過去，我們使用翻譯接口時(shí)，往往都是使用百度等的接口，每天有一定量的免費(fèi)額度。今天為大家介紹一個(gè)可以進(jìn)行翻譯的模型，具備英譯中、中譯英的能力。并且在這個(gè)過程中，向大家介紹一個(gè)如何在本地部署模型。在之前的”五天入門RAG“中，我們介紹過如何線上運(yùn)行，但這是需要網(wǎng)絡(luò)條件的，當(dāng)你不具備時(shí)，可以在本地安裝使用。

這個(gè)模型就是Helsinki-NLP/opus-mt-zh-en和Helsinki-NLP/opus-mt-en-zh。在后面，我們會(huì)再帶大家體驗(yàn)具備語音翻譯，轉(zhuǎn)錄的模型SeamlessM4T。

首先進(jìn)入：https://huggingface.co/

搜索：Helsinki-NLP/opus-mt-zh-en

點(diǎn)擊右邊的compute試一下，翻譯效果還不錯(cuò)。

然后點(diǎn)擊files卡片。

主要下載如下的幾個(gè)文件。

放到自己本地目錄下：

然后輸入我們的翻譯代碼：

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM# 模型名稱，如果模型已經(jīng)下載到本地，可以直接指定路徑
modelName = "D:/workspace/work/translate/bert_model/"
srcText = [
"大家好，我是一只來自中國的大熊貓",
"在這種方式下，我們的transformers才能發(fā)揮最大的作用",
"啊！華山，你可真是壯美",
]#---------------------------------tokenizer = AutoTokenizer.from_pretrained(modelName)
model = AutoModelForSeq2SeqLM.from_pretrained(modelName)
translated = model.generate(**tokenizer(srcText, return_tensors="pt", padding=True))
# 返回結(jié)果
r = [tokenizer.decode(t, skip_special_tokens=True) for t in translated]print(r)

代碼可能會(huì)提示錯(cuò)誤

那么我們安裝這個(gè)就是了，代碼如下：

pip install SentencePiece

然后再運(yùn)行：

["Hello. I'm a big panda from China.", 
"In this way, our transformers will be most effective.", 
"Oh, you're so beautiful, Wahshan."]

同樣的，英譯中使用另一個(gè)模型即可。

我們簡單解釋一下代碼！

AutoTokenizer.from_pretrained

用于加載預(yù)訓(xùn)練的文本處理模型（Tokenizer），以便將文本數(shù)據(jù)轉(zhuǎn)換為模型可以接受的輸入格式。這個(gè)方法接受多個(gè)參數(shù)，以下是這些參數(shù)的詳細(xì)說明：

1.pretrained_model_name_or_path (str):

-這是最重要的參數(shù)，指定要加載的預(yù)訓(xùn)練模型的名稱或路徑?？梢允悄Ｐ兔Q（例如 “bert-base-uncased”）或模型文件夾的路徑。

\2. inputs (additional positional arguments, optional)

它表示額外的位置參數(shù)，這些參數(shù)會(huì)傳遞給標(biāo)記器（Tokenizer）的__init__()方法。這允許你進(jìn)一步自定義標(biāo)記器的初始化。

\3. config ([PretrainedConfig], optional)

這個(gè)配置對(duì)象用于確定要實(shí)例化的分詞器類。

4.cache_dir (str, optional):

用于緩存模型文件的目錄路徑

\5. force_download (bool, optional):

如果設(shè)置為 True，將強(qiáng)制重新下載模型配置，覆蓋任何現(xiàn)有的緩存。

\6. resume_download (bool, optional)：

-這是可選參數(shù)，如果設(shè)置為 True，則在下載過程中重新開始下載，即使部分文件已經(jīng)存在。

\7. proxies (Dict[str, str], optional)

proxies（可選參數(shù)）：這是一個(gè)字典，用于指定代理服務(wù)器的設(shè)置。代理服務(wù)器允許您在訪問互聯(lián)網(wǎng)資源時(shí)通過中繼服務(wù)器進(jìn)行請(qǐng)求，這對(duì)于在受限網(wǎng)絡(luò)環(huán)境中使用 Transformers 庫來加載模型配置信息非常有用。

? proxies = { “http”: “http://your_http_proxy_url”, “https”: “https://your_https_proxy_url” }

\8. revision (str, optional):

