Hugging face预训练模型下载和使用

Huggingface
Huggingface是一家公司，在Google发布BERT模型不久之后，这家公司推出了BERT的pytorch实现，形成一个开源库pytorch-pretrained-bert。后来这家公司又实现了其他的预训练模型，如GPT、GPT2、ToBERTa、T5等。此时，开源库的名字还叫pytorch-pretrained-bert就不太合适了，于是他们就将开源库的名字改成transformers，transformers包括各种模型的实现。

简而言之：Google发布的原始BERT预训练模型（训练好的参数）是基于Tensorflow的，Huggingface是基于pytorch的。

预训练模型下载

huggingface官网的这个链接：https://huggingface.co/models可以搜索到当前支持的模型，常用的预训练模型有以下几种：

BERT-Large, Uncased (Whole Word Masking)
语言种类：英文
网络结构：24-layer, 1024-hidden, 16-heads
参数规模：340M
BERT-Large, Cased (Whole Word Masking)
语言种类：英文
网络结构：24-layer, 1024-hidden, 16-heads
参数规模：340M
BERT-Base, Uncased
语言种类：英文
网络结构：12-layer, 768-hidden, 12-heads
参数规模：110M
BERT-Base, Cased
语言种类：英文
网络结构：12-layer, 768-hidden, 12-heads
参数规模：110M

Uncased和Cased：Uncased模型在WordPiece tokenization之前会转换成小写,如John Smith变为john smith. Uncased模型还会去除发音标记（accent markers）.
Cased模型保留了大小写和发音标记。一般来说Uncased模型更好。但是在case信息也有作用的场景下，就应该使用cased模型
(e.g., Named Entity Recognition or Part-of-Speech tagging)。
Multilingual表示预训练时使用多种语言的语料，Chinese表示预训练时使用中文，没有额外标注的则表示用英文语料训练。
ext差别是增加了训练数据集同时也增加了训练步数。

总之，不管预训练模型的种类如何的多，他们都是基于BERT的魔改模型，只不过是层数不同或者使用的训练语料不同，训练轮次不同等。做中文相关任务先考虑chinese-roberta-wwm-ext、ERNIE预训练模型吧。

下载

使用预训练模型需要下载模型的文件，最关键的是三个文件：

第一个是配置文件，config.json

第二个是词典文件，vocab.json或vocab.txt

第三个是预训练模型文件，pytorch_model.bin或tf_model.h5。根据你使用的框架选择

下面具体看看下载方式：

首先，打开预训练模型所在网址，比如ERNIE是：https://huggingface.co/nghuyong/ernie-1.0

其次，点击Files and versions选项卡，就可以找到需要下载的文件：config.json、pytorch_model.bin、vocab.txt
ERNIE预训练模型包含的文件当然，你也可以把上面的所有文件都下载下来，这样肯定不会出错。

预训练模型的使用（API）

transformers库最关键的三个类

model
tokenizer
configuration

其他类如GPT2LMHeadModel都是对应类的子类而已，根据模型的特点进行改进。

使用方式一：指定模型名字

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained(“nghuyong/ernie-1.0”)
model = AutoModel.from_pretrained(“nghuyong/ernie-1.0”)
这种方式不需要下载预训练模型，函数调用过程中如果发现没有这个模型就会自动下载

使用方式二：指定路径

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained(“/home/models/huggingface/gpt2”)
model = AutoModel.from_pretrained(“/home/models/huggingface/gpt2”)
这种方式需要先下载好预训练模型的文件