Hugging Face&魔塔使用

周树皮

已于 2024-11-07 22:17:04 修改

阅读量691

点赞数 4

文章标签：笔记

于 2024-11-04 22:25:39 首次发布

本文链接：https://blog.csdn.net/weixin_53116058/article/details/143495641

版权

HF

link：
https://huggingface.co/
https://modelscope.cn/home

认证

create token，选上这些权限，名字任意。
在这里插入图片描述
创建好复制hf_xxxxx 的token，然后代入下面命令登录。

huggingface-cli login --token your_token

下载

官方指引：HF-mirror

model

huggingface-cli download --resume-download meta-llama/Llama-3.1-8B-Instruct --local-dir your_dir

dataset

huggingface-cli download --repo-type dataset --resume-download mengfang/MATH-APS --local-dir your_dir

魔塔

下载

modelscope download --model="LLM-Research/Meta-Llama-3-8B-Instruct"  --local_dir your_dir

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

周树皮

关注关注

4
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

hugging face 使用教程———快速入门

TigerZ*的博客

07-24

1万+

本篇存在的意义是快速介绍hugging face使用，梳理主要部件，梳理易混淆概念。原因是：目前hugging face的使用，官方放在了3个地方（参考链接部分）：使用文档、NLP教程、Transformers git的readme 文件，很多重叠内容比较浪费时间，很容易看懵。等大家有了主要概念再去看需要具体看某个函数或功能。

【书生大模型L0 Hugging Face、魔搭社区、魔乐社区使用】

m0_65370831的博客

10-31

845

Hugging Face 最初专注于开发聊天机器人服务。尽管他们的聊天机器人项目并未取得预期的成功，但他们在GitHub上开源的Transformers库却意外地在机器学习领域引起了巨大轰动。如今，Hugging Face已经发展成为一个拥有超过100,000个预训练模型和10,000个数据集的平台，被誉为机器学习界的GitHub。Hugging Face 官网ModelScope 是一个“模型即服务”(MaaS)平台，由阿里巴巴集团的达摩院推出和维护。

参与评论您还未登录，请先登录后发表或查看评论

codespace、huggingface及魔塔社区使用

qq_40348511的博客

11-24

1989

魔搭社区类似HF，也有一套创建模型的界面。不同的是，它具有审核机制，当符合它的社区规范时才会被公开。那么当上传正常的模型文件后，审核一般就会通过了。魔塔社区与huggingface类似，都是模型共享的平台，其使用也与huggingface类似。上传文件的方法可以直接通过平台添加文件，也可以通过git下载模型后进行修改和上传文件。使用登录命令进行登录，登录过程中输入刚刚创建的token即可。上传模型到自己创建的huggingface中。为魔塔社区的模型创建一个环境，指定安装目录。

训练AI脚本Hugging Face Hub 无法访问问题解决

qianbo042311的博客

03-25

569

如果 Hugging Face Hub 无法访问，可以尝试以下几种替代下载途径。

中文环境下使用 huggingface 模型替换 OpenAI的Embedding 接口

dotNET跨平台

05-22

2957

OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：搜索（其中结果按与查询字符串的相关性排名）聚类（其中文本字符串按相似性分组）推荐（推荐具有相关文本字符串的项目）异常检测（识别出相关性不大的异常值）多样性测量（分析相似性分布）分类（其中文本字符串按其最相似的标签分类）嵌入是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。但是OpenAI的...

HuggingFace 国内下载阿里云盘下载速度20MB/s

jieshenai的博客

10-25

2517

国内使用阿里云盘下载huggingface模型权重。海外服务器上传模型到阿里云盘。

实用篇| huggingface网络不通

youbingchen的博客

05-27

3381

另外一种方式, 使用魔塔, ModelScope魔搭社区-ModelScope旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单。hf-mirror.com是Huggingface的镜像网站，它提供了一个备用的域名来访问Huggingface的资源和功能。它的作用类似于一个代理服务器，可以帮助我们绕过无法访问huggingface.co的限制，正常地获取所需的模型和数据集。上面的方式是代码集成的方式,还有就是可以手动下载模型。

使用Git下载大语言模型

Python，数据分析，机器学习，深度学习

09-27

7767

在下载Huggingface和ModelScope上面的大语言预训练模型的时候，经常会因为网页无法访问或者文件太大无法下载的情况，是大家常常比较苦恼的事情，下面给出用Git下载模型到本地的方法，可以轻松解决上述问题。

告别Hugging Face模型下载难题：掌握高效下载策略，畅享无缝开发体验

2401_84208172的博客

08-10

1486

无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

Hugging Face 核心组件介绍

沐雪架构师

03-07

1311

hugging face的核心组件主要是 Transformers 和Datasets。使用代码下载模型到本地，代码演示使用depeek-r1-1.5b,小一点。等待大概几分钟就下载完成了，主要看网速。#下载模型#下载分词工具print(f"模型和分词器已下载到：{cache_dir}")AutoModelForCausalLM 是 Hugging Face 的 Transformers 库中的一个类，主要用于处理因果语言模型（Causal Language Model）任务。

使用Hugging Face进行文本嵌入：完整指南与实用示例

qq_29929123的博客

10-22

1022

Hugging Face提供了多种工具，帮助开发者实现高效的文本嵌入。无论是在本地运行还是使用云服务，Hugging Face都能满足不同的需求。Hugging Face Embedding Model 概念指南如何使用嵌入模型的指南。