指定要加載的模型的 Git 版本（通過提交哈希）。

\9. subfolder (str, optional)

如果相關(guān)文件位于 huggingface.co 模型倉庫的子文件夾內(nèi)（例如 facebook/rag-token-base），請(qǐng)?jiān)谶@里指定。

\10. use_fast (bool, optional, defaults to True)

這是一個(gè)布爾值，指示是否強(qiáng)制使用 fast tokenizer，即使其不支持特定模型的功能。默認(rèn)為 True。

\11. tokenizer_type (str, optional)

參數(shù)用于指定要實(shí)例化的分詞器的類型

\12. trust_remote_code (bool, optional, defaults to False)

trust_remote_code=True：

默認(rèn)情況下，trust_remote_code 設(shè)置為 True。這意味著當(dāng)您使用 from_pretrained() 方法加載模型配置文件時(shí)，它將下載來自 Hugging Face 模型中心或其他在線資源的配置文件。這是一個(gè)方便的默認(rèn)行為，因?yàn)橥ǔ＿@些配置文件是由官方提供的，且是可信的。

trust_remote_code=False：

如果您將 trust_remote_code 設(shè)置為 False，則表示您不信任從遠(yuǎn)程下載的配置文件，希望加載本地的配置文件。這對(duì)于安全性或定制性要求較高的場景可能是有用的。

在這種情況下，您需要提供一個(gè)本地文件路徑，以明確指定要加載的配置文件

總之，trust_remote_code 參數(shù)允許您在使用 Hugging Face Transformers 庫時(shí)控制是否信任從遠(yuǎn)程下載的配置文件。默認(rèn)情況下，它被設(shè)置為 True，以方便加載官方提供的配置文件，但您可以將其設(shè)置為 False 并提供本地配置文件的路徑，以進(jìn)行更精細(xì)的控制。

AutoModel.from_pretrained()

AutoModel.from_pretrained() 是 Hugging Face Transformers 庫中的一個(gè)函數(shù)，用于加載預(yù)訓(xùn)練的深度學(xué)習(xí)模型。它允許你加載各種不同的模型，如BERT、GPT-2、RoBERTa 等，而無需為每個(gè)模型類型編寫單獨(dú)的加載代碼。以下是 AutoModel.from_pretrained() 函數(shù)的主要參數(shù)：

\1. pretrained_model_name_or_path (str):

-這是一個(gè)字符串參數(shù)，用于指定要加載的預(yù)訓(xùn)練模型的名稱或路徑?？梢允悄Ｐ偷拿Q（如 “bert-base-uncased”）或模型文件夾的路徑。

\2. *model_args

直接傳參的方式，傳入配置項(xiàng)，例如，我們將編碼器層數(shù)改為3層

model = AutoModel.from_pretrained(“./models/bert-base-chinese”, num_hidden_layers=3)

加載模型時(shí)，指定配置類實(shí)例

model = AutoModel.from_pretrained(“./models/bert-base-chinese”, config=config)

3.trust_remote_code (bool, optional, defaults to False)

trust_remote_code=True：

默認(rèn)情況下，trust_remote_code 設(shè)置為 True。這意味著當(dāng)您使用 from_pretrained() 方法加載模型配置文件時(shí)，它將下載來自 Hugging Face 模型中心或其他在線資源的配置文件。這是一個(gè)方便的默認(rèn)行為，因?yàn)橥ǔ＿@些配置文件是由官方提供的，且是可信的。

trust_remote_code=False：

如果您將 trust_remote_code 設(shè)置為 False，則表示您不信任從遠(yuǎn)程下載的配置文件，希望加載本地的配置文件。這對(duì)于安全性或定制性要求較高的場景可能是有用的。

在這種情況下，您需要提供一個(gè)本地文件路徑，以明確指定要加載的配置文件

總之，trust_remote_code 參數(shù)允許您在使用 Hugging Face Transformers 庫時(shí)控制是否信任從遠(yuǎn)程下載的配置文件。默認(rèn)情況下，它被設(shè)置為 True，以方便加載官方提供的配置文件，但您可以將其設(shè)置為 False 并提供本地配置文件的路徑，以進(jìn)行更精細(xì)的控制。

hub_kwargs_names = [

“cache_dir”, #同上面

“force_download”,#同上面

“l(fā)ocal_files_only”,

“proxies”, #同上面

“resume_download”, #同上面

“revision”, #同上面

“subfolder”, #同上面

“use_auth_token”,

]

local_files_only:

如果設(shè)置為True，將只嘗試從本地文件系統(tǒng)加載模型。如果本地文件不存在，它將不會(huì)嘗試從Hugging Face模型存儲(chǔ)庫下載模型文件。如果本地存在模型文件，它將從本地加載。如果設(shè)置為False（默認(rèn)值），它將首先嘗試從本地加載，如果本地不存在模型文件，它將嘗試從Hugging Face模型存儲(chǔ)庫下載模型文件并緩存到本地，然后加載。

from transformers import AutoModel

model = AutoModel.from_pretrained(“bert-base-uncased”, local_files_only=True)

詳解 use_auth_token 參數(shù)：

默認(rèn)值：use_auth_token 參數(shù)的默認(rèn)值通常為 None，這意味著在默認(rèn)情況下不使用身份驗(yàn)證令牌。

作用：Hugging Face Model Hub 上的一些模型可能需要身份驗(yàn)證令牌才能訪問。這通常是因?yàn)槟Ｐ偷膭?chuàng)建者希望對(duì)其進(jìn)行訪問控制，或者出于其他原因需要進(jìn)行身份驗(yàn)證。如果模型需要身份驗(yàn)證令牌，你可以在 use_auth_token 參數(shù)中提供有效的令牌，以便在下載模型時(shí)使用。

獲取身份驗(yàn)證令牌：要獲得有效的身份驗(yàn)證令牌，你需要注冊并登錄到 Hugging Face Model Hub，然后訪問你的個(gè)人配置文件（profile），那里會(huì)提供一個(gè) API 令牌（API token），你可以將其用作 use_auth_token 的值。

from transformers import AutoModel

# 使用身份驗(yàn)證令牌來加載模型

model = AutoModel.from_pretrained(‘model_name’, use_auth_token=‘your_auth_token’)

大多數(shù)模型不需要身份驗(yàn)證令牌，并且可以在不提供 use_auth_token 參數(shù)的情況下加載。只有在你確實(shí)需要進(jìn)行身份驗(yàn)證才需要使用此參數(shù)。

model.generate()

model()的使用場景：當(dāng)你需要對(duì)輸入數(shù)據(jù)執(zhí)行一次完整的前向計(jì)算時(shí)使用，如分類任務(wù)、特征提取等。
model.generate()的使用場景：當(dāng)你需要模型自動(dòng)生成文本或序列，尤其是在語言模型中，如GPT、T5等。

return_tensors=‘pt’, 自動(dòng)的將所有的結(jié)果都轉(zhuǎn)化成二緯的tensor數(shù)據(jù)，因此，后面我們還需要將數(shù)據(jù)進(jìn)行解碼，完成編碼解碼。

如何學(xué)習(xí)大模型 AI ？

由于新崗位的生產(chǎn)效率，要優(yōu)于被取代崗位的生產(chǎn)效率，所以實(shí)際上整個(gè)社會(huì)的生產(chǎn)效率是提升的。

但是具體到個(gè)人，只能說是：

“最先掌握AI的人，將會(huì)比較晚掌握AI的人有競爭優(yōu)勢”。

這句話，放在計(jì)算機(jī)、互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)的開局時(shí)期，都是一樣的道理。

我在一線互聯(lián)網(wǎng)企業(yè)工作十余年里，指導(dǎo)過不少同行后輩。幫助很多人得到了學(xué)習(xí)和成長。

我意識(shí)到有很多經(jīng)驗(yàn)和知識(shí)值得分享給大家，也可以通過我們的能力和經(jīng)驗(yàn)解答大家在人工智能學(xué)習(xí)中的很多困惑，所以在工作繁忙的情況下還是堅(jiān)持各種整理和分享。但苦于知識(shí)傳播途徑有限，很多互聯(lián)網(wǎng)行業(yè)朋友無法獲得正確的資料得到學(xué)習(xí)提升，故此將并將重要的AI大模型資料包括AI大模型入門學(xué)習(xí)思維導(dǎo)圖、精品AI大模型學(xué)習(xí)書籍手冊、視頻教程、實(shí)戰(zhàn)學(xué)習(xí)等錄播視頻免費(fèi)分享出來。

