学习机器学习的人大部分都知道怎么设计并训练一个模型，但开发模型的目的是为了解决业务问题，所以怎么使用大模型也是重中之重。

刚训练好的大模型事实上虽然可以用，但由于没有用户接口，所以只能自己用，无法对外提供服务；所以，刚训练好的大模型需要经过一些处理才可以使用，包括数据预处理，接口开发等。

huggingface官网地址：需科学上网

01、大模型加载与保存

训练一个大模型，在训练完成之后最重要的就是要把模型给保存下，然后在使用的时候加载。

在什么情况下需要保存模型？

保存模型主要有两种情况，第一种是重新设计了一个新的模型，第二种是微调过的模型。

当然不论是何种原因，保存模型也有两种方式，一种是直接把模型进行保存，不论是模型本身还是模型参数。第二种是使用字典方式保存模型参数。

代码如下所示，这里使用的是pytorch自定义模型，如果是从网络中加载的其它模型，可以根据其具体的实现进行保存。

import torchfrom torch import nn# 神经网络结构 当作例子没有具体实现class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创建一个模型对象model = MyModel()# 第一种保存模型的方式torch.save(model, "my_model.pth")# 第二种保存模型的方式 使用dict字段保存参数torch.save(model.state_dict(), "dict_my_model.pth")

可能会有人有疑问，没有训练过的模型也可以保存吗？

虽然很多人都会使用别人训练好的模型，但有时我们只需要使用其模型结构，不需要其训练的参数，所以就会有人把没有训练过的模型进行保存。然后让别人可以用没用被数据“污染”过的新模型。

比如，pytorch从官网加载模型时就有一个参数，pretrained=false来加载未训练过的模型。当然，用户也可以选择训练过的模型进行微调。

模型的加载

模型既然可以被保存，那么就可以被加载。保存模型有两种方式，加载模型也有两种方式。

第一种方式保存就直接加载，而第二种方式保存就需要先创建一个模型，然后再加载。

需要注意的说，这里加载的是自定义模型，所以一定要把神经网络的结构给引入进来，下面代码的神经网络结构就是MyModel。否则会报错找不到模型，而如果是从网络中加载模型则不会出现这个问题。

import torchfrom torch import nn# 神经网络结构 当作例子没有具体实现class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创建一个模型对象model = MyModel()# 第一种保存模型的方式torch.save(model, "my_model.pth")# 第二种保存模型的方式 使用dict字段保存参数torch.save(model.state_dict(), "dict_my_model.pth")# 第一种加载模型的方式 有了这个之后就不需要使用 model = MyModule()创建模型了load_model = torch.load("my_model.pth")print(load_model)# 第二种加载方式 这里只会加载模型的参数dict_load = torch.load("dict_my_model.pth")print(dict_load)#因此，需要先创建模型，再从字典中加载参数dict_model = MyModel()dict_model.load_state_dict(torch.load("dict_my_model.pth"))print("------------------")print(dict_model)

02、使用模型的三种方式

使用模型大概有以下三种方式：

第一种方式是直接调用第三方模型服务公司的API接口，比如chatGPT的接口，通义千问接口和百度文心一言等接口。

这种方式最简单，也不需要懂得大模型的技术，只需要有编程基础会调用接口即可。

而后面两种其实是两种情况，就是自己部署大模型。

自己部署大模型分为两种情况，第一种是使用别人训练或微调好的模型，比如huggingface上的模型，pytorch官网提供的模型等；第二种是自己设计并训练模型。

两者的区别就是，第一种使用别人的模型，就需要按照别人的要求和规则去使用或训练模型。比如，它们可能会对模型进行简单的输入处理和API封装，我们自己也可以在其基础之上对模型进行更加完善的设计。

如下所示，是使用huggingface上的大模型。from_pretrained(model_id)就是从huggingface仓库中加载大模型。

from transformers import AutoTokenizer, AutoModelForCausalLM# 大模型名词model_id = "shenzhi-wang/Llama3-8B-Chinese-Chat"# 加载分词器 在自然语言处理中，需要对文字进行分词 并转换为神经网络能够识别的向量格式tokenizer = AutoTokenizer.from_pretrained(model_id)# 加载大模型model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto", device_map="auto")""" 用户使用，按照大模型提供的输入案例来操作"""messages = [{"role": "system", "content": "You are Llama3-8B-Chinese-Chat, which is finetuned on Llama3-8B-Instruct with Chinese-English mixed).to(model.device)# 大模型只能识别向量格式的数据，所以在开始之前需要对数据进行预处理outputs = model.generate(input_ids,max_new_tokens=1024,do_sample=True,temperature=0.6,top_p=0.9,)# 获取结果response = outputs[0][input_ids.shape[-1]:]print(tokenizer.decode(response, skip_special_tokens=True))

第二种自定义模型，我们就需要自己对大模型进行预处理和接口封装。

import torchfrom torch import nn# 神经网络结构 当作例子没有具体实现class MyModel(nn.Module):def __init__(self):super(MyModel, self).__init__()passdef forward(self, x):return x# 创建一个模型对象model = MyModel()# 第一种保存模型的方式torch.save(model, "my_model.pth")# 第二种保存模型的方式 使用dict字段保存参数torch.save(model.state_dict(), "dict_my_model.pth")# 第一种加载模型的方式 有了这个之后就不需要使用 model = MyModule()创建模型了load_model = torch.load("my_model.pth")print(load_model)# 第二种加载方式 这里只会加载模型的参数dict_load = torch.load("dict_my_model.pth")print(dict_load)#因此，需要先创建模型，再从字典中加载参数dict_model = MyModel()dict_model.load_state_dict(torch.load("dict_my_model.pth"))print("------------------")print(dict_model)""" 数据预处理 """def process_prefix(param):# params是输入参数，自然语言处理中就是字符串，计算机视觉处理中就是图片或视频# 把参数转换为张量/向量inputs = torch.Tensor(param)"""当然，这里只是简单举个例子，实际的预处理要比这复杂的多，不但要实现功能，还有保证接口的可扩展性，以及上层功能的调用"""return inputs# 把用户输入转化为向量后 输入到模型中resp = dict_model(process_prefix(""))def process_post(resp):"""这里主要对模型的输出进行处理，不同的模型输出数据格式不一，所以为了使用的方便，需要对模型输出进行处理"""

总的来说，模型的使用就类似于模型设计中的输入层和输出层，由于每个模型的输入和输出都不一样，所以每个模型的输入和输出都需要进行特殊处理。

开发者对模型进行包装之后，就可以通过API接口或SDK的形式提供给业务人员调用。

原文链接：​ ​​ ​