Llamaindex RAG 实践本地部署+InternLM API+部署到 Hugging Face Space

NoemPol的博客

12-18

1271

给模型注入新知识的方式，可以简单分为两种方式，一种是内部的，即更新模型的权重，另一个就是外部的方式，给模型注入格外的上下文或者说外部信息，不改变它的的权重。“先安装 Pytorch 再安装 Llamaindex”存在的问题是：匹配CUDA 11.7的torch安装在前，但是其后安装 LLamaIndex 相关的指令会稳定触发torch的升级到最新版本，而新版本的PyTorch (2.5.1) 默认使用CUDA 12.4，导致 Pytorch 版本与 CUDA版本不匹配。左图中问答均未给出准确的答案。

在离线状态下如何加载 modelscope（魔塔社区） / huggingface 上下载好的数据集

weixin_43354138的博客

02-18

972

最近在搞模型微调，由于公司的电脑不能访问外网，在离线加载数据集的时候会一直尝试访问外网进行加载，正常的方式虽然也可以使用缓存，但首先会访问外网，从而导致报错。。尝试了网上许多方法无果后，终于找到了解决方法。

llama-3.1下载部署

weixin_45735391的博客

07-30

1214

点击头像->setting->access token 创建token。详情页填写申请后等待审核。

解决下载模型，Huggingface 无法访问的问题？

总结复盘，才能不迷失自己！

02-01

1481

【代码】解决Huggingface 无法访问？

Hugging Face | 个人使用笔记

yatingliu的博客

10-28

685

Hugging Face个人学习笔记

黑马Java基础笔记-13常用查找算法

最新发布

IKUNIKUNIKUNikun的博客

05-20

598

数学表达αnmαmn，其中nnn为哈希表中当前元素数，mmm为桶的总数或槽位总数。意义：表示哈希表的“填充率”，负载因子高意味着更多的键映射到相同或相邻的位置，冲突概率也随之升高，从而增大查找或插入时的探测或链表长度。再哈希是指在哈希表运行过程中，检测到负载因子α\alphaα达到或超过预设阈值后，动态地创建一个更大的新表（通常容量翻倍），并将旧表中所有元素按照新表大小重新计算哈希并插入新表的过程。这一过程又称“扩容”（resize）或“重散列”，旨在降低α\alphaα。

【Linux笔记】——Linux线程封装

GGDxianv的博客

05-17

1345

本文介绍了在Linux环境下基于pthread库的线程封装类，旨在简化多线程编程的复杂性。该封装类提供了线程的创建、启动、终止、分离和回收等功能。核心功能包括通过Start()方法创建并启动线程，Stop()方法终止线程，Detach()方法将线程设置为分离状态，以及Join()方法回收线程资源。封装类通过静态成员函数routine和this指针的巧妙结合，解决了线程函数与类成员函数的兼容性问题。源码展示了线程类的实现细节，包括线程ID、状态标志、线程名称和回调函数的封装。该封装类为多线程编程提供了简洁高效

魔塔

04-03

<think>好的，用户需要找魔塔的游戏攻略、资源和下载。首先得确定魔塔的不同版本，比如经典魔塔50层、魔塔24层，还有魔塔2000等。不同版本可能有不同的攻略，所以需要分别处理。资源下载方面，得找可靠的网站，比如Steam、贴吧或者独立游戏站点，确保安全。攻略部分可能需要整合贴吧、B站视频和论坛的精华内容。还要注意用户可能需要代码或修改器，这部分要检查是否有相关工具和教程。最后，整理相关问题时要覆盖版本差异、资源安全性、攻略细节和修改方法。</think>针对魔塔游戏资源与攻略需求，整理以下信息供参考： --- **一、游戏资源获取** 1. **官方渠道下载** - Steam平台提供《魔塔50层》重制版及部分同人作品，搜索“Magic Tower”或“魔塔”可找到相关游戏 - 部分经典版本可通过开发者官网获取，如《魔塔24层》原作者发布页面 2. **社区资源平台** - 百度贴吧“魔塔吧”聚集大量玩家，精品区包含历代魔塔游戏合集（2023年仍有更新） - 独立游戏网站itch.io搜索“Magic Tower”可获取多语言版本及同人创作 3. **移动端适配** - 部分HTML5版本可通过浏览器直接运行（例如基于JavaScript重构的魔塔样板） - 安卓移植版可在Taptap平台或相关开发者GitHub仓库找到 ```javascript // 示例：魔塔游戏基础结构代码片段 class GameMap { constructor(layers) { this.floor = layers; this.heroPos = {x:0, y:0}; } moveCharacter(direction) { // 移动逻辑实现 } } ``` --- **二、核心攻略要点** 1. **数值计算体系** - 战斗公式：$伤害值 = 攻方攻击力 - 守方防御力$ - 血量消耗计算：$损失HP = \frac{怪物攻击力}{玩家防御力} \times 怪物血量$ - 临界值计算：当$玩家攻击 \geq 怪物防御 + 怪物血量$时可无伤击杀 2. **路线规划策略** - 优先获取黄钥匙和宝石类道具 - 利用楼层传送器跳关节省资源 - 特定楼层（如16层、24层）需保留足够金币购买高级装备 3. **隐藏要素解锁** - 部分版本在13层、29层设置密道 - 与特定NPC多次对话可获得额外道具 - 通过修改游戏文件可解锁调试模式（需备份原文件） --- **三、进阶工具资源** 1. **地图编辑器** - 魔塔样板工程（h5mota.com）提供在线编辑工具 - GitHub开源项目“mota-js”支持自定义关卡创建 2. **数据修改方法** - 使用Cheat Engine修改游戏内存数据 - 直接编辑游戏存档文件（通常为.dat或.sav格式） ```python # 示例：简单存档修改代码 import json with open('save.dat', 'r') as f: data = json.load(f) data['player']['attack'] = 999 # 修改攻击力 with open('save.dat', 'w') as f: json.dump(data, f) ``` ---