第一階段（10天）：初階應(yīng)用

該階段讓大家對(duì)大模型 AI有一個(gè)最前沿的認(rèn)識(shí)，對(duì)大模型 AI 的理解超過 95% 的人，可以在相關(guān)討論時(shí)發(fā)表高級(jí)、不跟風(fēng)、又接地氣的見解，別人只會(huì)和 AI 聊天，而你能調(diào)教 AI，并能用代碼將大模型和業(yè)務(wù)銜接。

• 大模型 AI 能干什么？
• 大模型是怎樣獲得「智能」的？
• 用好 AI 的核心心法
• 大模型應(yīng)用業(yè)務(wù)架構(gòu)
• 大模型應(yīng)用技術(shù)架構(gòu)
• 代碼示例：向 GPT-3.5 灌入新知識(shí)
• 提示工程的意義和核心思想
• Prompt 典型構(gòu)成
• 指令調(diào)優(yōu)方法論
• 思維鏈和思維樹
• Prompt 攻擊和防范
• …

第二階段（30天）：高階應(yīng)用

該階段我們正式進(jìn)入大模型 AI 進(jìn)階實(shí)戰(zhàn)學(xué)習(xí)，學(xué)會(huì)構(gòu)造私有知識(shí)庫，擴(kuò)展 AI 的能力?？焖匍_發(fā)一個(gè)完整的基于 agent 對(duì)話機(jī)器人。掌握功能最強(qiáng)的大模型開發(fā)框架，抓住最新的技術(shù)進(jìn)展，適合 Python 和 JavaScript 程序員。

• 為什么要做 RAG
• 搭建一個(gè)簡單的 ChatPDF
• 檢索的基礎(chǔ)概念
• 什么是向量表示（Embeddings）
• 向量數(shù)據(jù)庫與向量檢索
• 基于向量檢索的 RAG
• 搭建 RAG 系統(tǒng)的擴(kuò)展知識(shí)
• 混合檢索與 RAG-Fusion 簡介
• 向量模型本地部署
• …

第三階段（30天）：模型訓(xùn)練

恭喜你，如果學(xué)到這里，你基本可以找到一份大模型 AI相關(guān)的工作，自己也能訓(xùn)練 GPT 了！通過微調(diào)，訓(xùn)練自己的垂直大模型，能獨(dú)立訓(xùn)練開源多模態(tài)大模型，掌握更多技術(shù)方案。

到此為止，大概2個(gè)月的時(shí)間。你已經(jīng)成為了一名“AI小子”。那么你還想往下探索嗎？

• 為什么要做 RAG
• 什么是模型
• 什么是模型訓(xùn)練
• 求解器 & 損失函數(shù)簡介
• 小實(shí)驗(yàn)2：手寫一個(gè)簡單的神經(jīng)網(wǎng)絡(luò)并訓(xùn)練它
• 什么是訓(xùn)練/預(yù)訓(xùn)練/微調(diào)/輕量化微調(diào)
• Transformer結(jié)構(gòu)簡介
• 輕量化微調(diào)
• 實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)建
• …

第四階段（20天）：商業(yè)閉環(huán)

對(duì)全球大模型從性能、吞吐量、成本等方面有一定的認(rèn)知，可以在云端和本地等多種環(huán)境下部署大模型，找到適合自己的項(xiàng)目/創(chuàng)業(yè)方向，做一名被 AI 武裝的產(chǎn)品經(jīng)理。

• 硬件選型
• 帶你了解全球大模型
• 使用國產(chǎn)大模型服務(wù)
• 搭建 OpenAI 代理
• 熱身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地計(jì)算機(jī)運(yùn)行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何優(yōu)雅地在阿里云私有部署開源大模型
• 部署一套開源 LLM 項(xiàng)目
• 內(nèi)容安全
• 互聯(lián)網(wǎng)信息服務(wù)算法備案
• …

學(xué)習(xí)是一個(gè)過程，只要學(xué)習(xí)就會(huì)有挑戰(zhàn)。天道酬勤，你越努力，就會(huì)成為越優(yōu)秀的自己。

如果你能在15天內(nèi)完成所有的任務(wù)，那你堪稱天才。然而，如果你能完成 60-70% 的內(nèi)容，你就已經(jīng)開始具備成為一名大模型 AI 的正確特征了。

這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN，朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認(rèn)證二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】