
这种方式最简单,也不需要懂得大模型的技术,只需要有编程基础会调用接口即可。
而后面两种其实是两种情况,就是自己部署大模型。
自己部署大模型分为两种情况,第一种是使用别人训练或微调好的模型,比如huggingface上的模型,pytorch官网提供的模型等;第二种是自己设计并训练模型。
两者的区别就是,第一种使用别人的模型,就需要按照别人的要求和规则去使用或训练模型。比如,它们可能会对模型进行简单的输入处理和API封装,我们自己也可以在其基础之上对模型进行更加完善的设计。
如下所示,是使用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 在自然语言处理中,需要对文字进行分词 并转换为神经网络能够识别的向量格式
tokenizer = AutoTokenizer.from_pretrained(model_id)
# 加载大模型
model = AutoModelForCausalLM.from_pretrained(
model_id, torch_dtype="auto", device_map="auto"
)
"""
用户使用,按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 data by the ORPO alignment algorithm. You, Llama3-8B-Chinese-Chat, is developed by Shenzhi Wang (王慎执 in Chinese). You are a helpful assistant."},
{"role": "user", "content": "介绍一下你自己"},
]
# 数据预处理
input_ids = tokenizer.apply_chat_template(
messages, add_generation_prompt=True, return_tensors="pt"
).to(model.device)
# 大模型只能识别向量格式的数据,所以在开始之前需要对数据进行预处理
outputs = model.generate(
input_ids,
max_new_tokens=1024,
do_sample=True,
temperature=0.6,
top_p=0.9,
)
# 获取结果
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))
第二种自定义模型,我们就需要自己对大模型进行预处理和接口封装。
import torch
from torch import nn
\# 神经网络结构 当作例子没有具体实现
class MyModel(nn.Module):
def \_\_init\_\_(self):
super(MyModel, self).\_\_init\_\_()
pass
def forward(self, x):
return x
\# 创建一个模型对象
model = MyModel()
\# 第一种保存模型的方式
torch.save(model, "my\_model.pth")
\# 第二种保存模型的方式 使用dict字段保存参数
torch.save(model.state\_dict(), "dict\_my\_model.pth")
\# 第一种加载模型的方式 有了这个之后就不需要使用 model = MyModule()创建模型了
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,需要先创建模型,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)
""" 数据预处理 """def process\_prefix(param):
\# params是输入参数,自然语言处理中就是字符串,计算机视觉处理中就是图片或视频
\# 把参数转换为张量/向量
inputs = torch.Tensor(param)
"""
当然,这里只是简单举个例子,实际的预处理要比这复杂的多,不但要实现功能,还有保证接口的可扩展性,以及上层功能的调用
""" 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):
"""
这里主要对模型的输出进行处理,不同的模型输出数据格式不一,所以为了使用的方便,需要对模型输出进行处理
"""
总的来说,模型的使用就类似于模型设计中的输入层和输出层,由于每个模型的输入和输出都不一样,所以每个模型的输入和输出都需要进行特殊处理。
开发者对模型进行包装之后,就可以通过API接口或SDK的形式提供给业务人员调用。
零基础入门AI大模型
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
标签:精通,入门,训练,AI,模型,就够,dict,model,加载 From: https://blog.csdn.net/weixin_49892805/article/details/143567196