Hub Python 库文档
命令行界面 (CLI)
并获得增强的文档体验
开始使用
命令行界面 (CLI)
huggingface_hub
Python 包自带一个名为 hf
的 CLI。此工具允许您直接从终端与 Hugging Face Hub 交互。例如,您可以登录您的帐户、创建仓库、上传和下载文件等。它还附带了用于配置您的机器或管理缓存的便捷功能。在本指南中,我们将介绍 CLI 的主要功能以及如何使用它们。
开始使用
首先,让我们安装 CLI
>>> pip install -U "huggingface_hub[cli]"
在上面的代码片段中,我们还安装了 [cli]
额外依赖项,以改善用户体验,尤其是在使用 cache delete
命令时。
安装完成后,您可以检查 CLI 是否正确设置
>>> hf --help
usage: hf <command> [<args>]
positional arguments:
{auth,cache,download,repo,repo-files,upload,upload-large-folder,env,version,lfs-enable-largefiles,lfs-multipart-upload}
hf command helpers
auth Manage authentication (login, logout, etc.).
cache Manage local cache directory.
download Download files from the Hub
repo Manage repos on the Hub.
repo-files Manage files in a repo on the Hub.
upload Upload a file or a folder to the Hub. Recommended for single-commit uploads.
upload-large-folder
Upload a large folder to the Hub. Recommended for resumable uploads.
env Print information about the environment.
version Print information about the hf version.
options:
-h, --help show this help message and exit
如果 CLI 正确安装,您应该会看到 CLI 中所有可用选项的列表。如果您收到错误消息,例如 command not found: hf
,请参阅安装指南。
--help
选项非常方便,可以获取有关命令的更多详细信息。您可以随时使用它来列出所有可用选项及其详细信息。例如,hf upload --help
提供了有关如何使用 CLI 上传文件的更多信息。
替代安装
使用 pkgx
Pkgx 是一个超快的跨平台包管理器,可以运行任何东西。您可以使用 pkgx 安装 huggingface-cli,如下所示:
>>> pkgx install huggingface-cli
或者您可以直接运行 huggingface-cli
>>> pkgx huggingface-cli --help
查看 pkgx huggingface 页面此处获取更多详细信息。
使用 Homebrew
您还可以使用Homebrew安装 CLI
>>> brew install huggingface-cli
查看 Homebrew huggingface 页面此处获取更多详细信息。
hf auth login
在许多情况下,您必须登录 Hugging Face 帐户才能与 Hub 交互(下载私有仓库、上传文件、创建 PR 等)。为此,您需要从设置页面获取用户访问令牌。用户访问令牌用于向 Hub 验证您的身份。如果您想上传或修改内容,请确保设置具有写入权限的令牌。
获得令牌后,在终端中运行以下命令
>>> hf auth login
此命令将提示您输入令牌。复制粘贴您的令牌并按 Enter。然后,系统会询问您是否应将令牌保存为 git 凭据。如果您打算在本地使用 git
,请再次按 Enter(默认为是)。最后,它将调用 Hub 来检查您的令牌是否有效并将其保存到本地。
_| _| _| _| _|_|_| _|_|_| _|_|_| _| _| _|_|_| _|_|_|_| _|_| _|_|_| _|_|_|_|
_| _| _| _| _| _| _| _|_| _| _| _| _| _| _| _|
_|_|_|_| _| _| _| _|_| _| _|_| _| _| _| _| _| _|_| _|_|_| _|_|_|_| _| _|_|_|
_| _| _| _| _| _| _| _| _| _| _|_| _| _| _| _| _| _| _|
_| _| _|_| _|_|_| _|_|_| _|_|_| _| _| _|_|_| _| _| _| _|_|_| _|_|_|_|
To log in, `huggingface_hub` requires a token generated from https://huggingface.co/settings/tokens .
Enter your token (input will not be visible):
Add token as git credential? (Y/n)
Token is valid (permission: write).
Your token has been saved in your configured git credential helpers (store).
Your token has been saved to /home/wauplin/.cache/huggingface/token
Login successful
或者,如果您想在不被提示的情况下登录,您可以直接从命令行传递令牌。为了更安全,我们建议将您的令牌作为环境变量传递,以避免将其粘贴到您的命令历史记录中。
# Or using an environment variable
>>> hf auth login --token $HF_TOKEN --add-to-git-credential
Token is valid (permission: write).
