大模型之 Huggingface 初体验
原创
一 背景
huggingface 相关环境的安装和问题处理本篇暂不涉及，后续补充。这里以一个模型为例，完成从模型介绍到加载、运行的完整过程，作为我们熟悉 huggingface 的一个示例。
二 模型
这里选择 google/pegasus-newsroom 模型作为示例。
2.1 介绍
模型介绍参见https://huggingface.co/docs/transformers/main/model_doc/pegasus，模型是在论文《PEGASUS: Pre-training with Extracted Gap-sentences forAbstractive Summarization》中提出的，作者：Jingqing Zhang。基本思想是，PEGASUS 在预训练阶段，将输入的文档的重要句子 remove/mask，通过其它的句子预测生成，类似于摘要生成的做法。
2.2 使用示例
https://huggingface.co/google/pegasus-newsroom/tree/main
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
tokenizer = AutoTokenizer.from_pretrained("google/pegasus-newsroom")
model = AutoModelForSeq2SeqLM.from_pretrained("google/pegasus-newsroom")复制代码
2.3 遇到问题
按理说应该可以顺利执行，但实际上不出意外地遇到了意外。在执行时还是报错提示无法加载模型，信息如下：
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/root/onnx/tutorial-env/lib/python3.10/site-packages/transformers/models/auto/tokenization_auto.py", line 709, in from_pretrained
return tokenizer_class_fast.from_pretrained(pretrained_model_name_or_path, *inputs, **kwargs)
File "/root/onnx/tutorial-env/lib/python3.10/site-packages/transformers/tokenization_utils_base.py", line 1809, in from_pretrained
raise EnvironmentError(
OSError: Can't load tokenizer for 'google/pegasus-newsroom'. If you were trying to load it from 'https://huggingface.co/models', make sure you don't have a local directory with the same name. Otherwise, make sure 'google/pegasus-newsroom' is the correct path to a directory containing all relevant files for a PegasusTokenizerFast tokenizer.复制代码
在最后一行，OSError 这段，给出了两种错误可能的提示：
（1）确保本地没有同名目录
这一点显然，从来都没有创建过这个目录；
（2）确认'google/pegasus-newsroom'是一个包含所有相关文件的正确目录
这是从 huggingface 官网上复制过来的代码，不可能会出错。那问题出在哪里了？
三 问题排查
3.1 SSH 拉取模型文件
通过资料搜搜，和 huggingface 官网的模型页面查看，发现如下：
可以通过 git 拉取模型文件
不过执行后有如下报错：
所以改为使用 SSH 方式：
报了权限错误，不过还好，看到 publickey 的提示，应该是设置一下访问授权就可以了。
git clone git@hf.co:google/pegasus-newsroom
正克隆到 'pegasus-newsroom'...
Warning: Permanently added the ECDSA host key for IP address '3.210.66.237' to the list of known hosts.
Permission denied (publickey).
fatal: Could not read from remote repository.
Please make sure you have the correct access rights
and the repository exists.复制代码
3.2 ssh key 生成与添加
在https://huggingface.co/docs/hub/security-git-ssh 中有相关的操作描述（当然在实际操作中发现也有坑。。。），简单整理如下：
1、检查是否存在 SSH key，由于是 linux 系统，所以默认是在~/.ssh 目录下。由于我们之前没有生成过，所以没有（有也没关系，直接覆盖生成就好）
- id_rsa.pub
- id_ecdsa.pub
- id_ed25519.pub
2、如果没有，那么先生成，使用 ssh-keygen 命令，引号内是你注册 huggingface 时使用的邮箱：
ssh-keygen -t ed25519 -C "your.email@example.co"复制代码
3、生成完毕后，使用 ssh-add 命令加入到你的 SSH agent 中：
ssh-add ~/.ssh/id_ed25519复制代码
在第三步可能会遇到报错，例如我本地执行时错误如下：
Could not open a connection to your authentication agent.复制代码
无法正常添加，这种情况需要先执行 ssh-agent bash，然后再次执行 ssh-add 添加即可。
接下来就可以拉模型文件了：
git clone git@hf.co:google/pegasus-newsroom
正克隆到 'pegasus-newsroom'...
remote: Enumerating objects: 33, done.
remote: Total 33 (delta 0), reused 0 (delta 0), pack-reused 33
接收对象中: 100% (33/33), 931.72 KiB | 604.00 KiB/s, done.
