分享模型
最后两个教程展示了如何使用PyTorch、Keras和 🤗 Accelerate进行分布式设置来微调模型。下一步是将您的模型与社区分享!在Hugging Face,我们相信公开分享知识和资源,能实现人工智能的普及化,让每个人都能受益。我们鼓励您将您的模型与社区分享,以帮助他人节省时间和精力。
在本教程中,您将学习两种在Model Hub上共享训练好的或微调的模型的方法:
- 通过编程将文件推送到Hub。
- 使用Web界面将文件拖放到Hub。
要与社区共享模型,您需要在huggingface.co上拥有一个帐户。您还可以加入现有的组织或创建一个新的组织。
仓库功能
Model Hub上的每个仓库都像是一个典型的GitHub仓库。我们的仓库提供版本控制、提交历史记录以及可视化差异的能力。
Model Hub的内置版本控制基于git和git-lfs。换句话说,您可以将一个模型视为一个仓库,从而实现更好的访问控制和可扩展性。版本控制允许使用修订方法来固定特定版本的模型,可以使用提交哈希值、标签或分支来标记。
因此,您可以通过revision
参数加载特定的模型版本:
>>> model = AutoModel.from_pretrained(
... "julien-c/EsperBERTo-small", revision="v2.0.1" # tag name, or branch name, or commit hash
... )
文件也可以轻松地在仓库中编辑,您可以查看提交历史记录以及差异:
设置
在将模型共享到Hub之前,您需要拥有Hugging Face的凭证。如果您有访问终端的权限,请在安装🤗 Transformers的虚拟环境中运行以下命令。这将在您的Hugging Face缓存文件夹(默认为~/.cache/
)中存储您的access token
:
huggingface-cli login
如果您正在使用像Jupyter或Colaboratory这样的notebook
,请确保您已安装了huggingface_hub
库。该库允许您以编程方式与Hub进行交互。
pip install huggingface_hub
然后使用notebook_login
登录到Hub,并按照这里的链接生成一个token进行登录:
>>> from huggingface_hub import notebook_login
>>> notebook_login()
转换模型适用于所有框架
为确保您的模型可以被使用不同框架的人使用,我们建议您将PyTorch和TensorFlow checkpoints
都转换并上传。如果您跳过此步骤,用户仍然可以从其他框架加载您的模型,但速度会变慢,因为🤗 Transformers需要实时转换checkpoints
。
为另一个框架转换checkpoints
很容易。确保您已安装PyTorch和TensorFlow(请参阅此处的安装说明),然后在其他框架中找到适合您任务的特定模型。
指定from_tf=True
将checkpoint从TensorFlow转换为PyTorch。
>>> pt_model = DistilBertForSequenceClassification.from_pretrained("path/to/awesome-name-you-picked", from_tf=True)
>>> pt_model.save_pretrained("path/to/awesome-name-you-picked")
指定from_pt=True
将checkpoint从PyTorch转换为TensorFlow。
>>> tf_model = TFDistilBertForSequenceClassification.from_pretrained("path/to/awesome-name-you-picked", from_pt=True)
然后,您可以使用新的checkpoint保存您的新TensorFlow模型:
>>> tf_model.save_pretrained("path/to/awesome-name-you-picked")
如果模型在Flax中可用,您还可以将PyTorch checkpoint转换为Flax:
>>> flax_model = FlaxDistilBertForSequenceClassification.from_pretrained(
... "path/to/awesome-name-you-picked", from_pt=True
... )
在训练过程中推送模型
将模型分享到Hub就像添加一个额外的参数或回调函数一样简单。请记住,在微调教程中,TrainingArguments
类是您指定超参数和附加训练选项的地方。其中一项训练选项包括直接将模型推送到Hub的能力。在您的TrainingArguments
中设置push_to_hub=True
:
>>> training_args = TrainingArguments(output_dir="my-awesome-model", push_to_hub=True)
像往常一样将您的训练参数传递给Trainer
:
>>> trainer = Trainer(
... model=model,
... args=training_args,
... train_dataset=small_train_dataset,
... eval_dataset=small_eval_dataset,
... compute_metrics=compute_metrics,
... )
在您微调完模型后,在Trainer
上调用push_to_hub()
将训练好的模型推送到Hub。🤗 Transformers甚至会自动将训练超参数、训练结果和框架版本添加到你的模型卡片中!
>>> trainer.push_to_hub()
使用PushToHubCallback将模型分享到Hub。在PushToHubCallback函数中,添加以下内容:
- 一个用于存储模型的输出目录。
- 一个tokenizer。
hub_model_id
,即您的Hub用户名和模型名称。
>>> from transformers import PushToHubCallback
>>> push_to_hub_callback = PushToHubCallback(
... output_dir="./your_model_save_path", tokenizer=tokenizer, hub_model_id="your-username/my-awesome-model"
... )
将回调函数添加到 fit
中,然后🤗 Transformers 会将训练好的模型推送到 Hub:
>>> model.fit(tf_train_dataset, validation_data=tf_validation_dataset, epochs=3, callbacks=push_to_hub_callback)
使用 push_to_hub 功能
您可以直接在您的模型上调用push_to_hub
来将其上传到Hub。
在push_to_hub
中指定你的模型名称:
>>> pt_model.push_to_hub("my-awesome-model")
这会在您的用户名下创建一个名为my-awesome-model
的仓库。用户现在可以使用from_pretrained
函数加载您的模型:
>>> from transformers import AutoModel
>>> model = AutoModel.from_pretrained("your_username/my-awesome-model")
如果您属于一个组织,并希望将您的模型推送到组织名称下,只需将其添加到repo_id
中:
>>> pt_model.push_to_hub("my-awesome-org/my-awesome-model")
push_to_hub
函数还可以用于向模型仓库添加其他文件。例如,向模型仓库中添加一个tokenizer
:
>>> tokenizer.push_to_hub("my-awesome-model")
或者,您可能希望将您的微调后的PyTorch模型的TensorFlow版本添加进去:
>>> tf_model.push_to_hub("my-awesome-model")
现在,当您导航到您的Hugging Face个人资料时,您应该看到您新创建的模型仓库。点击文件选项卡将显示您已上传到仓库的所有文件。
有关如何创建和上传文件到仓库的更多详细信息,请参考Hub文档这里。
使用Web界面上传
喜欢无代码方法的用户可以通过Hugging Face的Web界面上传模型。访问huggingface.co/new创建一个新的仓库:
从这里开始,添加一些关于您的模型的信息:
- 选择仓库的所有者。这可以是您本人或者您所属的任何组织。
- 为您的项目选择一个名称,该名称也将成为仓库的名称。
- 选择您的模型是公开还是私有。
- 指定您的模型的许可证使用情况。
现在点击文件选项卡,然后点击添加文件按钮将一个新文件上传到你的仓库。接着拖放一个文件进行上传,并添加提交信息。
添加模型卡片
为了确保用户了解您的模型的能力、限制、潜在偏差和伦理考虑,请在仓库中添加一个模型卡片。模型卡片在README.md
文件中定义。你可以通过以下方式添加模型卡片:
- 手动创建并上传一个
README.md
文件。 - 在你的模型仓库中点击编辑模型卡片按钮。
可以参考DistilBert的模型卡片来了解模型卡片应该包含的信息类型。有关您可以在README.md
文件中控制的更多选项的细节,例如模型的碳足迹或小部件示例,请参考文档这里。