The token `token_name` has been saved to /home/wauplin/.cache/huggingface/stored_tokens
Your token has been saved in your configured git credential helpers (store).
Your token has been saved to /home/wauplin/.cache/huggingface/token
Login successful
The current active token is: `token_name`
有关身份验证的更多详细信息,请查看此部分。
hf auth whoami
如果您想知道是否已登录,可以使用 hf auth whoami
。此命令没有任何选项,只打印您的用户名和您所属的 Hub 组织
hf auth whoami
Wauplin
orgs: huggingface,eu-test,OAuthTesters,hf-accelerate,HFSmolCluster
如果您未登录,将打印错误消息。
hf auth logout
此命令会注销您。实际上,它将删除您机器上存储的所有令牌。如果您想删除特定令牌,可以将其名称指定为参数。
如果您使用 HF_TOKEN
环境变量登录(请参阅参考),此命令不会注销您。在这种情况下,您必须在机器配置中取消设置该环境变量。
hf download
使用 hf download
命令直接从 Hub 下载文件。在内部,它使用hf_hub_download() 和snapshot_download() 辅助函数,这些函数在下载指南中描述,并打印返回的路径到终端。在下面的示例中,我们将介绍最常见的用例。有关可用选项的完整列表,您可以运行
hf download --help
下载单个文件
要从仓库下载单个文件,只需提供仓库 ID 和文件名,如下所示
>>> hf download gpt2 config.json downloading https://huggingface.co/gpt2/resolve/main/config.json to /home/wauplin/.cache/huggingface/hub/tmpwrq8dm5o (…)ingface.co/gpt2/resolve/main/config.json: 100%|██████████████████████████████████| 665/665 [00:00<00:00, 2.49MB/s] /home/wauplin/.cache/huggingface/hub/models--gpt2/snapshots/11c5a3d5811f50298f278a704980280950aedb10/config.json
命令将始终在最后一行打印文件在您本地机器上的路径。
要下载位于仓库子目录中的文件,您应该按 POSIX 格式提供文件在仓库中的路径,如下所示
>>> hf download HiDream-ai/HiDream-I1-Full text_encoder/model.safetensors
下载整个仓库
在某些情况下,您只想下载仓库中的所有文件。这可以通过仅指定仓库 ID 来完成
>>> hf download HuggingFaceH4/zephyr-7b-beta Fetching 23 files: 0%| | 0/23 [00:00<?, ?it/s] ... ... /home/wauplin/.cache/huggingface/hub/models--HuggingFaceH4--zephyr-7b-beta/snapshots/3bac358730f8806e5c3dc7c7e19eb36e045bf720
下载多个文件
您还可以通过单个命令下载仓库中的部分文件。这可以通过两种方式完成。如果您已经有一个要下载的精确文件列表,您可以简单地按顺序提供它们
>>> hf download gpt2 config.json model.safetensors Fetching 2 files: 0%| | 0/2 [00:00<?, ?it/s] downloading https://huggingface.co/gpt2/resolve/11c5a3d5811f50298f278a704980280950aedb10/model.safetensors to /home/wauplin/.cache/huggingface/hub/tmpdachpl3o (…)8f278a7049802950aedb10/model.safetensors: 100%|██████████████████████████████| 8.09k/8.09k [00:00<00:00, 40.5MB/s] Fetching 2 files: 100%|████████████████████████████████████████████████████████████████| 2/2 [00:00<00:00, 3.76it/s] /home/wauplin/.cache/huggingface/hub/models--gpt2/snapshots/11c5a3d5811f50298f278a704980280950aedb10
另一种方法是提供模式以使用 --include
和 --exclude
过滤要下载的文件。例如,如果您想从 stabilityai/stable-diffusion-xl-base-1.0 下载所有 safetensors 文件,但 FP16 精度文件除外
>>> hf download stabilityai/stable-diffusion-xl-base-1.0 --include "*.safetensors" --exclude "*.fp16.*"*
Fetching 8 files: 0%| | 0/8 [00:00<?, ?it/s]
...
