探秘 Hugging Face：何为 Hugging Face 及其核心组件全览

 

Hugging Face 是一个提供先进自然语言处理（ NLP ）工具的平台，支持 Transformer 模型的开发和应用。它拥有庞大的模型库和社区资源，能够满足从研究到工业应用的各种需求。

一、注册

官方网址： https://huggingface.co/

注册好后，点击头像Access Token,创建token 。

二、功能介绍

hugging face的核心组件 主要是 Transformers 和Datasets 。

1、Transformers

也就是 Models大模型，平台上有世界上最全的大模型。中国的魔塔社区与此类似，不过没有它全。 我们自己也可以上传大模型到hugging face平台。

2、Datasets

就是数据集，大模型训练用的数据。

3、大模型分类

点击“Models”，左侧有分类。主导航有根据“任务Tasks”，“库Libraries”,"数据集DataSets","语言Languages","开源协议Licenses"等。

4、大模型文件

打开千问最新版本 Qwen/QwQ-32B，在"Files and Versions"模型文件页面下，可以看到很多类似”model-00001-of-00014.safetensors“ ，后缀 safetensors就是模型文件的名称。

5、Inference Providers

hugging face平台上有很多大模型提供接口试用，列表有黄色闪电标记，详情的右侧有Inference Providers。

不过接口调用不是很稳定，时长不通。

6、下载大模型文件

下载大模型文件到本地，官方提供了多种方式。

（1）git clone方式

git clone https://huggingface.co/Qwen/QwQ-32B

（2）使用hugging face提供的transformers库下载

     下一节重点讲解。 

三、使用 Transformers 库

Hugging Face 提供了 transformers 库，用于加载和使用模型 。你可以使用以下命令来安装它：（电 脑须安装基础环境：Anaconda,CUDA,cuDNN,pytorch ）

pip install transformers

如果你还需要安装其他依赖库，如 datasets 和 tokenizers ，可以使用以下命令：

pip install transformers datasets tokenizers

1、下载模型

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。

from  transformers import AutoTokenizer,AutoModelForCausalLMmodel_name="deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B"cache_dir="model3/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B"#下载模型AutoModelForCausalLM.from_pretrained(model_name,cache_dir=cache_dir)#下载分词工具AutoTokenizer.from_pretrained(model_name,cache_dir=cache_dir)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。大部分的text-generation类型的大模型都可以使用这个类。

模型和分词器一般都是成对下载。

代码中model_name的名称一定要是 hugging face上模型的完整名称。cache_dir是本地文件目录，可以使用绝对路径，pycharm开发时，可使用相对路径。

2、模型文件介绍

下载好后的目录如下 

模型的核心内容主要是看 snapshots-config.json所在的目录，也是模型的默认目录地址。model.safetensors就是模型的源文件，

（1）config.json文件

{  "architectures": [    "Qwen2ForCausalLM"  ],  "attention_dropout": 0.0,  "bos_token_id": 151643,  "eos_token_id": 151643,  "hidden_act": "silu",  "hidden_size": 1536,  "initializer_range": 0.02,  "intermediate_size": 8960,  "max_position_embeddings": 131072,  "max_window_layers": 21,  "model_type": "qwen2",  "num_attention_heads": 12,  "num_hidden_layers": 28,  "num_key_value_heads": 2,  "rms_norm_eps": 1e-06,  "rope_theta": 10000,  "sliding_window": 4096,  "tie_word_embeddings": false,  "torch_dtype": "bfloat16",  "transformers_version": "4.44.0",  "use_cache": true,  "use_mrope": false,  "use_sliding_window": false,  "vocab_size": 151936}

vocab_size是模型可以识别的字符个数。有些模型文件vocab.txt文件，就是可以识别字符列表。若输入的字符不在这个范围内，分词器会根据配置的special_tokens里的值来赋值。比如下面的：

BertTokenizer(name_or_path='D:\Test\LLMTrain\day02\model\bert-base-chinese\models--bert-base-chinese\snapshots\c30a6ed22ab4564dc1e3b2ecbf6e766b0611a33f', vocab_size=21128, model_max_length=512, is_fast=False, padding_side='right', truncation_side='right', special_tokens={'unk_token': '[UNK]', 'sep_token': '[SEP]', 'pad_token': '[PAD]', 'cls_token': '[CLS]', 'mask_token': '[MASK]'}, clean_up_tokenization_spaces=True, added_tokens_decoder={

3、Pipelines运行本地模型

大模型下载到本地，就可以使用了，transformers库中的pipelines是一个非常实用的高级工具，它为自然语言处理（NLP）任务提供了一种简单、便捷且统一的接口，使得用户无需深入了解模型的具体细节就能轻松完成各种常见的 NLP 任务。pipelines的主要特点如下：

（1） 简化模型使用流程

在传统的使用方式中，若要使用一个预训练模型完成特定任务，需要手动完成加载模型、分词、编码、推理、解码等一系列复杂的步骤。而pipelines将这些步骤进行了封装，用户只需提供任务类型和必要的输入，就能直接得到任务的处理结果。

