安装

无论您使用哪个深度学习库，都可以安装 🤗 Transformers，设置缓存，并可以选择配置 🤗 Transformers 离线运行。

🤗 Transformers 已在 Python 3.6+、PyTorch 1.1.0+、TensorFlow 2.0+ 和 Flax 上进行了测试。请根据您使用的深度学习库，按照以下安装说明进行操作。

• PyTorch 安装说明。
• TensorFlow 2.0 安装说明。
• Flax 安装说明。

使用 pip 安装

您应该在 虚拟环境 中安装 🤗 Transformers。如果您不熟悉 Python 虚拟环境，请查看此 指南。虚拟环境可以更轻松地管理不同的项目，并避免依赖项之间的兼容性问题。

首先在您的项目目录中创建一个虚拟环境

python -m venv .env

激活虚拟环境。在 Linux 和 MacOs 上

source .env/bin/activate

在 Windows 上激活虚拟环境

.env/Scripts/activate

现在，您可以使用以下命令安装 🤗 Transformers

pip install transformers

仅限 CPU 支持，您可以方便地在一行代码中安装 🤗 Transformers 和深度学习库。例如，使用以下命令安装 🤗 Transformers 和 PyTorch：

pip install 'transformers[torch]'

🤗 Transformers 和 TensorFlow 2.0

pip install 'transformers[tf-cpu]'

brew install cmake
brew install pkg-config

🤗 Transformers 和 Flax

pip install 'transformers[flax]'

最后，运行以下命令检查 🤗 Transformers 是否已正确安装。它将下载一个预训练模型。

python -c "from transformers import pipeline; print(pipeline('sentiment-analysis')('we love you'))"

然后打印出标签和分数。

[{'label': 'POSITIVE', 'score': 0.9998704791069031}]

从源代码安装

使用以下命令从源代码安装 🤗 Transformers

pip install git+https://github.com/huggingface/transformers

此命令安装的是最新的 main 版本，而不是最新的 stable 版本。main 版本对于及时了解最新开发成果很有用。例如，如果自上次正式发布以来已修复了一个错误，但尚未发布新版本。但是，这意味着 main 版本可能并不总是稳定的。我们努力使 main 版本保持可用，并且大多数问题通常会在几小时或一天内解决。如果您遇到问题，请打开一个 Issue，以便我们能够更快地解决它！

运行以下命令检查 🤗 Transformers 是否已正确安装。

python -c "from transformers import pipeline; print(pipeline('sentiment-analysis')('I love you'))"

可编辑安装

如果您想执行以下操作，则需要进行可编辑安装：

• 使用源代码的 main 版本。
• 为 🤗 Transformers 贡献代码，并需要测试代码中的更改。

克隆存储库并使用以下命令安装 🤗 Transformers：

git clone https://github.com/huggingface/transformers.git
cd transformers
pip install -e .

这些命令会将您克隆存储库到的文件夹链接到您的 Python 库路径。现在，Python 除了正常的库路径之外，还会在您克隆到的文件夹中查找。例如，如果您的 Python 包通常安装在 ~/anaconda3/envs/main/lib/python3.7/site-packages/ 中，则 Python 还会搜索您克隆到的文件夹：~/transformers/。

现在，您可以使用以下命令轻松地将克隆更新到 🤗 Transformers 的最新版本：

cd ~/transformers/
git pull

您的 Python 环境将在下次运行时找到 🤗 Transformers 的 main 版本。

使用 conda 安装

从 conda 通道 conda-forge 安装

conda install conda-forge::transformers

缓存设置

预训练模型将下载并缓存在本地：~/.cache/huggingface/hub。这是 shell 环境变量 TRANSFORMERS_CACHE 给出的默认目录。在 Windows 上，默认目录由 C:\Users\username\.cache\huggingface\hub 给出。您可以更改以下所示的 shell 环境变量（按优先级顺序）以指定不同的缓存目录。

1. Shell 环境变量（默认）：HUGGINGFACE_HUB_CACHE 或 TRANSFORMERS_CACHE。
2. Shell 环境变量：HF_HOME。
3. Shell 环境变量：XDG_CACHE_HOME + /huggingface。

离线模式

通过设置环境变量 HF_HUB_OFFLINE=1，在防火墙或离线环境中使用本地缓存的文件运行 🤗 Transformers。

HF_DATASETS_OFFLINE=1 HF_HUB_OFFLINE=1 \
python examples/pytorch/translation/run_translation.py --model_name_or_path google-t5/t5-small --dataset_name wmt16 --dataset_config ro-en ...

此脚本应该能够运行，而不会挂起或等待超时，因为它不会尝试从 Hub 下载模型。

您还可以通过 local_files_only 参数绕过从每个 from_pretrained() 调用加载模型。当设置为 True 时，仅加载本地文件。

from transformers import T5Model

model = T5Model.from_pretrained("./path/to/local/directory", local_files_only=True)

获取模型和分词器以供离线使用

另一种离线使用 🤗 Transformers 的方法是提前下载文件，然后在需要离线使用时指向其本地路径。有三种方法可以做到这一点。

• 通过 模型中心 上的用户界面下载文件，单击 ↓ 图标。

  

• 使用 PreTrainedModel.from_pretrained() 和 PreTrainedModel.save_pretrained() 工作流程。

  1. 使用 PreTrainedModel.from_pretrained() 提前下载您的文件。

     已复制

     >>> from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
     
     >>> tokenizer = AutoTokenizer.from_pretrained("bigscience/T0_3B")
     >>> model = AutoModelForSeq2SeqLM.from_pretrained("bigscience/T0_3B")

  2. 使用 PreTrainedModel.save_pretrained() 将您的文件保存到指定的目录。

     已复制

     >>> tokenizer.save_pretrained("./your/path/bigscience_t0")
     >>> model.save_pretrained("./your/path/bigscience_t0")

  3. 现在，当您处于离线状态时，可以使用 PreTrainedModel.from_pretrained() 从指定的目录重新加载您的文件。

     已复制

     >>> tokenizer = AutoTokenizer.from_pretrained("./your/path/bigscience_t0")
     >>> model = AutoModel.from_pretrained("./your/path/bigscience_t0")

• 使用 huggingface_hub 库以编程方式下载文件。

  1. 在您的虚拟环境中安装 huggingface_hub 库。

     已复制

     python -m pip install huggingface_hub

  2. 使用 hf_hub_download 函数将文件下载到特定路径。例如，以下命令将 T0 模型的 config.json 文件下载到您所需的路径。

     已复制

     >>> from huggingface_hub import hf_hub_download
     
     >>> hf_hub_download(repo_id="bigscience/T0_3B", filename="config.json", cache_dir="./your/path/bigscience_t0")

文件下载完成后并缓存在本地后，请指定其本地路径以加载并使用它。

>>> from transformers import AutoConfig

>>> config = AutoConfig.from_pretrained("./your/path/bigscience_t0/config.json")