...
Fetching 8 files: 100%|█████████████████████████████████████████████████████████████████████████| 8/8 (...)
/home/wauplin/.cache/huggingface/hub/models--stabilityai--stable-diffusion-xl-base-1.0/snapshots/462165984030d82259a11f4367a4eed129e94a7b
下载数据集或空间
上面的示例展示了如何从模型仓库下载。要下载数据集或空间,请使用 --repo-type
选项
# https://huggingface.co/datasets/HuggingFaceH4/ultrachat_200k
>>> hf download HuggingFaceH4/ultrachat_200k --repo-type dataset
# https://huggingface.co/spaces/HuggingFaceH4/zephyr-chat
>>> hf download HuggingFaceH4/zephyr-chat --repo-type space
...
下载特定修订版
上面的示例展示了如何从主分支的最新提交下载。要从特定修订版(提交哈希、分支名称或标签)下载,请使用 --revision
选项
>>> hf download bigcode/the-stack --repo-type dataset --revision v1.1 ...
下载到本地文件夹
从 Hub 下载文件的推荐(也是默认)方式是使用缓存系统。但是,在某些情况下,您希望下载文件并将其移动到特定文件夹。这对于使工作流更接近 git 命令所提供的功能非常有用。您可以使用 --local-dir
选项来完成此操作。
在本地目录的根目录中创建了一个 .cache/huggingface/
文件夹,其中包含有关已下载文件的元数据。这可以防止在文件已是最新状态时重新下载文件。如果元数据已更改,则下载新文件版本。这使得 local-dir
针对仅拉取最新更改进行了优化。
有关下载到本地文件如何工作的更多详细信息,请查看下载指南。
>>> hf download adept/fuyu-8b model-00001-of-00002.safetensors --local-dir fuyu ... fuyu/model-00001-of-00002.safetensors
指定缓存目录
如果不使用 --local-dir
,所有文件默认将下载到 HF_HOME
环境变量定义的缓存目录。您可以使用 --cache-dir
指定自定义缓存
>>> hf download adept/fuyu-8b --cache-dir ./path/to/cache ... ./path/to/cache/models--adept--fuyu-8b/snapshots/ddcacbcf5fdf9cc59ff01f6be6d6662624d9c745
指定令牌
要访问私有或受限仓库,您必须使用令牌。默认情况下,将使用本地保存的令牌(使用 hf auth login
)。如果您想显式进行身份验证,请使用 --token
选项
>>> hf download gpt2 config.json --token=hf_**** /home/wauplin/.cache/huggingface/hub/models--gpt2/snapshots/11c5a3d5811f50298f278a704980280950aedb10/config.json
静默模式
默认情况下,hf download
命令将非常详细。它将打印警告消息、有关下载文件的信息和进度条等详细信息。如果您想静默所有这些,请使用 --quiet
选项。只打印最后一行(即下载文件的路径)。如果您想在脚本中将输出传递给另一个命令,这可能会很有用。
>>> hf download gpt2 --quiet /home/wauplin/.cache/huggingface/hub/models--gpt2/snapshots/11c5a3d5811f50298f278a704980280950aedb10
下载超时
在连接速度较慢的机器上,您可能会遇到超时问题,例如以下情况
`requests.exceptions.ReadTimeout: (ReadTimeoutError("HTTPSConnectionPool(host='cdn-lfs-us-1.huggingface.co', port=443): Read timed out. (read timeout=10)"), '(Request ID: a33d910c-84c6-4514-8362-c705e2039d38)')`
为了缓解此问题,您可以将 HF_HUB_DOWNLOAD_TIMEOUT
环境变量设置为更高的值(默认为 10)
export HF_HUB_DOWNLOAD_TIMEOUT=30
有关更多详细信息,请查看环境变量参考。并重新运行您的下载命令。
hf upload
使用 hf upload
命令直接将文件上传到 Hub。在内部,它使用upload_file() 和upload_folder() 辅助函数,这些函数在上传指南中描述。在下面的示例中,我们将介绍最常见的用例。有关可用选项的完整列表,您可以运行
>>> hf upload --help
上传整个文件夹
此命令的默认用法是
# Usage: hf upload [repo_id] [local_path] [path_in_repo]
要将当前目录上传到仓库的根目录,请使用
>>> hf upload my-cool-model . . https://huggingface.co/Wauplin/my-cool-model/tree/main/
如果仓库尚不存在,它将自动创建。
您还可以上传特定文件夹
>>> hf upload my-cool-model ./models . https://huggingface.co/Wauplin/my-cool-model/tree/main/
最后,您可以将文件夹上传到仓库中的特定目的地
>>> hf upload my-cool-model ./path/to/curated/data /data/train https://huggingface.co/Wauplin/my-cool-model/tree/main/data/train
