使用Transformers推理

如果想在不安装其他库或Python包的情况下快速体验模型效果，可以使用scripts/inference_hf.py 脚本启动非量化模型。该脚本支持CPU和GPU的单卡和多卡推理。

以启动Chinese-Alpaca-7B模型为例，脚本运行方式如下（该方式无法加载Chinese-Alpaca-Plus，见下面的注意事项）：

python scripts/inference_hf.py \
    --base_model path_to_original_llama_hf_dir \
    --lora_model path_to_chinese_llama_or_alpaca_lora \
    --with_prompt \
    --interactive

如果已经执行了merge_llama_with_chinese_lora_to_hf.py脚本将lora权重合并，那么无需再指定--lora_model，启动方式更简单：

python scripts/inference_hf.py \
    --base_model path_to_merged_llama_or_alpaca_hf_dir \
    --with_prompt \
    --interactive

参数说明：

• --base_model {base_model} ：存放HF格式的LLaMA模型权重和配置文件的目录。如果之前合并生成的是PyTorch格式模型，[请转换为HF格式](https://github.com/ymcui/Chinese-LLaMA-Alpaca/wiki/手动模型合并与转换#Step 1: 将原版LLaMA模型转换为HF格式)
• --lora_model {lora_model} ：中文LLaMA/Alpaca LoRA解压后文件所在目录，也可使用🤗Model Hub模型调用名称。若不提供此参数，则只加载--base_model指定的模型
• --tokenizer_path {tokenizer_path}：存放对应tokenizer的目录。若不提供此参数，则其默认值与--lora_model相同；若也未提供--lora_model参数，则其默认值与--base_model相同
• --with_prompt：是否将输入与prompt模版进行合并。如果加载Alpaca模型，请务必启用此选项！
• --interactive：以交互方式启动，以便进行多次单轮问答（此处不是llama.cpp中的上下文对话）
• --data_file {file_name}：非交互方式启动下，按行读取file_name中的的内容进行预测
• --predictions_file {file_name}：非交互式方式下，将预测的结果以json格式写入file_name
• --use_cpu: 仅使用CPU进行推理
• --gpus: 指定使用的GPU设备编号，默认为0。如使用多张GPU，以逗号分隔，如0,1,2

注意事项：

• 因不同框架的解码实现细节有差异，该脚本并不能保证复现llama.cpp的解码效果
• 该脚本仅为方便快速体验用，并未对多机多卡、低内存、低显存等情况等条件做任何优化
• 如在CPU上运行7B模型推理，请确保有32GB内存；如在GPU上运行7B模型推理，请确保有20GB显存
• inference_hf.py暂不支持从lora权重加载Chinese-Alpaca-Plus进行推理；如要进行Chinese-Alpaca-Plus进的推理，请先合并模型，流程如下：
  1. 使用merge_llama_with_chinese_lora.py合并lora，生成完整的hf格式模型权重：

  python scripts/merge_llama_with_chinese_lora.py \
      --base_model path_to_hf_llama \
      --lora_model path_to_chinese_llama_plus_lora,path_to_chinese_alpaca_plus_lora \
      --output_type huggingface \
      --output_dir path_to_merged_chinese_alpaca_plus

  2. 使用inference_hf.py加载合并后的模型进行推理：

  python scripts/inference_hf.py \
      --base_model path_to_merged_chinese_alpaca_plus \
      --with_prompt --interactive