训练后使用模型

一旦您使用 SFTTrainer、PPOTrainer 或 DPOTrainer 训练了模型，您将得到一个可用于文本生成的微调模型。在本节中，我们将介绍加载微调模型并生成文本的过程。如果您需要使用训练好的模型运行推理服务器，可以探索 text-generation-inference 等库。

加载和生成

如果您是完全微调模型（即未使用 PEFT），您可以像加载 transformers 中的任何其他语言模型一样加载它。例如，在 PPO 训练期间训练的价值头（value head）不再需要，如果您使用原始的 transformer 类加载模型，它将被忽略。

from transformers import AutoTokenizer, AutoModelForCausalLM

model_name_or_path = "kashif/stack-llama-2" #path/to/your/model/or/name/on/hub
device = "cpu" # or "cuda" if you have a GPU

model = AutoModelForCausalLM.from_pretrained(model_name_or_path).to(device)
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)

inputs = tokenizer.encode("This movie was really", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

或者，您也可以使用 pipeline。

from transformers import pipeline

model_name_or_path = "kashif/stack-llama-2" #path/to/your/model/or/name/on/hub
pipe = pipeline("text-generation", model=model_name_or_path)
print(pipe("This movie was really")[0]["generated_text"])

使用适配器 PEFT

from peft import PeftConfig, PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model_name = "kashif/stack-llama-2" #path/to/your/model/or/name/on/hub"
adapter_model_name = "path/to/my/adapter"

model = AutoModelForCausalLM.from_pretrained(base_model_name)
model = PeftModel.from_pretrained(model, adapter_model_name)

tokenizer = AutoTokenizer.from_pretrained(base_model_name)

您也可以将适配器合并到基础模型中，这样您就可以像使用普通的 transformers 模型一样使用它，但检查点会大很多。

model = AutoModelForCausalLM.from_pretrained(base_model_name)
model = PeftModel.from_pretrained(model, adapter_model_name)

model = model.merge_and_unload()
model.save_pretrained("merged_adapters")

一旦您加载了模型，并将适配器合并或保持分离，您就可以像上面概述的普通模型一样运行生成。

< > 在 GitHub 上更新

TRL

训练后使用模型

加载和生成

使用适配器 PEFT