上传单个文件
您还可以通过将 local_path
指向您机器上的文件来上传单个文件。在这种情况下,path_in_repo
是可选的,并且将默认为您的本地文件名
>>> hf upload Wauplin/my-cool-model ./models/model.safetensors https://huggingface.co/Wauplin/my-cool-model/blob/main/model.safetensors
如果您想将单个文件上传到特定目录,请相应地设置 path_in_repo
>>> hf upload Wauplin/my-cool-model ./models/model.safetensors /vae/model.safetensors https://huggingface.co/Wauplin/my-cool-model/blob/main/vae/model.safetensors
上传多个文件
要一次性上传文件夹中的多个文件而不上传整个文件夹,请使用 --include
和 --exclude
模式。它还可以与 --delete
选项结合使用,以在上传新文件的同时删除仓库中的文件。在下面的示例中,我们通过删除远程文件并上传除 /logs
中的所有文件来同步本地空间。
# Sync local Space with Hub (upload new files except from logs/, delete removed files)
>>> hf upload Wauplin/space-example --repo-type=space --exclude="/logs/*" --delete="*" --commit-message="Sync local Space with Hub"
...
上传到数据集或空间
要上传到数据集或空间,请使用 --repo-type
选项
>>> hf upload Wauplin/my-cool-dataset ./data /train --repo-type=dataset ...
上传到组织
要将内容上传到组织拥有的仓库而不是个人仓库,您必须在 repo_id
中明确指定
>>> hf upload MyCoolOrganization/my-cool-model . . https://huggingface.co/MyCoolOrganization/my-cool-model/tree/main/
上传到特定版本
默认情况下,文件上传到 main
分支。如果您想将文件上传到其他分支或引用,请使用 --revision
选项
# Upload files to a PR
>>> hf upload bigcode/the-stack . . --repo-type dataset --revision refs/pr/104
...
注意:如果 revision
不存在且未设置 --create-pr
,则将自动从 main
分支创建分支。
上传并创建 PR
如果您没有权限推送到仓库,您必须打开一个 PR 并告知作者您要进行的更改。这可以通过设置 --create-pr
选项来完成
# Create a PR and upload the files to it
>>> hf upload bigcode/the-stack . . --repo-type dataset --revision refs/pr/104
https://huggingface.co/datasets/bigcode/the-stack/blob/refs%2Fpr%2F104/
定期上传
在某些情况下,您可能希望定期更新仓库。例如,如果您正在训练模型并希望每 10 分钟上传一次日志文件夹,这会很有用。您可以使用 --every
选项来执行此操作。
# Upload new logs every 10 minutes
hf upload training-model logs/ --every=10
指定提交消息
使用 --commit-message
和 --commit-description
设置自定义的提交消息和描述,而不是默认的
>>> hf upload Wauplin/my-cool-model ./models . --commit-message="Epoch 34/50" --commit-description="Val accuracy: 68%. Check tensorboard for more details."
...
https://huggingface.co/Wauplin/my-cool-model/tree/main
指定令牌
要上传文件,您必须使用令牌。默认情况下,将使用本地保存的令牌(使用 hf auth login
)。如果您想显式进行身份验证,请使用 --token
选项
>>> hf upload Wauplin/my-cool-model ./models . --token=hf_**** ... https://huggingface.co/Wauplin/my-cool-model/tree/main
静默模式
默认情况下,hf upload
命令将非常详细。它将打印警告消息、有关上传文件的信息和进度条。如果您想静默所有这些,请使用 --quiet
选项。只打印最后一行(即上传文件的 URL)。如果您想在脚本中将输出传递给另一个命令,这可能会很有用。
>>> hf upload Wauplin/my-cool-model ./models . --quiet https://huggingface.co/Wauplin/my-cool-model/tree/main
hf repo-files
如果您想从 Hugging Face 仓库中删除文件,请使用 hf repo-files
命令。
删除文件
hf repo-files delete <repo_id>
子命令允许您从仓库中删除文件。以下是一些用法示例。
删除文件夹
>>> hf repo-files delete Wauplin/my-cool-model folder/ Files correctly deleted from repo. Commit: https://huggingface.co/Wauplin/my-cool-mo...
