大模型训练完成之后可以直接使用吗？该怎么使用训练好的大模型？

金汤肥牛面.

已于 2024-09-04 16:01:49 修改

阅读量959

点赞数 23

文章标签：人工智能 c++ 搜索引擎 langchain 开发语言

于 2024-08-22 11:58:21 首次发布

本文链接：https://blog.csdn.net/qq_46094651/article/details/141424688

版权

“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

—

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。

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")

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。

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)``

—

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。