处理 delta 中: 100% (12/12), done.
Downloading pytorch_model.bin (2.3 GB)复制代码
下载成功。
不过跟 huggingface 的描述相比，还有有个地方有些问题。按照 huggingface 的文档描述，ssh-add 添加 id_ed25519 成功后，在终端执行 ssh -T git@hf.co 命令，应该能看到包含你用户名的提示信息。但如上所述，我已经成功添加，并且可以拉取模型文件了，在终端执行命令后还是只有： “Hi anonymous, welcome to Hugging Face.”，按照文档描述这应该是失败的状态。这里暂时没有解决，留待后续继续排查。
四 继续运行模型
4.1 网络问题
回过头来，我们继续尝试对 google/pegasus-newsroom 的尝试。依次执行命令如下：
from transformers import AutoTokenizer, PegasusModel
tokenizer = AutoTokenizer.from_pretrained("google/pegasus-large")
model = PegasusModel.from_pretrained("google/pegasus-large")
inputs = tokenizer("Studies have been shown that owning a dog is good for you", return_tensors="pt")
decoder_inputs = tokenizer("Studies show that", return_tensors="pt")
outputs = model(input_ids=inputs.input_ids, decoder_input_ids=decoder_inputs.input_ids)
last_hidden_states = outputs.last_hidden_state
list(last_hidden_states.shape)复制代码
执行成功。
不过我们重复执行时，发现这里还有个问题，执行：model = PegasusModel.from_pretrained("google/pegasus-large") 时，依然会报连接失败的错误，而且失败的概率还比较大，所以依然需要继续解决。不过这个稍微分析一下，就知道是国内众所周知的“网络环境”问题，如果可以“访问国外网站”，那么就可以解决。不过相信也有很多小伙伴不具备这样的环境，或者风险较大，所以需要考虑采用其他更合法的方式。
4.2 离线模式
官网和其他可搜到的资料，基本都推荐采用离线模式。也就是把模型通过 git 或者手工下载再上传到服务器的指定目录，然后修改执行脚本从本地加载的方式。
由于上面我们已经完成了 ssh 的配置，并且可以 git clone 拉取模型文件，所以就直接加载已经拉下来的模型，脚本如下：
>>> from transformers import AutoTokenizer, AutoModelForMaskedLM
>>> tokenizer = AutoTokenizer.from_pretrained("/root/onnx/model/huggingface/pegasus-newsroom")
>>>
>>> from transformers import AutoTokenizer, AutoModel
>>> model = AutoModel.from_pretrained("/root/onnx/model/huggingface/pegasus-newsroom")
Some weights of the model checkpoint at /root/onnx/model/huggingface/pegasus-newsroom were not used when initializing PegasusModel: ['final_logits_bias']
- This IS expected if you are initializing PegasusModel from the checkpoint of a model trained on another task or with another architecture (e.g. initializing a BertForSequenceClassification model from a BertForPreTraining model).
- This IS NOT expected if you are initializing PegasusModel from the checkpoint of a model that you expect to be exactly identical (initializing a BertForSequenceClassification model from a BertForSequenceClassification model).
Some weights of PegasusModel were not initialized from the model checkpoint at /root/onnx/model/huggingface/pegasus-newsroom and are newly initialized: ['model.encoder.embed_positions.weight', 'model.decoder.embed_positions.weight']
You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
>>>
>>> model = model.eval()复制代码
到这里，算是跑通了整个运行流程。
五 后续
接下来，将继续验证 huggingface 转 onnx，和加载 onnx 并对外提供服务。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。