PaddleNLP 离线使用已下载好的社区模型
Part1TL;DR
使用 PaddleNLP 加载社区模型时，因为社区模型需联网下载，可先从在线环境进行模型下载，再将下载好的模型传输到离线环境中。此时在离线环境下可能会遇到 https://github.com/PaddlePaddle/PaddleNLP/pull/5817 中描述的问题，可参照该 PR files[1] 中内容修改，以支持离线环境的正常使用。
Part2PaddleNLP
PaddleNLP是一款简单易用且功能强大的自然语言处理开发库。聚合业界优质预训练模型并提供开箱即用的开发体验，覆盖NLP多场景的模型库搭配产业实践范例可满足开发者灵活定制的需求。—— https://github.com/PaddlePaddle/PaddleNLP
PaddleNLP 文档地址：https://paddlenlp.readthedocs.io/zh/latest/index.html#
不过从实际使用下来的体验来看，文档内容对刚接触 PaddleNLP 的人并不友好，需要自行摸索和补充了解的内容较多。
PaddleNLP 依赖 PaddlePaddle[2]，PaddlePaddle 分为 paddlepaddle 和 paddlepaddle-gpu 两个版本，想使用 GPU 进行计算，需要安装 paddlepaddle-gpu。使用 GPU 版本，还涉及到 显卡驱动[3]、CUDA Toolkit[4]、cuDNN[5]、cuBLAS[6] 等，各个组件之间版本繁杂，兼容性问题较多，想构建起一个可用的环境不是一件容易的事情。
推荐使用 Docker 环境上手体验，安装 NVIDIA Container Toolkit[7] 之后，根据 CUDA 和 cuDNN 选择对应的镜像版本，如：
docker run --name dev --runtime=nvidia -v $PWD:/mnt -p 8888:8888 -it paddlecloud/paddlenlp:develop-gpu-cuda11.2-cudnn8-e72fb9 /bin/bash
即便是官方提供的镜像，里面的组件版本也可能存在兼容性问题。上面 paddlecloud/paddlenlp:develop-gpu-cuda11.2-cudnn8-e72fb9 这个镜像，在引入 paddlenlp 中的 Taskflow 时，会抛出异常[8]，需要在容器里把 paddlepaddle-gpu 从 2.3.0 升级到 2.4.2。
Part3Salesforce CodeGen
Salesforce CodeGen[9] 是一组开放的、支持多回合交谈式 AI 编程的大语言模型，包含多种尺寸和数据集，模型命名方式为：
codegen-{model-size}-{data}
model-size 有四个选项：350M、2B、6B,16B，代表每个模型的参数数量；data 有三个选项：nl、multi、mono。
nl模型基于 The Pile[10] —— 一个 825.18 GB 的英文语料库初始化和训练而来multi模型基于nl模型初始化，再使用由多种编程语言组成的代码语料库训练mono模型基于multi模型初始化，再使用 Python 代码语料库训练
关于各数据集的详细信息，可见 CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis[11] 。
Part4PaddleNLP 加载 CodeGen 模型
1Online
在线环境下，加载内置的模型时，会从预设的网址下载对应文件到本地。忽略了加载模型相关日志输出的，使用 CodeGen 模型通过提示词补全后续代码的示例代码如下：
$ python3
>>> from paddlenlp import Taskflow
>>> codegen = Taskflow("code_generation", model="Salesforce/codegen-350M-mono",decode_strategy="greedy_search", repetition_penalty=1.0)
>>> print(codegen("def lengthOfLongestSubstring(self, s: str) -> int:"))
['\n if not s:\n return 0\n \n dic = {}\n max_len = 0\n \n for i in range(len(s)):\n if s[i] in dic:\n dic[s[i]] += 1\n if dic[s[i]] > max_len:\n max_len = dic[s[i]]\n else:\n dic[s[i]] = 1\n \n return max_len']
此时在本地 ~/.paddlenlp 路径下，会下载好模型相关文件：
$ pwd
/root/.paddlenlp
$ tree
.