删除多个文件
>>> hf repo-files delete Wauplin/my-cool-model file.txt folder/pytorch_model.bin Files correctly deleted from repo. Commit: https://huggingface.co/Wauplin/my-cool-mo...
使用 Unix 风格的通配符删除文件集
>>> hf repo-files delete Wauplin/my-cool-model "*.txt" "folder/*.bin"
Files correctly deleted from repo. Commit: https://huggingface.co/Wauplin/my-cool-mo...
指定令牌
要从仓库中删除文件,您必须经过身份验证和授权。默认情况下,将使用本地保存的令牌(使用 hf auth login
)。如果您想显式进行身份验证,请使用 --token
选项
>>> hf repo-files delete --token=hf_**** Wauplin/my-cool-model file.txt
hf cache scan
如果您想知道您下载了哪些仓库以及它们在磁盘上占用了多少空间,扫描缓存目录会很有用。您可以通过运行 hf cache scan
来完成此操作
>>> hf cache scan
REPO ID REPO TYPE SIZE ON DISK NB FILES LAST_ACCESSED LAST_MODIFIED REFS LOCAL PATH
--------------------------- --------- ------------ -------- ------------- ------------- ------------------- -------------------------------------------------------------------------
glue dataset 116.3K 15 4 days ago 4 days ago 2.4.0, main, 1.17.0 /home/wauplin/.cache/huggingface/hub/datasets--glue
google/fleurs dataset 64.9M 6 1 week ago 1 week ago refs/pr/1, main /home/wauplin/.cache/huggingface/hub/datasets--google--fleurs
Jean-Baptiste/camembert-ner model 441.0M 7 2 weeks ago 16 hours ago main /home/wauplin/.cache/huggingface/hub/models--Jean-Baptiste--camembert-ner
bert-base-cased model 1.9G 13 1 week ago 2 years ago /home/wauplin/.cache/huggingface/hub/models--bert-base-cased
t5-base model 10.1K 3 3 months ago 3 months ago main /home/wauplin/.cache/huggingface/hub/models--t5-base
t5-small model 970.7M 11 3 days ago 3 days ago refs/pr/1, main /home/wauplin/.cache/huggingface/hub/models--t5-small
Done in 0.0s. Scanned 6 repo(s) for a total of 3.4G.
Got 1 warning(s) while scanning. Use -vvv to print details.
有关如何扫描缓存目录的更多详细信息,请参阅管理缓存指南。
hf cache delete
hf cache delete
是一种工具,可帮助您删除不再使用的缓存部分。这对于节省和释放磁盘空间非常有用。要了解有关使用此命令的更多信息,请参阅管理缓存指南。
hf repo tag create
hf repo tag create
命令允许您为仓库添加标签、取消标签和列出标签。
为模型添加标签
要为仓库添加标签,您需要提供 repo_id
和 tag
名称
>>> hf repo tag create Wauplin/my-cool-model v1.0 You are about to create tag v1.0 on model Wauplin/my-cool-model Tag v1.0 created on Wauplin/my-cool-model
在特定修订版本上为模型添加标签
如果要为特定修订版本添加标签,可以使用 --revision
选项。默认情况下,标签将创建在 main
分支上
>>> hf repo tag create Wauplin/my-cool-model v1.0 --revision refs/pr/104 You are about to create tag v1.0 on model Wauplin/my-cool-model Tag v1.0 created on Wauplin/my-cool-model
为数据集或空间添加标签
如果要为数据集或空间添加标签,则必须指定 --repo-type
选项
>>> hf repo tag create bigcode/the-stack v1.0 --repo-type dataset You are about to create tag v1.0 on dataset bigcode/the-stack Tag v1.0 created on bigcode/the-stack
列出标签
要列出仓库的所有标签,请使用 -l
或 --list
选项
>>> hf repo tag create Wauplin/gradio-space-ci -l --repo-type space
Tags for space Wauplin/gradio-space-ci:
0.2.2
0.2.1
0.2.0
0.1.2
0.0.2
0.0.1
删除标签
要删除标签,请使用 -d
或 --delete
选项
>>> hf repo tag create -d Wauplin/my-cool-model v1.0 You are about to delete tag v1.0 on model Wauplin/my-cool-model Proceed? [Y/n] y Tag v1.0 deleted on Wauplin/my-cool-model
您还可以传递 -y
来跳过确认步骤。
hf env
hf env
命令打印有关您的机器设置的详细信息。当您在 GitHub 上提交问题时,这有助于维护人员调查您的问题。
>>> hf env
Copy-and-paste the text below in your GitHub issue.