例如，使用pipelines进行文本分类： 

from transformers import BertTokenizer,BertForSequenceClassification,pipeline
#设置具体包含config.json的目录，只支持绝对路径model_dir = r"model\bert-base-chinese"
#加载模型和分词器model = BertForSequenceClassification.from_pretrained("bert-base-chinese",cache_dir=model_dir)tokenizer = BertTokenizer.from_pretrained("bert-base-chinese",cache_dir=model_dir)
#创建分类pipleineclassifier = pipeline("text-classification",model=model,tokenizer=tokenizer,device="cpu")
#进行文本分类result = classifier("你好，我是一款语言模型")print(result)
print(model)

上述代码中，用户只需创建一个text - classification类型的管道，然后传入文本，就能直接得到文本的分类结果，无需关心模型加载、分词等底层操作。

（2）支持多种常见 NLP 任务

pipelines支持多种常见的自然语言处理任务，以下是一些常见任务及其示例：

文本分类：判断文本所属的类别，如情感分析（积极、消极）、主题分类等。 ​​​​​​​

classifier = pipeline('text-classification')result = classifier("This is a great product!")

问答系统：根据给定的上下文和问题，找出问题的答案。​​​​​​​

qa = pipeline('question-answering')context = "Albert Einstein was a German-born theoretical physicist. He developed the theory of relativity."question = "Who developed the theory of relativity?"result = qa(question=question, context=context)

文本生成：根据输入的文本生成相关的文本内容，如故事续写、摘要生成等。​​​​​​​

generator = pipeline('text-generation')input_text = "Once upon a time"result = generator(input_text, max_length=100)

命名实体识别（NER）：识别文本中的命名实体，如人名、地名、组织机构名等。​​​​​​​

ner = pipeline('ner')text = "Apple is looking at buying U.K. startup for $1 billion"result = ner(text)

（3）自动选择合适的模型

pipelines会根据指定的任务类型自动选择合适的预训练模型。例如，当你创建一个text - classification管道时，它会默认选择一个在文本分类任务上表现良好的预训练模型。当然，你也可以手动指定使用的模型，只需在创建管道时传入model参数即可。 ​​​​​​​

# 使用指定的模型创建文本分类管道classifier = pipeline('text-classification', model='distilbert-base-uncased-finetuned-sst-2-english')

注意，这里需要能联网，并且能科学上网。可以使用本地的大模型调用。​​​​​​​

#本地离线调用deepseek-r1from transformers import AutoModelForCausalLM,AutoTokenizer,pipeline
#设置具体包含config.json的目录，只支持绝对路径model_dir = r"D:\trsanformers_test\model3\deepseek-ai\DeepSeek-R1-Distill-Qwen-1.5B\models--deepseek-ai--DeepSeek-R1-Distill-Qwen-1.5B\snapshots\ad9f0ae0864d7fbcd1cd905e3c6c5b069cc8b562"
#加载模型和分词器model = AutoModelForCausalLM.from_pretrained(model_dir)tokenizer = AutoTokenizer.from_pretrained(model_dir)
# 模拟多轮对话，设置角色信息messages = [    {"role": "user", "content": "请使用java写一个冒泡排序。"}]
# 构建输入文本，按照 DeepSeek - R1 的格式input_text = ""for message in messages:    if message["role"] == "user":        input_text += f"<|UserBegin|>{message['content']}<|UserEnd|>"    elif message["role"] == "assistant":        input_text += f"{message['content']}"


#使用加载的模型和分词器创建生成文本的pipelinegenerator = pipeline("text-generation",model=model,tokenizer=tokenizer,device="cpu")
#生成文本# output = generator("你好，我是一款语言模型，",max_length=50,num_return_sequences=1)output = generator(    input_text,#生成文本的输入种子文本（prompt）。模型会根据这个初始文本，生成后续的文本    max_length=1500,#指定生成文本的最大长度。这里的 50 表示生成的文本最多包含 50 个标记（tokens）    num_return_sequences=1,#参数指定返回多少个独立生成的文本序列。值为 1 表示只生成并返回一段文本。    truncation=True,#该参数决定是否截断输入文本以适应模型的最大输入长度。如果 True，超出模型最大输入长度的部分将被截断；如果 False，模型可能无法处理过长的输入，可能会报错。    temperature=0.7,#该参数控制生成文本的随机性。值越低，生成的文本越保守（倾向于选择概率较高的词）；值越高，生成的文本越多样（倾向于选择更多不同的词）。0.7 是一个较为常见的设置，既保留了部分随机性，又不至于太混乱。    top_k=50,#该参数限制模型在每一步生成时仅从概率最高的 k 个词中选择下一个词。这里 top_k=50 表示模型在生成每个词时只考虑概率最高的前 50 个候选词，从而减少生成不太可能的词的概率。    top_p=0.9,#该参数（又称为核采样）进一步限制模型生成时的词汇选择范围。它会选择一组累积概率达到 p 的词汇，模型只会从这个概率集合中采样。top_p=0.9 意味着模型会在可能性最强的 90% 的词中选择下一个词，进一步增加生成的质量。    clean_up_tokenization_spaces=True#该参数控制生成的文本中是否清理分词时引入的空格。如果设置为 True，生成的文本会清除多余的空格；如果为 False，则保留原样。默认值即将改变为 False，因为它能更好地保留原始文本的格式。)print(output)

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。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。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​