1 from_pretrained

• 从预训练模型配置中实例化一个 PyTorch 预训练模型
• 默认情况下，模型使用 model.eval() 设置为评估模式（Dropout 模块被禁用）
  • 要训练模型，应该首先使用 model.train() 将其设置回训练模式

1.1 主要参数

pretrained_model_name_or_path	需要加载的模型，可以是： 一个字符串，huggingface.co 上一个模型库中的预训练模型ID。 一个目录路径，包含使用 save_pretrained() 保存的模型权重，例如 ./my_model_directory/。
from_tf	(bool, 可选，默认为 False) - 从 TensorFlow 检查点保存文件中加载模型权重
force_download	(bool, 可选，默认为 False) - 是否强制（重新）下载模型权重和配置文件，覆盖已存在的缓存版本
local_files_only	(bool, 可选，默认为 False) - 是否只查看本地文件（即，不尝试下载模型）

1.1.1 大模型推理相关主要参数

torch_dtype	(str 或 torch.dtype, 可选) — 覆盖默认的 torch.dtype，并在特定的数据类型下加载模型 torch.float16 或 torch.bfloat16 或 torch.float：在指定的数据类型下加载 "auto" - 将尝试使用模型的 config.json 文件中的 torch_dtype 条目。如果没有找到此条目，则检查checkpoint中第一个浮点类型的权重的数据类型，并使用该数据类型加载模型。
device_map	指定每个子模块应该去的设备的映射
quantization_config	huggingface 笔记：AutoTokenizer,AutoClass-CSDN博客 一个量化配置参数字典

1.2 举例

from transformers import LlamaModel

m=LlamaModel.from_pretrained('meta-llama/Meta-Llama-3-8B')
m

2 can_generate

• 该模型是否能够使用 .generate() 方法生成序列。
• 该函数返回一个布尔值，指示该模型是否支持使用 .generate() 方法来生成序列。
• 这通常用于判断某个模型是否具备生成文本的能力，例如语言模型或文本到文本的转换模型。

m.can_generate()
#False

3 get_input_embeddings

返回模型的输入嵌入，即将词汇映射到隐藏状态的 PyTorch 模块

m.get_input_embeddings()
#Embedding(128256, 4096)

4 get_memory_footprint

获取模型的内存占用（以字节为单位）

m.get_memory_footprint()
#30019706880

5 get_output_embeddings

返回模型的输出嵌入，即将隐藏状态映射到词汇的 PyTorch 模块

6 init_weights

初始化权重

7 resize_token_embeddings

resize_token_embeddings(new_num_tokens)

• 嵌入矩阵中的新令牌数量。
  • 增加大小将在末尾添加新初始化的向量。
  • 减少大小将从末尾移除向量。
  • 如果未提供或为 None，则只返回指向模型的输入令牌 torch.nn.Embedding 模块的指针，不进行任何操作。

8 set_input_embeddings

set_input_embeddings(value: nn.Module)

自定义模型的输入嵌入层，通过提供一个新的 nn.Module 来替换默认的输入嵌入