- huggingface_hub version: 0.19.0.dev0
- Platform: Linux-6.2.0-36-generic-x86_64-with-glibc2.35
- Python version: 3.10.12
- Running in iPython ?: No
- Running in notebook ?: No
- Running in Google Colab ?: No
- Token path ?: /home/wauplin/.cache/huggingface/token
- Has saved token ?: True
- Who am I ?: Wauplin
- Configured git credential helpers: store
- FastAI: N/A
- Tensorflow: 2.11.0
- Torch: 1.12.1
- Jinja2: 3.1.2
- Graphviz: 0.20.1
- Pydot: 1.4.2
- Pillow: 9.2.0
- hf_transfer: 0.1.3
- gradio: 4.0.2
- tensorboard: 2.6
- numpy: 1.23.2
- pydantic: 2.4.2
- aiohttp: 3.8.4
- ENDPOINT: https://huggingface.co
- HF_HUB_CACHE: /home/wauplin/.cache/huggingface/hub
- HF_ASSETS_CACHE: /home/wauplin/.cache/huggingface/assets
- HF_TOKEN_PATH: /home/wauplin/.cache/huggingface/token
- HF_HUB_OFFLINE: False
- HF_HUB_DISABLE_TELEMETRY: False
- HF_HUB_DISABLE_PROGRESS_BARS: None
- HF_HUB_DISABLE_SYMLINKS_WARNING: False
- HF_HUB_DISABLE_EXPERIMENTAL_WARNING: False
- HF_HUB_DISABLE_IMPLICIT_TOKEN: False
- HF_HUB_ENABLE_HF_TRANSFER: False
- HF_HUB_ETAG_TIMEOUT: 10
- HF_HUB_DOWNLOAD_TIMEOUT: 10
hf jobs
使用熟悉的 Docker 类似界面在 Hugging Face 基础设施上运行计算作业。
hf jobs
是一个命令行工具,它允许您通过简单的命令在 Hugging Face 的基础设施(包括 GPU 和 TPU!)上运行任何东西。可以将其视为 docker run
,但用于在 A100 上运行代码。
# Directly run Python code
>>> hf jobs run python:3.12 python -c 'print("Hello from the cloud!")'
# Use GPUs without any setup
>>> hf jobs run --flavor a10g-small pytorch/pytorch:2.6.0-cuda12.4-cudnn9-devel \
... python -c "import torch; print(torch.cuda.get_device_name())"
# Run in an organization account
>>> hf jobs run --namespace my-org-name python:3.12 python -c "print('Running in an org account')"
# Run from Hugging Face Spaces
>>> hf jobs run hf.co/spaces/lhoestq/duckdb duckdb -c "select 'hello world'"
# Run a Python script with `uv` (experimental)
>>> hf jobs uv run my_script.py
✨ 主要功能
- 🐳 类似 Docker 的 CLI:熟悉的命令(
run
、ps
、logs
、inspect
)来运行和管理作业 - 🔥 任何硬件:从 CPU 到 A100 GPU 和 TPU pod - 使用简单的标志即可切换
- 📦 运行任何内容:使用 Docker 镜像、HF Spaces 或您的自定义容器
- 🔐 简单身份验证:只需使用您的 HF 令牌
- 📊 实时监控:实时流式传输日志,就像在本地运行一样
- 💰 按使用付费:只按使用秒数付费
快速入门
1. 运行您的第一个作业
# Run a simple Python script
>>> hf jobs run python:3.12 python -c "print('Hello from HF compute!')"
