模型⚓︎

基类 [PreTrainedModel]、[TFPreTrainedModel] 和 [FlaxPreTrainedModel] 实现了从本地文件或目录加载/保存模型的常用方法，或者从库上提供的预训练模型配置（从 HuggingFace 的 AWS S3 存储库下载）加载模型。

[PreTrainedModel] 和 [TFPreTrainedModel] 还实现了一些所有模型共有的方法：

在向量词嵌入增加新词汇时调整输入标记（token）的大小
对模型的注意力头进行修剪。

其他的通用方法在 [~modeling_utils.ModuleUtilsMixin]（用于 PyTorch 模型）和 [~modeling_tf_utils.TFModuleUtilsMixin]（用于 TensorFlow 模型）中定义；文本生成方面的方法则定义在 [~generation.GenerationMixin]（用于 PyTorch 模型）、[~generation.TFGenerationMixin]（用于 TensorFlow 模型）和 [~generation.FlaxGenerationMixin]（用于 Flax/JAX 模型）中。

PreTrainedModel⚓︎

[[autodoc]] PreTrainedModel - push_to_hub - all

大模型加载⚓︎

在 Transformers 4.20.0 中，[~PreTrainedModel.from_pretrained] 方法已重新设计，以适应使用 Accelerate 加载大型模型的场景。这需要您使用的 Accelerate 和 PyTorch 版本满足： Accelerate >= 0.9.0， PyTorch >= 1.9.0。除了创建完整模型，然后在其中加载预训练权重（这会占用两倍于模型大小的内存空间，一个用于随机初始化模型，一个用于预训练权重），我们提供了一种选项，将模型创建为空壳，然后只有在加载预训练权重时才实例化其参数。

您可以使用 low_cpu_mem_usage=True 激活此选项。首先，在 Meta 设备上创建模型（带有空权重），然后将状态字典加载到其中（在分片检查点的情况下逐片加载）。这样，最大使用的内存占用仅为模型的完整大小。

from transformers import AutoModelForSeq2SeqLM

t0pp = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0pp", low_cpu_mem_usage=True)

此外，如果内存不足以放下加载整个模型（目前仅适用于推理），您可以直接将模型放置在不同的设备上。使用 device_map="auto"，Accelerate 将确定将每一层放置在哪个设备上，以最大化使用最快的设备（GPU），并将其余部分卸载到 CPU，甚至硬盘上（如果您没有足够的 GPU 内存或 CPU 内存）。即使模型分布在几个设备上，它也将像您通常期望的那样运行。

在传递 device_map 时，low_cpu_mem_usage 会自动设置为 True，因此您不需要指定它：

from transformers import AutoModelForSeq2SeqLM

t0pp = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0pp", device_map="auto")

您可以通过 hf_device_map 属性来查看模型是如何在设备上分割的：

t0pp.hf_device_map
{'shared': 0,
 'decoder.embed_tokens': 0,
 'encoder': 0,
 'decoder.block.0': 0,
 'decoder.block.1': 1,
 'decoder.block.2': 1,
 'decoder.block.3': 1,
 'decoder.block.4': 1,
 'decoder.block.5': 1,
 'decoder.block.6': 1,
 'decoder.block.7': 1,
 'decoder.block.8': 1,
 'decoder.block.9': 1,
 'decoder.block.10': 1,
 'decoder.block.11': 1,
 'decoder.block.12': 1,
 'decoder.block.13': 1,
 'decoder.block.14': 1,
 'decoder.block.15': 1,
 'decoder.block.16': 1,
 'decoder.block.17': 1,
 'decoder.block.18': 1,
 'decoder.block.19': 1,
 'decoder.block.20': 1,
 'decoder.block.21': 1,
 'decoder.block.22': 'cpu',
 'decoder.block.23': 'cpu',
 'decoder.final_layer_norm': 'cpu',
 'decoder.dropout': 'cpu',
 'lm_head': 'cpu'}

您还可以按照相同的格式（一个层名称到设备的映射关系的字典）编写自己的设备映射规则。它应该将模型的所有参数映射到给定的设备上，如果该层的所有子模块都在同一设备上，您不必详细说明其中所有子模块的位置。例如，以下设备映射对于 T0pp 将正常工作（只要您有 GPU 内存）：

device_map = {"shared": 0, "encoder": 0, "decoder": 1, "lm_head": 1}

另一种减少模型内存影响的方法是以较低精度的 dtype（例如 torch.float16）实例化它，或者使用下面介绍的直接量化技术。

模型实例化 dtype⚓︎

在 PyTorch 下，模型通常以 torch.float32 格式实例化。如果尝试加载权重为 fp16 的模型，这可能会导致问题，因为它将需要两倍的内存。为了克服此限制，您可以使用 torch_dtype 参数显式传递所需的 dtype：

model = T5ForConditionalGeneration.from_pretrained("t5", torch_dtype=torch.float16)

或者，如果您希望模型始终以最优的内存模式加载，则可以使用特殊值 "auto"，然后 dtype 将自动从模型的权重中推导出：

model = T5ForConditionalGeneration.from_pretrained("t5", torch_dtype="auto")

也可以通过以下方式告知从头开始实例化的模型要使用哪种 dtype：

config = T5Config.from_pretrained("t5")
model = AutoModel.from_config(config)

由于 PyTorch 的设计，此功能仅适用于浮点类型。

ModuleUtilsMixin⚓︎

[[autodoc]] modeling_utils.ModuleUtilsMixin

TFPreTrainedModel [[autodoc]] TFPreTrainedModel - push_to_hub - all

TFModelUtilsMixin⚓︎

[[autodoc]] modeling_tf_utils.TFModelUtilsMixin

FlaxPreTrainedModel [[autodoc]] FlaxPreTrainedModel - push_to_hub - all

推送到 Hub⚓︎

[[autodoc]] utils.PushToHubMixin

分片检查点⚓︎

[[autodoc]] modeling_utils.load_sharded_checkpoint

最后更新: November 25, 2023
创建日期: November 25, 2023