模型下载和加载

在模型中使用lamma2时，如果不对模型结构进行改造，那么直接调用Transformers定义的lamma模型即可：
参考官方教程：https://huggingface.co/docs/transformers/model_doc/llama2

from transformers import LlamaForCausalLM, LlamaTokenizertokenizer = LlamaTokenizer.from_pretrained("/output/path")
model = LlamaForCausalLM.from_pretrained("/output/path")

这里使用的LlamaForCausalLM时Transformers写的一个用于文本生成的模型
我们在下载Lamma2模型的权重时，填写申请表格一出现 'China' 网页就没了，是不是不让中国用户使用lamma2了啊？

所以只能通过其他手段下载模型权重了，下载后的目录长这样：

Transformer不能直接加载这个模型，按照官方教程转换为hf格式

python src/transformers/models/llama/convert_llama_weights_to_hf.py \--input_dir /path/to/downloaded/Llama-2-7B --model_size 7B --output_dir /output/path

这里的convert_llama_weights_to_hf.py脚本需要在这里下载

这时候再用 /output/path就可以使用 from_pretrained(/output/path)加载预训练模型了

但是：

Loading LLaMA model does not use GPU memory neither offload folder

模型被加载到了CPU，没有使用GPU 内存啊，我们在加载模型时要添加一些参数：

lamma_model = LlamaForCausalLM.from_pretrained("/output/path",device_map="auto",torch_dtype=torch.float16)

 这样模型就会自动加载到GPU中了

模型批量生成

在对批量文本进行处理时，会用到 pad_token 对较短序列进行充填，但是lamma原始模型是没有pad_token的，所以需要：

lamma_tokenizer.add_special_tokens({'pad_token': '[PAD]'})lamma_model = LlamaForCausalLM.from_pretrained(lamma_model,device_map="auto",torch_dtype=torch.float16)
lamma_model.resize_token_embeddings(len(self.lamma_tokenizer))

这里在tokenizer添加了一个pad_token，相比于原始的len(tokenizer)会➕1，并且将model的token_embeddings的大小增加1 

否则，就会出现如下报错

CUDA error: device-side assert triggered

 还有一个注意点是：

使用lamma model进行推理时（forward）：其参数 input_ids 和 inputs_embeds 必须有一个为None，源码是这样的：

if input_ids is not None and inputs_embeds is not None:raise ValueError("You cannot specify both decoder_input_ids and decoder_inputs_embeds at the same time")

改造模型结构

我们下载Transformer中lamma模型源码，在其基础上修改模型结构即可，常用的模型还是 LlamaForCausalLM