├── datasets
├── models
│ ├── Salesforce
│ │ └── codegen-350M-mono
│ │ ├── added_tokens.json
│ │ ├── config.json
│ │ ├── merges.txt
│ │ ├── model_config.json
│ │ ├── model_state.pdparams
│ │ ├── special_tokens_map.json
│ │ ├── tokenizer_config.json
│ │ └── vocab.json
│ └── embeddings
└── packages
2Offline
然而遗憾的是，上面的代码在离线环境无法直接使用，即使将模型相关文件全部传输到离线环境相同路径内，使用 Taskflow("code_generation", model="Salesforce/codegen-350M-mono") 时也会得到无法连接 bj.bcebos.com 域名的报错：
HTTPSConnectionPool(host='bj.bcebos.com', port=443): Max retries exceeded with url: /paddlenlp/models/community/Salesforce/codegen-350M-mono/config.json (Caused by NewConnectionError('<urllib3.connection.HTTPSConnection object at 0x140053a90>: Failed to establish a new connection: [Errno 8] nodename nor servname provided, or not known'))
完整的报错信息可见 https://github.com/PaddlePaddle/PaddleNLP/pull/5817 。
报错原因
报相关错误的原因是，PaddleNLP 在加载社区模型（community/model-name）时，会先去判断对应模型文件在社区网站（ 默认为：https://bj.bcebos.com/paddlenlp/models/community ）是否存在，不论本地是否已经下载过了该模型。
解决思路
解决的思路很简单，在下载社区模型相关文件时，首先检查缓存路径中是否已经存在对应文件，如存在则直接使用，不存在再通过网络请求进行获取。
修改文件
可在错误堆栈中获取报错环境中需要修改的具体文件路径，如：
/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/paddlenlp/transformers/model_utils.py
需要修改的文件如下，或参考 https://github.com/PaddlePaddle/PaddleNLP/pull/5817/files 。
paddlenlp/transformers/configuration_utils.py
_get_config_dict 方法 elif from_hf_hub: 后面再添加一个 elif：
elif os.path.isfile(os.path.join(cache_dir, CONFIG_NAME)):
resolved_config_file = os.path.join(cache_dir, CONFIG_NAME)
paddlenlp/transformers/model_utils.py
_resolve_model_file_path 方法 0. when it is local file 后面增加一个 elif 条件：
elif os.path.isfile(os.path.join(cache_dir, cls.resource_files_names["model_state"])):
return os.path.join(cache_dir, cls.resource_files_names["model_state"])
paddlenlp/transformers/auto/modeling.py
_from_pretrained 方法 # Assuming from community-contributed pretrained models 部分调整：
# Assuming from community-contributed pretrained models
else:
+ cached_standard_config = os.path.join(cache_dir, cls.model_config_file)
+ cached_legacy_config = os.path.join(cache_dir, cls.legacy_model_config_file)
standard_community_url = "/".join(
[COMMUNITY_MODEL_PREFIX, pretrained_model_name_or_path, cls.model_config_file]
)
legacy_community_url = "/".join(
[COMMUNITY_MODEL_PREFIX, pretrained_model_name_or_path, cls.legacy_model_config_file]
)
try:
- if url_file_exists(standard_community_url):
+ if os.path.isfile(cached_standard_config):
+ resolved_vocab_file = cached_standard_config
+ elif url_file_exists(standard_community_url):
resolved_vocab_file = get_path_from_url_with_filelock(standard_community_url, cache_dir)
+ elif os.path.isfile(cached_legacy_config):
+ resolved_vocab_file = cached_legacy_config
elif url_file_exists(legacy_community_url):
效果验证
离线环境下可通过下列方式，验证加载已下载好的社区模型是否会报错：
from paddlenlp import Taskflow
codegen = Taskflow("code_generation", model="Salesforce/codegen-350M-mono",decode_strategy="greedy_search", repetition_penalty=1.0)
from paddlenlp.transformers import CodeGenForCausalLM, CodeGenTokenizer
CodeGenTokenizer.from_pretrained("Salesforce/codegen-350M-mono")
CodeGenForCausalLM.from_pretrained("Salesforce/codegen-350M-mono", load_state_as_np=True)
from paddlenlp.transformers import AutoModel
AutoModel.from_pretrained("Salesforce/codegen-350M-mono")
全路径加载离线模型
在不修改代码的情况下，也可通过模型文件全路径在离线环境加载模型，但涉及到在线环境和离线环境的代码不一致，可自行取舍：
from paddlenlp.transformers import AutoModel
AutoModel.from_pretrained("~/.paddlenlp/models/Salesforce/codegen-350M-mono")