此命令运行作业并显示日志。您可以传递 --detach
在后台运行作业并仅打印作业 ID。
2. 检查作业状态
# List your running jobs
>>> hf jobs ps
# Inspect the status of a job
>>> hf jobs inspect <job_id>
# View logs from a job
>>> hf jobs logs <job_id>
# Cancel a job
>>> hf jobs cancel <job_id>
3. 在 GPU 上运行
您还可以使用 --flavor
选项在 GPU 或 TPU 上运行作业。例如,要在 A10G GPU 上运行 PyTorch 作业
# Use an A10G GPU to check PyTorch CUDA
>>> hf jobs run --flavor a10g-small pytorch/pytorch:2.6.0-cuda12.4-cudnn9-devel \
... python -c "import torch; print(f"This code ran with the following GPU: {torch.cuda.get_device_name()}")"
运行此命令将显示以下输出!
This code ran with the following GPU: NVIDIA A10G
就这样!您现在正在 Hugging Face 的基础设施上运行代码。
常见用例
- 模型训练:在 GPU(T4、A10G、A100)上微调或训练模型,无需管理基础设施
- 合成数据生成:使用强大的硬件上的 LLM 生成大规模数据集
- 数据处理:使用高 CPU 配置处理海量数据集以进行并行工作负载
- 批量推理:使用优化的 GPU 设置对数千个样本进行离线推理
- 实验与基准测试:在一致的硬件上运行 ML 实验以获得可重现的结果
- 开发与调试:无需本地 CUDA 设置即可测试 GPU 代码
传递环境变量和密钥
您可以使用以下方式将环境变量传递给您的作业
# Pass environment variables
>>> hf jobs run -e FOO=foo -e BAR=bar python:3.12 python -c "import os; print(os.environ['FOO'], os.environ['BAR'])"
# Pass an environment from a local .env file
>>> hf jobs run --env-file .env python:3.12 python -c "import os; print(os.environ['FOO'], os.environ['BAR'])"
# Pass secrets - they will be encrypted server side
>>> hf jobs run -s MY_SECRET=psswrd python:3.12 python -c "import os; print(os.environ['MY_SECRET'])"
# Pass secrets from a local .env.secrets file - they will be encrypted server side
>>> hf jobs run --secrets-file .env.secrets python:3.12 python -c "import os; print(os.environ['MY_SECRET'])"
使用 --secrets HF_TOKEN
隐式传递您的本地 Hugging Face 令牌。使用此语法,将从环境变量中检索密钥。对于 HF_TOKEN
,如果未设置环境变量,它可能会读取位于 Hugging Face 主文件夹中的令牌文件。
硬件
可用的 --flavor
选项
- CPU:
cpu-basic
,cpu-upgrade
- GPU:
t4-small
,t4-medium
,l4x1
,l4x4
,a10g-small
,a10g-large
,a10g-largex2
,a10g-largex4
,a100-large
- TPU:
v5e-1x1
,v5e-2x2
,v5e-2x4
(于 2025 年 7 月从 Hugging Face suggested_hardware docs 更新)
UV 脚本(实验性)
在 HF 基础设施上运行 UV 脚本(带内联依赖项的 Python 脚本)
# Run a UV script (creates temporary repo)
>>> hf jobs uv run my_script.py
# Run with persistent repo
>>> hf jobs uv run my_script.py --repo my-uv-scripts
# Run with GPU
>>> hf jobs uv run ml_training.py --flavor gpu-t4-small
# Pass arguments to script
>>> hf jobs uv run process.py input.csv output.parquet --repo data-scripts
# Run a script directly from a URL
>>> hf jobs uv run https://huggingface.co/datasets/username/scripts/resolve/main/example.py
UV 脚本是 Python 脚本,它使用特殊的注释语法直接将依赖项包含在文件中。这使得它们非常适合不需要复杂项目设置的自包含任务。在 UV 文档中了解有关 UV 脚本的更多信息。
< > 在 GitHub 上更新